登录/注册
张三
1315
占位
1
占位
1
浏览量
占位
粉丝
占位
关注
AI中各种浮点精度概念集合:fp16,fp32,bf16,tf32,fp24,pxr24,ef32
张三
2021-10-11 21:16:18 2021-10-11
17
0

常见的浮点类型有fp16,fp32,bf16,tf32,fp24,pxr24,ef32,能表达的数据范围主要看exponent,精度主要看fraction。

可以看出表达的数据范围看fp32,bf16,tf32,pxr24和ef32都是一样的,因为大家能表达的都是-22542255这个大概范围。fp24到表达范围比上面这些小,是-21262127

从精度上看fp32>pxr24>ef32>tf32>bf16,燧原的ef32都精度比Nvidia的fp32的精度多了一位,但都显著优于google的bf16,燧原的ef32,Nvidia的tf32都是使用fp16的计算性能像fp32的表达范围靠齐的一种尝试。

 

之前看《Enflame 2.0 Whitepaper_Dorado》的时候,看到描述tf32是1+8+11,还和一位同事纠结了一下,后来才知道燧原白皮书里面说的tf32其实是自己的ef32,并不是Nvidia的tf32,多设计一位精度最初是为了规避专利风险,后面也有精度和性能的折中考虑。

ef32总共20bits,而tf32是19bits,从硬件设计上说20bits的性能应该比19bits更好,当前也不排除Nvidia另外拿一个bit来作为奇偶校验位之类的设计。

 

另外,AI中也有很多场合用定点数据,就是编程语言里面说的整型,一般用INT8,类似C语言里面的char和byte。

 

IEEE half-precision  16-bit float

 

 

IEEE 754 single-precision  32-bit float

 

 bfloat16

 

   

NVidia's TensorFloat(tf32)

 

 

  AMD's fp24 format

 

  Pixar's PXR24 format

 

 

  Enflame's ef32

 

 

更多参考文档:

  1. bfloat16 floating-point format - Wikipedia
  2. What is the TensorFloat-32 Precision Format? | NVIDIA Blog
  3. A100 Tensor Float 32 性能实测 - 知乎 (zhihu.com)

原文: https://www.cnblogs.com/zhouronghua/p/15170247.html

暂无评论