记忆网络（MemNN）是神经网络的重要分支，在问答领域有广泛应用。其计算特点更符合人类记忆和思考的过程，相比传统RNN、LSTM等模型具有更好的长期记忆能力，最近的关注度也很高。本文首先阐述了MemNN的网络特点，进而分析其架构设计中的难点，主要针对其存储过大、带宽高、稀疏计算三个方面，结合ISCA相关论文的论述，提出一些可能的解决方案和思考方向，希望对今后的AI加速器设计有所启发。

　　memory network（MemNN），也叫memory-argumented neural network，2014年由Facebook的工程师提出。这种特殊的网络有很强的上下文信息感知和处理能力，非常适合信息提取，问答任务等人工智能辅助领域。不同于传统的前馈网络CNN，RNN等将训练集压缩成hidden state进行存储的方式，这类方法产生的记忆太小了，在压缩过程中损失了很多有用信息。而MemNN是将所有的信息存在一个外部memory中，和inference一起联合训练，得到一个能够存储和更新的长期记忆模块。这样可以最大限度的保存有用信息，下图是一个简单的MemNN的流程示意图。

　　通过描述性的语言解释下MemNN的运行过程。首先输入的内容（input story sentences）经过加工和提取储存在外部memory中。问题提出后，会和上述内容一起通过embedding过程产生question，input和output三部分，相当于在理解问题和内容的相关程度。然后通过inference过程，寻找和问题最相关的内容语句，再提取语句中和问题最相近的单词，最终产生答案A。在这个过程中，输入内容几乎是完整的保存和使用的，而不是像RNN那样压缩成数据量较少的中间状态，因此信息的完整性是比较好的。同时inference使用的是full connection连接和softmax归一化，很容易在传统的深度学习优化算法和硬件上获得较好的加速效果。

　　具体到细节，MemNN主要包括2种操作：embedding和inference。前者是将输入转化成中间状态的计算过程，而inference是通过多层神经网络来推断语句和问题的相关性。story经embedding过程产生2个矩阵：input 和output matrix，把输入语句转化为内部存储的向量，这一步会使用通常NLP的词向量转化方法。问题输入给MemNN网络后，会通过inference计算得到和上述内部向量之间的相关性，具体是三个步骤。

　　首先“input memory representation”过程会计算问题向量和input matrix的点积后归一化，得到和input matrix维度一致的概率向量p，即问题和各记忆向量的相关程度。这一步的运算是矩阵乘累加和softmax。

　　第二，“output memory representation”过程将output matrix按概率向量p进行加权求和，得到输出向量o，相当于选取了相关性最高的记忆向量组合。这一步主要是矩阵点积。

　　最后一步“output calculation”是将输出向量转化为所需答案的格式，得到各单词相对答案的概率，运算是全连接型的矩阵乘累加。

　　上述只做行为级的描述，相关步骤的公式可以参考论文[1]。

　　经过上述分析，我们可以总结下MemNN的计算特点并从架构角度分析其可能存在的问题。首先，也是最明显的，MemNN对输入内容的保存没有经过大幅度的压缩，信息完整性很高，这样在问答推理上相比RNN等压缩模型很有优势，不过带来的问题就是存储空间会随着内容的增大而线性增加，对片上存储的压力较大。而片上存储不足的直接后果就是内存带宽需求的增加。第二，运算几乎都是矩阵乘累加或者点乘，这一点和RNN是比较类似的，这样在同等运算强度下，对数据量的需求要高于卷积，也就是对带宽的需求更大；第三，由于MemNN计算的特点是从story生成的多个向量中选择相关性最大的产生答案，因此中间结果矩阵会是一个很稀疏的矩阵，只有相关性较强的部分才有值，其他不相关的几乎都是0，这样的话通常的密集运算加速器（如TPU等）效果就不好了，需要软件和硬件着重考虑如何进行稀疏性的优化。

　　可以看出，对于MemNN来说，现有的ASIC加速器并不能很好的优化上述问题，因此在计算效率上应该是没有GPU强的，这也是GPU这种SIMT结构适应性更强的优势。如何在硬件上同时高效支持CNN和MemNN这两种差别较大的模型，还有比较长的路要走。今年的ISCA论文中，有一篇是针对MemNN进行优化，尽管主要在算法层面，但可以在一定程度上给未来的通用AI加速器作为参考。

　　针对MemNN存储较大的优化方法利用了input memory representaion计算的可交换性。通常的计算是先乘累加在softmax，由于softmax是一个除法运算，分母是固定的，因此可以利用乘法分配律，将矩阵乘累加拆成若干个部分单独执行，这样归一运算和求和计算就很好的分开了，具体公式可以参考论文[2]。针对后者，我们不需要一次性的算完e^n后再和Mout做乘法，而是将其分组（N），每组内部先完成全部的求和，这样一次运算对存储的需求就只有之前的1/N了，如果正好全部放在片上cache中，那么组内运算就不需要进行内存的替换。再配合ping-pong预取下一组的数据，可以完美的将数据预取和计算并行起来，大大降低了传统计算中数据反复替换的损失。这一点很有启发，AI加速是软硬一体的紧密结合体，算法设计中应该充分利用数据的局部性，尽可能将一组数据和计算都在片上完成，组与组之间提高并行性。硬件应提供相应的并行化设计和调度方式，方便软件进行优化。两者相辅相成。

　　其他两种方法没什么特点，一个是针对稀疏性提出的根据阈值丢弃运算，这个主要在软件层面，CPU和GPU会比较容易实现；另一个是针对embedding matrix是常量的特点，设计了一个dedicated cache专门存放input和output matrix，类似于独立的weight cache，进行数据分隔式存储，减小对计算中间结果的干扰。最后使用FPGA做了一个硬件实现，比CPU算法高了6倍。这个加速比并不算高，主要原因是对于cache替换的优化在CPU和FPGA上的提升是差不多的；而稀疏矩阵的加速效果FPGA甚至会低于CPU；至于embedding cache，我个人感觉作用不大。因此FPGA主要就是运算单元数量和某些ASIC算法（softmax）上的优势了。因此该方案并没有很好的利用MemNN的特征，不是一个很好的解决方案，论文中也只是一带而过的介绍。

　　总结一下，MemNN的运算特点决定了它并不能在当前的AI硬件加速器中获得很好的提升。这突出了TPU类ASIC加速器算法适应狭窄的缺点，也几乎是目前所有面世的AI加速器的局限。之前在“AI芯片的趋势”一文中提到了灵活性，对于AI算法而言，更需要软硬一体层面的紧密配合，甚至要超过在CPU和GPU这类通用处理器上的所能做的极致。在这一点上，目前的AI加速器设计还有很多可以改进之处。