HPC (4) - Bonus - Nvidia GPU, tại sao lại chọn Kepler?

Như ở phần HPC build 3, tôi đã thống nhất lựa chọn dòng GTX 780Ti, tên mã vi kiến trúc Kepler (Kepler Microarchitecture GK110B) với số nhân CUDA lớn nhất vào thời điểm đầu năm 2015, 2880 CUDA cores. Mãi sau này, nó bị soán ngôi bởi Titan X với 3072 CUDA cores.

Chuyện thì dài nhưng  túm lại tại thời điểm dựng máy, tôi có thể lựa chọn 3 dòng GPU của Nvidia như sau: (Nvidia nhộn phết khi đặt mỗi tên dòng kiến trúc là tên các nhà khoa học lỗi lạc của thế giới)

Fermi: GeForce  400, 500 series, ra đời khoảng năm 2010, lúc này CUDA mới thực sự được chú ý tới vì GPU thay vì chỉ làm nhiệm vụ hiện thị hình ảnh thì giờ có thể được sử dụng trong tính toán. Khẩu hiệu lúc này là Giải pháp tính toán hình ảnh cách mạng (The Revolutionary Visual Computing Solution)  Chiếc card tôi có đại diện cho dòng này là con Quadro FX5600 1.5GB, băng thông 384-bit với 192 CUDA cores. Giá thành xuất xưởng siêu khủng $2,999. Giờ thì nó đang bị lỗi artifact, chập văn chờn, theo kinh nghiệm là phải cho vào lò nướng.

Kepler: Nvidia tuyên bố xanh rờn: Kepler là kiến trúc nhanh nhất, hiệu năng nhất thế giới cho HPC. (Kepler - The World's Fastest, Most Efficient HPC Architecture). Đến nay, ngay cả khi đã có thế hệ mới thay thế, tuyên bố này phần nào vẫn đúng trong các dòng GPU của Nvidia sản xuất. Đại diện dòng này tôi sắm 4 chiếc card siêu độ cho dân OC EVGA GTX 780 Ti Classified, 3GB, băng thông 384-bit với 2880 CUDA cores.  Giá xuất xưởng là $799. Tốn một mớ tiền x 4 vào đây. Và chúng sẽ là bạn đồng hành trải nghiệm qúa trình DL của tôi suốt thời gian ban đầu này.

Maxwell: Đây cũng là một kiến trúc được Nvidia quảng bá đổi mới nhưng thực ra, cá nhân tôi cho rằng mới mà không mới so với Kepler trước đây. Nó cũng không tạo ra cuộc cách mạng gì lớn giống như bước chuyển sang Kepler từ Fermi. Bản chất tập trung vào chỉnh sửa tối ưu tý chút đồng thời thiên về hỗ trợ kết xuất hình ảnh lớn cùng với xu thế độ phân giải siêu cao 4K hiện nay (VRAM nhiều lên hẳn). Vì thế khẩu hiệu đận này cũng đơn sơ:  GPU tân tiến nhất qủa đất (The World's Most Advance GPU). Đại diện cho dòng này tôi mua chiếc ASUS GTX 980 Strix, với 4GB, băng thông 256-bit với 2048 CUDA cores. Gía thành xuất xưởng là $599. GTX 980 được tôi lắp nâng cấp trên MacPro dành cho các tác vụ kiểm thử các vòng lặp tính toán (computing loop) đơn giản bên ngoài trong khi máy HPC kia bận rộn tính toán.

Chỉ với những thông điệp "ngầm" trên đủ thấy Kepler có vẻ mới chính là dòng kiến trúc chip chủ đạo mà Nvidia kỳ vọng tương đối lớn trong lĩnh vực điện toán HPC.

Trước khi xem xét cấu trúc phần cứng từng dòng GPU, chúng ta đều thấy trong điện toán song song của NVIDIA, CUDA là con số rất đáng quan tâm. Chúng ta hay đánh đồng CUDA  với số nhân xử lý GPU có trong một con card. Ví dụ như con GTX 780 Ti mà tôi dùng có đến 2880 CUDA cores, tức là có thể chạy 2880 nhân cùng lúc. Điều này giúp đơn giản hoá việc so sánh sức mạnh và tiên liệu năng lực tính toán của card nhưng kỳ thực không hoàn toàn chính xác. CUDA bản chất là một platform và thư viện phần mềm trên C/C++ với các API đề phục vụ các nhà phát triển có thể lập trình xử lý song song thông qua truy xuất trực tiếp tới tập lệnh và các lõi tính toán của GPU. Khả năng này còn được gọi là GPGPU (General-Purposed GPU). Các lập trình viên, thông qua thư viện CUDA để có thể điều khiển GPU nhằm và các tác vụ tính toán thông thường như serial CPU. Trong tổng thể 1 PC, luồng xử lý dùng CUDA có thể tóm tắt như trong hình dưới đây:

 Với dòng Fermi, GPU thường có khoảng 3 tỷ chíp bán dẫn transistors, công nghệ 40nm là chính, tổ chức thành các tập xử lý dòng Streaming Multiprocessor gồm 32 CUDA mỗi tập. Về lý thuyết, khả năng tính toán SP của Fermi GPU (theo GFLOPS) là 2 (lệnh theo FMA mỗi chu kỳ, Fused Multiply-Add kiểu AxB+C) x số lượng nhân CUDA x tốc độ chip đổ bóng (in GHz). Còn về tính toán dấu chấm động FP64 thì khả năng giảm đi 1/2. (điều này đúng trên Tesla và Quadro chứ trên GTX, Nvidia làm thọt đi còn 1/8 thôi, quá láo).  Đặc trưng của Fermi là cơ bản nhân CUDA nào cũng có khả năng thực hiện 2 phép tính SP32 hoặc 1 phép tính FP64 trong 1 xung nhịp clock. Vì vậy, hiệu năng sẽ giảm khi không cần tính toán đến như thế trên tất cả các cores và khiến cho lượng tiêu thụ điện dòng Fermi rất khủng, đồng thời, có thể đun nước sôi pha trà với lượng nhiệt của dòng card này. :D

Cũng với lý đó, Kepler ra đời sau đặt nặng hiệu năng tính toán và lượng năng lượng tiêu thụ hơn. Sản xuất với công nghệ 28nm, Con GK110 trong GTX 780 Ti có đến 7,1 tỷ chíp bán dẫn, gấp hơn 2 lần đời Fermi. Kepler ngoài các thế mạnh cũ thì cũng được tích hợp một loạt tính năng mới phục vụ cho điện toán song song như SMX (NeXt generation Streaming Multiprocessor), DP (Dynamic Parallelism), Hyper-Q MPI, GPUDirect... Có điều kiện tôi, sẽ đi sâu hơn về các tập kiến trúc mới này của Kepler riêng. Ở Kepler, CUDA Core vẫn có năng lực tính toán SP32 như trước, tức là 2 FMA mỗi chu kỳ nhưng không còn cõng phép tính FP64 mỗi nhân nữa mà thêm nhân tính toán FP64 riêng. Tỷ lệ tiêu chuẩn trên dòng cao cấp Titan Black, hay 780 Ti là 3:1 tức cứ 3 CUDA cores có 1 FP64(DP Unit màu cam). Ở các Kepler khác thì 24:1. Chính vì thế mà Kepler tiêu thụ điện lẫn toả nhiệt đã ít đi rất nhiều nếu so cùng năng lực tính toán ở dòng Fermi.

Con 780 Ti của tôi có 2880 CUDA Cores, tức là có 2880/3=960 DP Unit dùng cho tính toán FP64, hiệu năng FP64 của nó sẽ là 960 GFLOPS.

Sang dòng chip hiện thời Maxwell, kiến trúc tương tự như Kepler nhưng NVIDIA  bỏ hẳn luôn nhân tính toán FP64. Toàn bộ xử lý FP64 được đẩy sang 1 core khác là Texture Mapping Unit (TMU), tỉ lệ là CUDA/TMU là 32/1  Về năng lực SP trên CUDA vẫn tương tự Kepler và Fermi nhưng FP64 thì giảm tương đối, còn lại khoảng  1/32 khả năng SP32. Chính vì thế, năng lực FP64 được xem rất tồi và kém hơn hẳn so với Kepler. Số lượng bán dẫn cũng giảm xuống còn 5.2 tỷ transistors. Ví như con GTX 980 hàng đầu giờ chỉ có 128 TMU, tương đương với hiệu năng FP64 là 128 GFLOPS, chỉ bằng ~ 1/8 chú GTX 780 Ti của tôi. Được cái, thế này thì đỡ tốn điện đi nhiều đấy.

Với 3 dòng trên, Maxwell sẽ là kiến trúc duy nhất không có dòng siêu hi-end Tesla tăng tốc tính toán mà chỉ dùng cho dạng Tesla Grid và vGPU (Virtual GPU: card đồ hoạ ảo). Chiếc GPU Nvidia Tesla khủng nhất hành tinh đến tận giờ là chiếc K80 (K thì rõ ràng là Kepler rồi nhá), với 2 GPU GK210, 2x2496 = 4992 CUDA cores và VRAM siêu khủng 24GB.

Như vậy, cho đến giờ, dòng Kepler vẫn là dòng chủ đạo số 1 trong các hệ thống HPC. Chiếc siêu máy tính Titan, xếp hạng số 2 thế giới nhưng là số 1 trong nền tảng CUDA hiện giờ cũng dùng Kepler, với 2688 CUDA (cùng nhân GTX 780). Vì thế Kepler cũng là lựa chọn hàng đầu đa mục đích cho chiếc HPC của tôi. Như ở phần HPC build 3, các bạn cũng biết tôi đã chọn lắp 4 chiếc card GPU EVGA GTX 780 Ti. Đây là một trong những dòng đỉnh cao nhất của Kepler mà Nvidia sản xuất dành cho game thủ được EVGA chế tác riêng và đã OC Ready. Những thông số cơ bản dưới đây, đặc biệt được bôi đậm là nhưng số có ảnh hưởng lớn đến việc sử dụng GPGPU trong các HPC.

• Base Clock: 1020 MHZ (so với bản ref của Nvidia là 876 Mhz)
• Boost Clock: 1085 MHz (so với bản ref của Nvidia là 928 Mhz)
• Memory Clock: 7000 MHz Effective
• CUDA Cores: 2880
• Bus Type: PCI-E 3.0
• Memory Detail: 3072MB GDDR5 (dư dùng cho game nhưng thật tiếc, nếu kiếm dòng Titan Black dễ dàng hơn với 6GB thì sẽ thực sự ngon dùng cho neuron networks lớn)
• Memory Bit Width: 384 Bit
• Memory Speed: 0.28ns
• Memory Bandwidth: 336 GB/s

Trụ được đến đây, xin mời các bạn hãy thư giãn với một clip 20s khi tôi phải lắp lại nguồn để cấp đủ 8-pin x 2 vào mỗi con card của HPC.

Vậy trong tương lai, khi Nvidia đã hoàn toàn chú tâm và đầu tư mạnh mẽ bậc nhất vào phân hệ sức mạnh cho xử lý trí tuệ nhân tạo, AI, Deep Learning thì có gì sẽ thay đổi. Dù không phủ định, gaming đồ hoạ vi tính vẫn là thị trường bậc nhất nhưng những biến chuyển gần đây cho thấy Nvidia sẽ tiếp tục tạo được sự hợp lực cả hai hướng đi trên. NVIDIA đã công bố lộ trình trong tương lai gần năm 2016 sẽ ra mắt GPU Pascal (như một bước chuyển tiếp đến Volta 2018???) bổ sung sức mạnh cho các dòng hiện tại chủ yếu liên quan đến HPC, AI & DL.

Pascal là cuộc cách mạng của Nvidia hướng tới điện toán cao cấp cho trí tuệ nhân tạo và các mạng thần kinh neuron network. Pascal có thể tóm lược ở 3 điểm:

1. Tổ hợp toán cả 16 bit và 32 bit tạo nên sức mạnh tính toán gấp 4 lần Maxwell hiện tại.
2. Công nghệ HBM (High Bandwidth Memory- Bộ nhớ băng thông cao) sẽ thay thế cho GDDR5 (ATI đã tiên phong đưa vào sử dụng trong dòng GPU Fury X năm qua). Lượng VRAM tăng tới 32 GB và cho băng thông 6x hiện tại với HBM (bản chất là chồng các chip nhớ lên nhau, nên còn gọi là 3D VRAM).
3. Công nghệ truyền dữ liệu NVLINK giữa các GPU với nhau cho băng thông từ 80->200 GB/s, tức là nhanh gấp từ 5 đến 12 lần băng thông PCIe x 16 gen 3 hiện tại.

Với 3 cải tiến trên, sức mạnh tổng thể của card đồ hoạ thế hệ Pascal sẽ có bước nhảy vọt, gấp 10 lần so với kiến trúc Maxwell hiện tại. Thật nóng lòng đợi nhà "bác học" Pascal nhưng nếu thế đến tay người dùng chắc phải gần hơn 1 năm nữa nhưng nếu không thật vội vàng và cấp thiết như tôi thì hãy chờ đợi một chút cũng đáng. Nếu sẵn tiền và chỉ cần để học hành tý chút thì hãy dòn tiền quất 1 con Titan X 12GB là đủ để tiếp tục chờ đợi.

Siêu máy tính Titan (số 2 thế giới từ 2013 ~)

Titan vốn đang bá chủ thiên hạ cho tới năm 2013 thì bị Thiên Hà lên chiếm vị trí độc tôn. Titan có một lịch sử phát triển khá thú vị chứ không như Thiên Hà (Tienhe 2). Titan vốn được nâng cấp từ siêu máy tính Con Báo Jaguar trước đây được làm ra bởi công ty Cray. inc của Mỹ. Titan giờ đây là một sự kết hợp thú vị của quân xanh (Nvidia GPU) và quân đỏ (AMD CPU). Titan chính thức được đưa vào sử dụng 29/10/2012, đặt tại Phòng thí nghiệm quốc gia Oak Ridge.

Tài trợ chính: Bộ Năng lượng Mỹ và  and NOAA (<10%)

Tổ chức vận hành: Cray Inc.

Kiến trúc: 18,688 AMD Opteron 6274 16-core CPUs + 18,688 Nvidia Tesla K20X GPUs

Công suất tiêu thụ: 8.2 MW

Hệ điều hành: Cray Linux Environment

Diện tích đặt máy: 404 m2 (4352 ft2)

Bộ nhớ: 693.5 TiB (584 TiB CPU and 109.5 TiB GPU)

Lưu trữ ổ cứng: 40 PB, 1.4 TB/s IO Lustre filesystem

Công suất tính toán: 17.59 petaFLOPS  (công suất tính toán theo thiết kế max được 27 petaFLOPS)

Chi phí: $97 million

Xếp hạng trong TOP500: #2 từ 6/2013. Trước đó là #1 khi mới được dựng lên.

Mục đích sử dụng: nghiên cứu khoa học.

Web site www.olcf.ornl.gov/titan/

Nói qua chút về lịch sử kỳ vĩ của Titan. Tiền thân của Titan, Jaguar, sử dụng CPU AMD 4core 2.3 Ghz Barcelona. Bắt đầu được xây dựng vào năm 2005 với công suất tính toán thiết kế là 25 teraFlops, tức tương đương với 5 con GTX 980. Cuối năm 2008 thì cuối cùng cũng được nâng cấp lên đến 1.4 petaFlops. Đến năm 2009, Jaguar được mang ra đại tu, chuyển toàn bộ CPU sang AMD 6core 2.6 GHz Istanbul và 4core Budapest, nâng tổng số CPU trong mạng lưới lúc này là 200,000. (18,688 node thế hệ 5, mỗi node có 2 CPU Istanbul, 7830 node thế hệ 4, mỗi node sử dụng 1 cpu Budapest). Và 1 lần update cuối cùng đạt công suất 1.76 petaFlops.
Năm 2011, Jaguar được chuyển đổi dần trở thành Titan. 200 cabin (mỗi cabin chứa 96 node) thay thế từ từ thành 1 cpu 16 core AMD Opteron 6274 Interlagos và 1 GPU NVIDIA Tesla K20X (Con GPU này giá tầm 8000 USD, mỗi con chứa 2688 CUDA cores, bản chất là phiên bản cao cấp cùng chip của GTX 780). Việc chuyển đổi kéo dài đến tháng 10/2012 thì hoàn tất và chính thức đổi tên thành Titan vì Jaguar trước đây chỉ sử dụng core x86 để xử lý còn giờ phải là Titan do sử dụng cả x86 lẫn CUDA. Các lập trình sư đang sử dụng Jaguar tuy không thích quá trình nâng cấp xử lý sang CUDA, bởi vì nó không biến hóa được nhiều so với lập trình trên CPU quen thuộc trước đây, đây là một bước ngoặt "learning curve" cho đội ngũ lập trình viên về cách tiếp cận và tối ưu theo kiến trúc GPU nên có 2 trường phái sử dụng và đều được đáp ứng. Tuy nhiên, bản thân NVIDIA cũng chuyển dịch sang hướng hỗ trợ tăng tốc điện toán và thúc đẩy mạng neuron nên việc chuyển đổi sang sử dụng GPU trong điện toán song song diễn ra mạnh mẽ hơn bao giờ hết. Sức mạnh GPU giúp cho AI, Deep Learning, Machine Learning có những bước nhảy vọt. Bản thân Titan vẫn còn có kế hoạch tiếp tục nâng cấp để đến năm 2018. IBM đã trúng thầu vụ này nên Titan sẽ dần thay đổi để trở thành siêu máy tính tên mã Summit sử dụng CPU của IBM (Power PC???) và thế hệ GPU mới nhất của Nvidia Pascal. Titan cũng là siêu máy tính rất hiệu quả về mặt năng lượng và dùng tản nhiệt khí.

HPC (P3) - CUDA, đội xanh Geforce GTX cho Deep Learning giá rẻ

Như kết luận trong phần trước, CUDA là kiến trúc lựa chọn cho HPC của tôi. Và cũng chẳng phải thắc mắc nhiều, tức là chỉ có cách trung thành với các card đồ hoạ sản xuất bởi NVIDIA. Tuy nhiên, NVIDIA cũng không hổ danh là nhà sản xuất GPU số 1 thế giới nên cũng đủ để đau đầu lựa chọn sản phẩm GPU nào phù hợp nhất. Đương nhiên, nếu xuất phát điểm không phải chỉ để dành cho nghiên cứu cùng với túi tiền cực kỳ rủng rỉnh không cần quan tâm đến giá cả, cứ con mới nhất, xịn nhất mà mua.

Nhưng nếu nghĩ đến hiệu năng với giá pp (price/performance) cho một newbie trong DL thì chuyện trở lựa chọn nào trở thành một bộ môn khoa học nghiêm túc hơn nhiều. Trên thế giới, việc sử dụng GPU và cụ thể là với NVIDIA CUDA đã mang lại sức mạnh siêu máy tính đầu tiên vượt ngưỡng 10 petaFLOPS, chiếc siêu máy tính mạnh thứ 2 trên quả đất, sau Thiên Hà, với tên là Titan.
Các bạn có thể ngó thêm thông tin về siêu máy tính mạnh số 2 thế giới ở đây nhé.

Quay trở lại với quá trình dựng HPC của mình, bắt đầu với việc chọ GPU nào của NVIDIA. Trong thời gian 10 năm trở lại đây, NVIDIA có 4 dòng kiến trúc thiết kế GPU chính và có sở thích gắn tên các nhà khoa học lớn trong lịch sử với mỗi dòng đó. Kiến trúc thiết kế Fermi (GTX500-600 series), Kepler (GTX 700 series), hiện tại là Maxwell (GTX 900 series) và cuối năm nay, hy vọng sẽ xuất xưởng chip GPU dòng Pascal. Tại mỗi dòng thì sẽ có 3 cấp độ, dành riêng cho điện toán máy chủ cao cấp Tesla, máy trạm trung cấp Quadro, và game thủ thứ cấp Geforce GTX và giá tiền cũng từ rất cao xuống đến bình dân...

Vậy chọn GPU nào cho DL?

Nhiều người lầm tưởng đã làm việc thì cứ phải chọn dòng cho trạm làm việc Quadro. Để học DL thì chỉ có thừa tiền lắm mới thế. Quadro, về cơ bản là những con chip được lựa chọn kỹ càng (theo ASIC chẳng hạn) và thiết kế dùng làm đồ hoạ, đổ bóng 3D, etc chứ bản chất cũng không khác dòng Geforce rẻ tiền hơn rất nhiều (đôi khi là 1/4  ~  1/10 giá) với cùng hiệu năng.  Về phần cứng là vậy, tôi nghĩ cơ bản chip giống hệt và chỉ có Nvidia viết driver riêng thành từng dòng nên làm cho card Quadro có driver được chăm chút và test kỹ càng hơn rất nhiều khi release (sẽ ít lỗi phần mềm hơn, nhưng release tính năng mới sẽ chậm hơn). Driver cúa dòng game thủ GeForce đôi khi bị cắt bớt/ẩn tính năng của chip phần cứng đi. Nhiều cư dân mạng đôi khi hack một tý để dùng driver của Quadro cho Geforce còn được nữa là. Được cái tên đặt trong Quadro khá mạch lạc theo các kiến trúc chip GPU. Ví dụng Quadro Fx5600 là dòng Fermi, Quadro K6000 là dòng Kepler (tương đương con GTX 780 Ti của tôi, dòng GK110), Quadro M6000 là dòng Maxwell.
Tesla là một dòng card đồ hoạ cao cấp dành cho máy chủ và xử lý thuần tuý, và không có kết xuất ra màn hình (trừ một số đời ơ kìa ấm ớ, không hiểu sao lại có) Về chip thì cơ bản vẫn vậy, theo dòng nhưng các tính năng tính toán, đặc biệt là dấu phẩy động FP được kích hoạt đầy đủ và tối ưu nhiều nhất có thể (Khả năng chip có khi vẫn thế nhưng bọn Xanh nó set disable bớt đi ở các dòng rẻ đi chứ không sản xuất thành 1 con chip dòng Tesla riêng đâu??? Láo quá!) Nhưng gì thì gì, Quadro và Tesla thì có cái rất hay cho DL là bộ nhớ khủng, thường gấp 2, gấp 3 dòng phổ thông game thủ Geforce phổ thông, một trọng yếu cho các ma trận DL cỡ lớn hơn bình thường chút mà tôi sẽ đề cập đến sau này trong series về Deep Learning.

Cùng kiến trúc và chip GPU mã GK110, số nhân CUDA như nhau, GTX 780 Ti với 3GB RAM có giá tầm 600$, Quadro K6000 12GB RAM giá 4800$ và Tesla K40 giá 5800$. Mà nếu chạy mấy cái task vẽ vời dùng ma trận cỡ nhỏ, tôi nghĩ rằng sẽ chẳng khác biệt đáng kể về performance (Dòng GTX của tôi là dòng khủng, card độ, ép xung nên có khi còn nhanh hơn ấy.)

Tesla K40 với FP64 ở mức vượt trội gấp 8 đến 10 các card cùng GPU ở các dòng sản phẩm còn lại, thích hợp với tính toán mô phỏng phản ứng, hóa dầu, địa chất, etc. Cái này khả năng một phần thiết kế mạch, một phần các phần mềm driver các dòng còn lại bị vô hiệu hoá chứ con chip GPU có khi như nhau thôi nhể. Siêu cuội Nvidia đa cấp với giá chát chúa $5800.

Quadro K6000 hầu như không vượt trội gì so với GTX, ngoài bộ driver được test kỹ và VRAM khủng. Giá 4800$, tức là thêm $4K chỉ để được driver và dịch vụ support của Nvidia mức pro + + với 9GB extra VRAM. Dân đồ họa thì ưa thích dòng này vì sự bền bỉ và support tận răng cho các ứng dụng kết xuất và chỉnh sửa ảnh, video.

EVGA GTX 780 Ti Classified. Khủng của khủng trong dòng gamer đại chúng của Nvidia GTX 780 Ti. Cái gì cũng đẹp, mỗi tội VRAM 3GB là quá hẻo cho các ma trận điểm lớn một chút trong các mạng neuron lớn, còn nếu chỉ dùng video game thì đến giờ vẫn đang rất ổn áp rồi.

Nói chung muốn siết cũng phải biết điều tiết. Nhìn vào đây thì thấy cơ bản Geforce và Quadro không khác nhau mấy, còn so với Tesla thì chắc chỉ để cho mấy bố làm hoá dầu với cả mô phỏng phản ứng hạt nhân nhể. Chú ý tuyệt đối phải hiểu rõ (sâu :D) mình cần gì để chọn GPU cho phù hợp nhé.

Khả năng tính toán của 1 CPU/GPU được đo bằng đơn vị floating-point operations per second (FLOPS) – khả năng tính toán dấu chấm động trong 1 giây trong single precision(SP). SP là 1 dạng con số được định nghĩa = 32 bit.
Ở trên thì có thêm thuật ngữ double precision (DP), tức là con số được định dạng 64 bit. Tùy thuộc vào cấu tạo của Card mà 2 card chung GPU có thể giống single precision nhưng khác double precision (ví dụ K40 và 780 Ti là 2 con GPU giống nhau nhưng chỉ số DP lại khác nhau). Chắc cả CHIP và Driver ở Tesla mới được mở hết giới hạn.

Với ưu điểm tuyệt đối về giá, GeForce là lựa chọn không phải bàn cãi. Câu hỏi bây giờ là dùng 1 GPU hay nhiều GPU. Lưu ý Các trò SLI hay CrossFire là vô nghĩa trong DL và Linux vì thực ra để giao tiếp dataset giữa các card trong DL, chúng là quá chậm, chỉ có thể PCI-E  3.0 là đủ dùng. Nếu muốn mò mẫm học nhiều và tự tin về khả năng đồng bộ thì cứ mua vài con GPU (max là 4 cho đủ Quad SLI [dù chả liên quan mấy] với lại cũng gần như là max số khi PCI-e các mobo thông dụng có thể chứa được các GPU đúp này) để thử. Còn không rủng rỉnh lắm, cứ dồn tiền đập vào con mạnh nhất có thể trong dòng phổ thông (khi viết bài này là con GTX Titan X 12GB dòng Maxwell đấy)

Suy cho cùng là tính toán song song nên tổng hiệu suất mấy card rẻ thì có thể cao hơn 1 card mạnh thật. Tuy nhiên, việc đồng bộ hóa giữa 2 GPU thường không tốt và khá khó khăn cho coding (đôi chỗ là chưa thể như chia sẻ bộ nhớ video với nhau) nên sức mạnh không tăng theo phép cộng card được. Về lâu dài, thì cũng hết đường/hết khe để mà nâng cấp. Nếu chỉ nghịch ngợm tý trong Neural Network nhỏ ,thật lòng bạn nên vét túi vào con GPU mạnh nhất có thể. Nhỏ quá, việc đồng bộ là overhead quá sức tải của đầu óc, để tiếp thu cái khác có lợi hơn.
Nếu nghịch lâu dài với network khủng hơn như Convolutional Neural Network (CNN) thì có thể tối ưu hoá hiệu năng Price/Performance. Hiện tại CNN hỗ trợ tối đa lên đến 4 gpu trong 1 thùng nhưng sau này, khi mà hệ CPU Pascal của NVIDIA ra đời thì số lượng GPU trong 1 máy sẽ tăng cao hơn nhiều...

 Tạm thời xem mẩu video timelapse chiếc HPC được lắp lên thế nào cho đỡ chán mắt cái đã nhỉ? Ở phần sau tôi sẽ nói kĩ hơn về các vi kiến trúc cơ bản của Nvidia và lựa chọn của mình.

HPC (P2) - Lựa chọn kiến trúc GPU nào cho Deep Learning

Như trong phần trước, tôi đã giới thiệu sơ qua về khái niệm Deep Learning và khả năng to lớn của việc sử dụng kiến trúc của GPU trong xử lý song song phục vụ tăng tốc cho quá trình học tập và rèn luyện trí tuệ nhân tạo của máy tính, đặc biệt với Deep Learning và Neuron Networks. Trong phần tiếp theo này, tôi sẽ giới thiệu qua về các nền tảng phần cứng hiện thời cho việc xử lý các thuật toán song song cùng với lựa chọn của mình.

Với mấy ông chỉ coding phần mềm thương mại và mobile, có lẽ việc khó khăn nhất khi bắt đầu làm về Deep learning nói riêng và Machine Learning nói chung là chọn được đúng nền tảng đi kèm phần cứng hỗ trợ tính toán song song mạnh. Đương nhiên, ai cũng nghĩ thế. Có vài hướng đi cơ bản với mục đích tăng thật nhiều core xử lý cùng lúc như sau:

01.Intel Xeon Phi
Với khẩu hiệu: Thêm nhân, thêm sức mạnh (More Cores, More Performance)
Xeon Phi ra đời là mở rộng của bo mạch chủ chạy Chip Intel, nhằm đưa thêm nhiều nhân xử lý co-processor vào hệ thống thông qua khe cắm mở PCI -Express. Intel đặt tên mỹ miều cho kiến trúc này là Intel MIC (Intel Many Integrated Core Architecture) nhưng bản chất là gắn thêm nhiều con CPU Xeon vào bản mạch rồi cắm vào khe PCI-E mà thôi 

Hồi đầu chúng nó được đặt tên mã là hiệp sỹ (Knights) này nọ kiểu Knights Ferry, Knights Corner, Knights Land và Knights Hill. Sau này thì dồn lại về theo kiểu đánh số xe BMW có series 3, 5 và 7 tương ứng là 3100 series, 5100 series và 7100 series. Do bản chất vẫn là dây chuyền sản xuất Intel CPU nên số nhân cũng tương đối hạn chế, ví dụ như con mạnh nhất hiện giờ 7120D có 61 nhân, 512 SIMD units (Single Instruction, Multiple Dataset), 16GB RAM thừa kế kiến trúc cổ xưa Pentium (thời CPU cắm mobo kiểu cartridge???). Giá con Xeon Phi này đắt, tầm 4300 USD và đặc biệt là không có bán đại chúng cho người dùng thông thường. Tuy thế, nói gì thì nói, bản chất vẫn là intel x86 nên ace lập trình cũng chả phải học hành lại gì mấy, dùng luôn kỹ năng coding hiện tại thôi. Sở dĩ tôi đề cập đến Xeon Phi đầu tiên dù chưa được sờ vào so với 2 cái sau đây vì nó chính là các bộ xử lý trong chiếc siêu máy tính mạnh nhất hành tinh của chúng ta hiện giờ từ suốt  2013 đến giờ, chiếc Thiên Hà 2 (Tienhe 2) của Trung Quốc.

Thông tin thêm: Thiên Hà 2 bản chất là kết nối sâu của 16000 node tính toán, mỗi node là một con HPC với 2 Xeon CPU e5-2692 v2(đời Ivy Bridge), 3 card Xeon Phi loại serie 3, chỉ có 8GB RAM on-card và 64GB RAM hệ thống.  Nhẩm nhanh cũng tầm 12000 USD cho mỗi node nếu cá nhân đi mua roài. Thiên Hà 2 có sức mạnh tính toán lý thuyết max là 54.9 PetaFLOPS còn thực tế thì chạy ở tầm 60% khoảng 34 PetaFLOPS.

Vị trí: Trung tâm siêu điện toán quốc gia, Quảng Đông, Trung Quốc.
Kiến trúc: 32,000 Intel Xeon E5-2692 12C tốc độ 2.200 GHz + 48,000 Xeon Phi 31S1P
Tiêu thụ điện: 17.6 MW (24 MW bao gồm cả làm mát)
Hệ điều hành:  Kỳ Lân OS (Kylin Linux)
Bộ nhớ: 1,375 TiB (1,000 TiB CPU and 375 TiB coprocessor)[1]
Ổ cứng: 12.4 PB
Khả năng tính toán: 33.86 PFLOPS
Trị giá: 2.4 tỷ Nhân Dân Tệ (US$390 triệu)
Mục đích sử dụng: Mô phỏng, phân tích, và ứng dụng an ninh quốc phòng.

Túm lại là con Thiên hà 2 tốn điện vãi lúa.

02. OpenCL (Khronos Group)

Với khẩu hiệu kết nối phần mềm tới silicon (Connecting Software to Silicon, hơi phiêu tý he he)

Open Computing Language với ưu điểm chạy được đa nền tảng phần cứng CPU, GPU, DSP, FPGAs, cung cấp một giao diện API tiêu chuẩn cho việc xử lý đa nhiệm song song theo cả hai kiểu tác vụ hay dữ liệu (task-based or data-based). OpenCL được duy trì và phát triển bởi Khronos Group. Nguyên thuỷ xuất phát từ Apple nên được Apple cam kết và hỗ trợ tận răng với các thế hệ máy tính và hệ điều hành Mac OS X. Nền tảng phần cứng, phần mềm đứng đầu là AMD/ATI, là nhà sản xuất cả CPU lẫn GPU, đối tác chính của Apple . Tuy nhiên, OpenCL ra đời tương đối chậm, cùng với thư viện phần mềm tuy mở open source nhưng ì ạch, driver không ổn định, lib thì ít và thiếu vắng các cộng đồng lớn, OpenCL không phù hợp với newbie như tôi và tôi cũng võ đoán rằng cũng rất ít nhà nghiên cứu đi sâu được ngay dùng cho DL. Sau này, nếu có tham vọng đi sâu hơn thì OpenCL thực sự rất có tương lai.

Thông tin thêm: Khronos Group một tổ chức phi lợi nhuận của Mỹ thành lập năm 2000 ban đầu bởi khoảng 7-8 công ty gồm cả ATI, Intel, NVIDIA, SGI (Silicon Graphics) và Sun Microsystems. Đến giờ thì đã có tới xấp xỉ tầm 120 công ty tham gia thành viên, và khoảng hơn 50 thành viên "dự bị" theo chuẩn OpenCL.

03. CUDA (NVIDIA)

Với khẩu hiệu Nvidia Tăng tốc điện toán (Nvidia Accelerated Computing)

Thực ra môn CUDA này chỉ có 1 tay chơi và duy nhất là Nvidia, nhà sản xuất card màn hình và vi xử lý đồ hoạ (GPU) hàng đầu thế giới. Sự phổ biến của phần cứng, hỗ trợ mạnh về thư viện và phần mềm cùng với nhiều cộng đồng nghiên cứu và phát triển tiếng tăm trên thế giới như ở các đại học Standford , MIT, etc khiến cho hầu như không còn ai đứng làm đối thủ cạnh tranh phân khúc này. Một mình Nvidia thao túng, trong khi vẫn nhúng tay vào Khronos Group ở trên. Đó là lý do các card đồ hoạ GPU của NVIDIA luôn hỗ trợ cả OpenCL lẫn CUDA còn AMD/ATI chỉ có OpenCL mà thôi. CUDA cũng là nền tảng mà tôi lựa chọn. Bản thân Nvidia cam kết cao ngất cho việc này và các ông lớn đều thế cả mà.

Giá cả để trang bị NVIDIA GPU (đội xanh) không hề rẻ và có sức mạnh xử lý "cứng" như đội đỏ nhưng cũng rất sẵn có với đại chúng và nhiều mức độ chi tiền. Nvidia có nhiều dòng sản phẩm, từ rất cao cấp như Tesla với giá khủng hơn cả Xeon Phi ($5,000-$10,000), trung cấp Quadro từ vài trăm $ cho đến $5,000 và dòng phổ thông rẻ nhất GTX cho game thủ ở ngưỡng $100 - $1,000.  Cho Deep Learning thông thường, độ chính xác FP không cần quá chính xác nên nếu tận dụng cho học tập và xử lý cơ bản, một hệ thống với card GTX mà hiệu năng cũng có thể cực khủng không thua kém gì các hệ thống lớn đắt tiền cả. Về cân nhắc lựa chọn hiệu năng PP (Price/Performance) cho hệ thống của mình, tôi sẽ chia sẻ với các bạn trong phần sau. Đây cũng là lý do mà nhiều researcher hay data scientist trên thế giới tự xây dựng HPC của mình với lựa chọn CUDA Nvidia GTX.

HPC (1) - Tôi dựng máy tính HPC thế nào? Big data - Machine Learning - DeepLearning

Từ một post trên facebook về hiệu ứng ảnh nghệ thuật của cậu em Nam Vũ, tôi lọ mọ mở rộng hướng sử dụng và nghiên cứu trong việc sử dụng mạng thần kinh neuron network. Xuất phát điểm từ con số 0 tròn trĩnh, tôi điềm nhiên mở rộng nghiên cứu và nhận ra rằng năng suất bị hạn chế khi chỉ gói gọn sử dụng phần cứng hiện tại (một con MacPro cũ kỹ). Vì thế, cũng như bao nhà nghiên cứu khác, tôi bắt đầu việc tự đầu tư học lý thuyết về Deep Learning và để có thể đẩy nhanh quá trình học tập và thử -sai của mình, tôi quyết định bỏ tiền túi dựng lại nền tảng phần cứng của riêng mình.
Vậy trước hết, hãy tìm hiểu qua về Deep Learning. Deep Learning (DL) là gì?

Nói một cách ngắn gọn, DL là một lĩnh vực mới trong nghiên cứu về Học Máy (ML: Machine Learning), với mục tiêu đưa ML tiến gần hơn nữa với bản chất của trí tuệ nhân tạo (AI: Artificial Intelligence). Phương châm cơ bản của DL là mô phỏng lại hoạt động của não bộ thành thuật toán liên quan đến tiếp thu đối tượng quan sát qua nhiều tầng biểu đạt gồm cả cụ thể và trừu tượng tiếp đó sẽ làm rõ nghĩa dần các dữ liệu đó. Bản chất nở rộ của DL ngày nay khi DL đã có thể đưa ra kết quả với độ chính xác cao do "học" nguồn dữ liệu khổng lồ (Big Data) và năng lực xứ lý mạnh của máy tính.

Cụ thể hơn, trong lĩnh vực nhận dạng và tái tạo hình ảnh thì lý thuyết lẫn ứng dụng DL được minh chứng rõ rệt nhất. Cho máy một hình ảnh chụp được, nó sẽ phải tự DL để có thể phân tách và nhận diện dữ liệu từng phần trên hình ảnh. Một chiều là chia ma trận để trị, chiều kia là trừu tượng hoá để sắp xếp lớp (layer) và phân loại. Như thế, nếu có thể xử lý song song từng việc nhỏ trên mỗi bộ vi xử lý sẽ giúp đẩy nhanh quá trình này. Các CPU của Intel hiện thời, có thể có 2 lõi (Dual Core) đến 4 lõi (Quadcore) rồi một số có thể lên đến 8 lõi, 12 lõi hay những loại chuyên biệt thì tầm max phổ thông hiện tại là 18 lõi - 36 luông (Xeon 2699v3 với giá lên tới tầm 5000 USD mà cũng không dễ dàng mua được). Tự nhiên, tìm kiếm sức mạnh xử lý song song trở nên cấp thiết đối với phần cứng. Trong cuộc chiến đếm core-lõi phục vụ xử lý song song ấy, Nvidia, nhà sản xuất card đồ hoạ máy tính lớn đã nhanh chóng nắm bắt được cơ hội này để tiên phong, đồng thời, các nhà nghiên cứu cũng nhận ra tiềm năng khổng lồ của các card đồ hoạ hiện tại để tham gia vào Deep Learning này. Hiển nhiên, số lõi xử lý ảnh và tính toán trong các card đồ hoạ giờ vượt xa gấp cả trăm, nghìn lần so với CPU Intel. Nvidia GTX Titan X, card đồ hoạ phổ thông hàng đầu cho game thủ hiện tại, cũng chứa đến 3072 lõi xử lý chạy song song, gấp cả nghìn lần một bộ xử lý intel dual core thông thường. Mỗi lõi, hiện giờ chỉ để xử lý một vùng điểm hiển thị trên màn hình với thông tin màu sắc, đổ bóng, etc mà thôi thì nay có thể chuyển hoá dùng để tính toán nhiều thứ khác nữa khi được viết thêm các phần mềm thích hợp điều khiển. Vì thế, đùng một cái, người dùng thông thường, đặc biệt các game thủ đang có trong tay những cỗ máy nhỏ nhưng rất có võ, công lực đủ lớn nếu biết cách chuyển hướng sử dụng. Tên gọi các siêu tính toán HPC (High Performance Computing PC) trở nên dễ dàng tiếp cận với công chúng cộng đồng nghiên cứu gia hơn bao giờ hết, chứ không còn nhất thiết phải của một ông lớn CNTT nào nữa cả. Nói tới đây, chỉ riêng về lựa chọn card đồ hoạ nào cho hệ thống nghiên cứu học tập DL của mình với tiêu chí ngon - bổ - rẻ thì tôi cũng đã phải đọc đến hàng tá các loại tài liệu phân tích đánh giá. Vậy mà vẫn không tránh khỏi một số sai lầm cốt yếu mà tôi sẽ chia sẻ thêm sau.

Nếu dành 2 phút để xem 2 nhà khoa học nổi tiếng dẫn chương trình Mythbuster trên Discovery sau đây demo sự khác biệt về xử lý của CPU và GPU thì các bạn sẽ thấy rõ ngay.

Một chiếc iphone trong lòng bàn tay người dùng ngày nay có sức mạnh xử lý chẳng kém gì siêu máy tính vài thập kỷ trước. Điện toán cá nhân ngày càng mạnh, càng rẻ và dễ tiếp cận, việc đòi hỏi năng lực xử lý thông tin nhiều, nhanh càng cấp thiết. Chúng ta đã bắt đầu vào những năm cuối của quá trình hậu máy tính, với dự doán đến năm 2020 có thể có trên 10 tỷ thiết bị điện toán cầm tay kết nối internet. Sự kết nối tạo ra một lượng dữ liệu không lồ và khả năng tính toán cực lớn linh động và thay đổi từng ngày, từng giờ, từng phút, từng giây (ví như dự đoán giá cả cổ phiếu, thị trường) Vì thế, không thể lập trình thông thường được nữa, nó phải làm theo các thuật toán đặc biệt sao cho các thuật toán ấy sẽ phải tự lập trình lại bản thân và tự biến đổi bản thân chính chương trình ban đầu để thích ứng, kiểu máy tự học được. Thuật toán kiểu thế gọi cho hoành là Machine Learning.

ML cũng không phải cái gì mới. Ứng dụng đầu tiên của nó có lẽ là phần mềm tự học đánh cờ vua từ thời mainframe. Sau khi tự học tầm vài trăm ván cờ, nó sẽ có đủ kinh nghiệm để đánh bại các loại chơi cờ lìu tìu như lập trình viên bọn tôi. Năm 1997, thì IBM Deep Blue đã thắng kiện tướng cờ vua thế giới Garry Kasparov. Từ đó, không ai còn đề cập  đến chuyện chơi cờ quạt gì với máy tính nữa. Deep Blue lúc đó đứng thứ 259 siêu máy tính trên thế giới, khả năng xử lý 11.38 GFLOPS. Trong khi chỉ mỗi cái card đồ hoạ GTX 980 mới mua nâng cấp máy mà tôi đang gõ bài này đã có thể xử lý tầm trên 5000 GFLOPS rồi. Đơn giản vì nó có tới 2048 nhân xử lý.

Cái mobilephone còn không rời tay được chốc lát thì quanh ta tầm này chẳng còn gì mà không dính đến nhu cầu điện toán nữa đâu. Mà làm gì có nhu cầu điện toán nào thời nay mà không loay xoay với ML nữa cả. Kiểu như:

• Tối ưu tập đối tượng khách hàng cho quảng cáo sản phẩm mới.
• Diệt và phòng chống virus máy tính (cũng phải học pattern mà phòng ngừa)
• Các trò định hướng, dự đoán, từ xu thế giá cả, cổ phiếu, thị trường, thời tiết, giá ngoại tệ, vé máy bay, chi phí bảo hiểm.
• Xác định xu hướng sở thích giới trẻ, hội già, nhóm người sống ở bán cầu Đông, bán cầu Tây (facebook)gợi ý mua thêm sách, thêm đồ (amazon, ebay) hay nêu dữ liệu quan tâm có thể liên quan khi tìm kiếm (Google)
• Nhận biết khuôn mặt, nhận biết giọng nói (hình sự vcd), nhận biết vật thể trên đường (xe tự lái)
• Phát triển thuốc men dược phẩm, tổng hợp hoá học, tính toán mô phỏng, chẩn đoán phòng ngừa ung thư.
• Tính toán bài tập thể dục, calories tiêu thụ cần thiết và đặt các mục tiêu mới rèn luyện sức khoẻ mới.
• Tính toán dẫn đường, chỉ dẫn giao thông, tình trạng giao thông đi lại theo thời gian thực.

Cùng với đó, sự nở rộ phong trào IoT (Internet of Things), QuantifiedSelf, càng thúc đẩy nhanh, nhiều, sâu và rộng quá trình số hoá mọi sự vật hiện tượng xung quanh hoạt động của con người, khiến cho ML, DL, AI là nhu cầu bắt buộc hiện diện thường nhật trong đời sống con người.

Tiếp cận với GPU để học cách thức hoạt đông DL ở trên như một newbie, tôi đã lựa chọn nền tảng HPC của mình thế nào?

Hãy làm bạn với Ung Thư (UT) - hành trình của một tế bào! (P3)

DÒ DẪM CÓ ĐỊNH HƯỚNG KIẾN THỨC

Đành rằng dò dẫm làm chuyện rất riêng tư, không ai thay thế được nhưng kiến thức nào sẽ giúp cho việc này? Có 2 biến số quan trọng đó là (1) tế bào UT sinh hoạt hàng ngày khác tế bào thường thế nào? và (2) những dấu hiệu cơ bản nào giúp nhận biết có vẻ gần TỚI HẠN… UT chính là tế bào của cơ thể ta sinh ra theo kiểu tự tăng trưởng một cách đột phá, thiếu vắng kiểm soát, kiềm toả. Nếu như tập tạ để tay to vốn dĩ chủ ý để tăng lượng tế bào cơ tay và hoàn toàn được kiểm soát bới ý chí thì một cái polip, u nang hay thịt thừa ở dạ dày chẳng hạn lại do tế bào ở đây phát triển nhanh chóng ngoài mong muốn. Do tính vô chính phủ, tế bào UT thoạt tiên sinh ra để thay thế tế bào già cỗi chết đi nhưng rồi cứ tiếp tục nhân đôi mãi không ngừng nghỉ, phình ra thành các cứ điểm u nang, kích cỡ to lên về mặt vật lý. Rồi cứ thế mải mê sinh sôi nảy nở, chúng cũng quên luôn mất mình được sinh với mục đích gì. Không nhằm để thay thế tế bào thành dạ dày, chúng trở thành những tế bào không còn rõ rệt gì về bản chất, gốc rễ nữa, kiểu sinh ra trên đời này mà không biết mình là ai ấy để càng sinh trưởng mạnh mẽ hơn tới mức “giai đoạn cuối” thì túa ra chạy theo dòng máu bám rễ lung tung. Hệ bạch huyết phòng vệ cũng dần dần không hiểu nó thuộc cái dòng tộc gì để mà điều quân phù hợp để tiêu diệt và thu dọn xác nữa. Vô tình, hệ bạch huyết lại giúp khuếch tán UT khắp toàn cơ thể. Túm lại, tế bào UT, chúng chỉ còn biết nhân đôi - nạp nhiên liệu - nhân đôi - nạp nhiên liệu, thi thoảng đi di cư phượt lang thang. Các tế bào khoẻ mạnh khác thì luôn luôn giữ được dòng giống, tổ tông của mình, tuân thủ chu kỳ sinh-lão-tử cùng với sự thay đổi và lớn lên của cơ thể. Với UT, chỉ một số ít bột phát bởi gen di truyền, một phần lớn còn lại thì do sự tấn công lý-sinh-hoá vào các cấu trúc tế bào và bộ máy sao chép tế bào từ cả 2 phía môi trường sống bên ngoài và phản ứng bên trong của cơ thể. Loại trừ việc di truyền thì thực chất, UT thoạt tiên cũng chỉ là tế bào bình thường, tử tế khác, nhưng sau không chiến thắng được sự tấn công của khoảng 1 vạn lượt “bom đạn” dội vào mỗi ngày. Vâng 10K “bom đạn” dội vào hàng ngày liên tục suốt cuộc đời con người đã khuất phục những tế bào thiếu gan dạ và chuyển biến chúng thành UT .” Bom đạn” ấy có cái tên mỹ miều là “gốc tự do", được sinh ra bởi (1) vật chất từ môi trường ngoài đưa vào cơ thể (chủ yếu qua ăn uống, hít thở) và (2) áp lực tâm-sinh lý của chính cơ thể khi tạo các chuối phản ứng trước điều kiện và môi trường sống. Gốc tự do, hay cũng còn tên khác là chất ôxy hoá là bản chất sâu xa của phát triển sự sống và cũng chính là sự lão hoá của cơ thể chúng ta. Vậy gốc tự do có cấu tạo ra sao? Ngắn gọn thôi nhé, đó là một phân tử hoá học quá năng động do bị mất cân bằng điện tích, phóng tác đi mất các điện tử (electron) nên cứ luôn luôn nhăm nhe chiếm lại sự cân bằng bằng cách can thiệp sâu, giành giật điện tử từ các tế bào khoẻ mạnh khác trong cơ thể. Như vậy, mỗi ngày để đối phó với quá trình già cỗi thì cần giảm thiểu sự tấn công của “bom đạn", cân bằng lại cuộc sống để ít phải va chạm phân tử hơn. Khi sức ép tấn công này giảm xuống, các tế bào khoẻ mạnh sẽ rảnh rang hơn để giúp chúng ta cô lập lại tế bào UT, chăm chút sửa chữa các cỗ máy copy mắc lỗi, đồng thời để lũ lãnh đạo quản lý có thêm thời gian mà tu tập, chú tâm giành lại kiểm soát ở những nơi đã lơi lỏng, những cứ điểm UT. 

Sử dụng những thực phẩm rau-củ-quả cùng với việc cung cấp đủ nước đầy đủ cho cơ thể là thành phần tốt giúp ích việc này. 

Nhìn nhận vấn đề bao quát, ta thấy có sự xung đột sắc tộc lồng trong xung đột ngoại tộc, nội chiến nằm trong lòng quốc tế chiến. Khi đó, không thể tránh khỏi phát sinh thương vong cho tất cả các bên tế bào khoẻ mạnh lẫn UT. Lúc này, nếu tĩnh tâm và lắng nghe chính cơ thể mình, có lẽ sẽ cảm nhận được. Để có thông tin chi tiết nhất, ta cần dựa vào mạng lưới tế bào thần kinh vốn đã vô cùng nhạy cảm. Hãy cảm nhận sự xuất hiện và mất đi của các hạch thần kinh trên cơ thể. 

Như đã nói, mỗi người sẽ có năng lực để cảm nhận sự TỚI HẠN này. Một gợi ý không mang tính định lượng mà chỉ có ý nghĩ định tính khoa học đó làm cảm nhận việc hít thở, trao đổi khí oxy của cơ thể với môi trường sống. Khi quan sát về các vòng đời của các loại tế bào trong cơ thể bạn, dễ thấy nhất với vòng đời tương đối ngắn, việc rụng tóc và mọc dài tóc là một chỉ số cho ta biết về tốc độ phân tách tế bào của cơ thể. Rụng ít tóc hơn, mọc dài chậm hơn là dấu hiệu tốt trong giai đoạn này. Dấu hiệu TỚI HẠN có thể đơn giản là quá trình rụng/mọc dài tóc bình thường nay trở nên bất thường. Tuy nhiên, có lúc cần nhạy cảm hơn thì thực ra các tế bào bạch cầu có vòng đời chỉ vài giờ sau khi được sinh ra từ tuỷ sống rồi sẽ đào thải tại phổi. Hãy cảm nhận khí thở và áp lực khác ở phổi của mình để biết chắc nắm bắt sự thay đổi hay đầu vào điểm TỚI HẠN ra sao? Tế bào màng dạ dày và ruột cũng có vòng đời vài ngày. Cũng khó để đưa ra cảm nhận nhưng cảm nhận biến đổi phản ứng với dinh dưỡng đưa vào cơ thể, hay nước uống, thuốc uống cũng là một dấu hiệu (cái này chả bệnh tật gì cũng thế nhỉ?)

Càng thiền tâm, càng nhận biết sớm nhất và chính xác nhất các thay đổi này. Khi liên tục dò dẫm như vậy, chúng ta sẽ đúc rút được những quy luật phù hợp của riêng mình, tạo thành các phác đồ điều trị hữu ích. Cùng với ý chí thép tuân thủ, ta không những có thể cải tạo lại cơ thể và đơn giản sống cùng UT một cách khoẻ mạnh mà thậm chí còn dần dần loại trừ và xoá xổ hẳn các cứ điểm UT...

Hãy làm bạn với Ung Thư (UT) - hành trình của một tế bào! (P2)

SỨC MẠNH TINH THẦN

Từ lời nói về một ảo tưởng sức mạnh:

Kể từ khi con người đầu tiên được nhận thức là có mặt trên trái đất này, có nhẽ cũng tới 209k năm rồi ấy nhỉ? Chúng ta đã sinh tồn được như vậy, thì UT cũng không thể là một câu chuyện mới mẻ gì mà không vượt qua nổi …

Thường thì, chúng ta hay an ủi nhau khi phát hiện ra một hay một vài cứ điểm UT trong cơ thể. Cái này khó điều trị lắm (khác nào án tử hình) nhưng không phải không vượt qua được mà quan trọng nhất là tinh thần lạc quan, tinh thần có khi quyết định đến 80% khả năng thành công. Đành rằng cụ Pareto 80/20 có mặt ở rất nhiều chuyện như là kết luận của môn thống kê từ xưa đến nay. Nhưng 80% của khả năng kiểm soát thì là một câu chuyện hoàn toàn khác. 80% của 10% thì cũng chẳng phải cố làm gì.

Tinh thần lạc quan đúng thì rất quan trọng vì mục tiêu của chúng ta là giành lại "quyền kiểm soát", một khái niệm xuất phát từ phần nhận thức của bộ não hay còn gọi dưới cái tên mỹ miều: "thế giới quan" về bản thân cơ thể mình. "Nhân sinh tiểu vũ trụ”, nghiên cứu cả đời cũng không hết, nhưng hiểu rõ những ngóc ngách trên cơ thể mình trong khi đang mệt mỏi do bị mất kiểm soát (về mặt sinh học) thì chắc chắn càng phải có một nỗ lực và quyết tâm tinh thần to lớn. Mà trên hết, nỗ lực này phải liên tục, dồn dập, không ngơi nghỉ 24h/24h vì chưa từng có sự tách rời giữa tế bào khoẻ mạnh và UT trong cơ thể thống nhất của con người.

Vì thế, tỷ lệ quyết định thành công lúc này không có gì khác ngoài sự chuẩn bị chu đáo, chi tiết nhất phác đồ điều trị, một dạng "kế hoạch, lịch công tác" giành giật quyền kiểm sát từ từng tế bào một, từng nanomet trên cơ thể mình cùng với ý chí thép để tuân thủ chặt chẽ và thực thi nghiêm ngặt, đi đến thành công. Hai thừa số trong một phép nhân, (lập kế hoạch chu đáo) X (kỷ luật thực thi thép), sẽ cho ra kết quả chính là khả năng cao giành được lại quyền kiểm soát tuyệt đối.

Ở mức cơ thể, chúng ta quyết tâm như vậy. Zoom in vào mức tế bào, đội quân tế bào khoẻ mạnh cùng các vi sinh vật cộng sinh sẽ được thừa hưởng ý chí kiểm soát đó thông qua bộ máy enzym và tiết tố hết sức phức tạp, thực thi theo lệnh điện tử của một khối lượng khổng lồ 86 tỷ tế bào thần kinh não, xung kích thay thế dần dần những tế bào bị hư hại. Tuy chỉ là bước đầu tiên nhưng lại là bước quan trọng nhất để chúng ta bắt đầu chuyến du ngoạn của mình. Khi đó, tế bào não tôi sẽ dịch chuyển cùng luồng thông tin theo từng nhịp xung điện não để đến được tới từng khu vực tử địa, đánh thức những đồng chí quản lý còn lơ ngơ đang bị ru ngủ hay bị đánh lừa che mắt bởi tế bào UT, chỉnh sửa những khiếm khuyết và rút bỏ sợi dây kinh nghiệm (vốn đã dài lê thê).

Đến kiên tâm hành động:

Bước 2 thực ra là đơn giản hơn. Tuân thủ theo nội dung phác đồ điều trị, gồm 3 yếu tố chính dựa vào bản chất UT:

(1) Cô lập cơ thể, không để bị nhiễm thêm các yếu tố thù địch bên ngoài. Thù trong giặc ngoài cùng lúc làm cơ thể mình phải phân tâm, khó đỡ hơn. Diệt giặc ngoài bằng chế độ sống ở môi trường sạch sẽ, thanh trùng, giảm tuyệt đối các tác động cơ-lý-hoá không có lợi từ môi trường bên ngoài trên đủ phương diện tâm-sinh lý.

(2) Yếu tố làm suy yếu được tế bào UT 

(3) Yếu tố giúp tăng cường tế bào khoẻ mạnh.

(1) —>Cơ bản cần sự tỷ mẩn của bản thân và sự chú ý của người thân xung quanh thu xếp giúp cho là được. Một số thực phẩm chức năng cũng giúp việc này. Ví như các viêm loét nội tạng, chúng ta có thể dùng nước ấm - mật ong - tinh nghệ nano để đều đặn “tráng men vật lý -sinh học” đường ruột giúp liền các vết thương hở, tránh chảy máu và thành lớp bảo vệ vô hình với các hoá chất độc hại khác tranh thủ tấn công cơ thể. Nếu ý thức được rằng, chúng ta sinh ra đã luôn có mầm mống ung thư tiềm tàng trong bộ gen rồi thì đôi khi chuẩn bị ngay từ lúc còn khoẻ mạnh, hướng tới một sức khoẻ cân bằng, càng sớm càng tốt có hơn chăng?

(2) —> Bản chất bọn UT háu đói, đòi hỏi nhiều năng lượng, chúng ta sẽ giảm dần năng lượng phù hợp mà chúng mong muốn. Chủ yếu nên tránh các dạng thức ăn tạo chuyển hoá đường nhiều. Khi hơi đói ăn chút chút, bọn UT sẽ lăn ra chết trước trong khi các tế bào khoẻ mạnh thì chỉ dặt dẹo nhưng không chết ngay. Khi tới cái điểm tái lập cân bằng mong manh ấy, ngay lập tức là lại vãn hồi sức lực phù hợp cho các tế bào khoẻ mạnh không thì là chẳng khác gì “trạng chết chúa cũng băng hà”. Việc này DÒ DẪM bởi chính cơ thể ta thôi và làm đều đặn như từng đợt sóng biển nhè nhẹ đánh dạt rác rưởi vô bờ, để lại mặt biển xanh trong ấy. Ngoài ra, cũng như hoá trị cấp tập đánh dấu (targeted) nhưng ở quy mô chiến tranh nhân dân, một quy mô lớn hơn về không-thời gian nhiều so với đánh chủ lực của Tây Y, chúng ta cũng có thể DẦN DẦN sử dụng các thực phẩm được cứ điểm UT ưa thích xơi ngấu nghiến nhưng có sẵn dư lượng "độc tố" nhỏ vừa đủ để bao vây và làm suy yếu đội quân UT tại các cứ điểm của chúng. UT từng âm thầm xây dựng cứ điểm qua các thói quen sinh hoạt sống của ta, giờ ta lựa thế “gậy ông đập lưng ông”, âm thầm mò đến nơi và cũng kín đáo từ từ bào mòn cứ điểm của chúng bằng cách xây dựng một thói quen sinh hoạt sống mới (gồm đủ cả ăn uống, ngủ nghỉ, vui chơi, làm việc). Ngọc VTH có nói để uống trà lá đu đủ và lá sả phơi khô, chính dựa trên đặc tính này cho một loại cứ điểm UT cụ thể, UT gan.

(3) —> Nếu như tốc độ phân chia tế bào bị đẩy nhanh đi kèm với sự oxy hoá, lão hoá. Hiểu việc đó, ta sẽ dùng các đồ dinh dưỡng chống oxy hoá, (i.e collagen), kết hợp với luyện công điều khí giảm tốc độ phân chia tế bào tổng thể toàn bộ thì cũng giúp có thêm nhiều thời gian để đánh thức đội ngũ quản lý và giữ vững đội quân tế bào khoẻ mạnh. Tỏi đen đang nổi lên là một chất chống oxy hoá tốt, giá cả phải chăng và có thể tự làm được. Dịch cân kinh phất thủ (“vẫy tay”) là một biện pháp phổ thông mà tôi được biết và cũng rất dễ để luyện tập. Nên nhớ rằng, kỷ luật luyện tập quan trọng hơn bản chất việc luyện tập vì hoàn toàn có thể đa dạng hoá và điều chỉnh cho phù hợp với từng loại cứ điểm UT cũng nhưng từng thể trạng của mỗi cá nhân ở mỗi thời điểm khác nhau.

Trong "Luận thức học”, triết gia nổi tiếng Descartes xưa có nói “je pense, donc je suis”- “I think, therefore I am” - “Tôi tư duy, nên tôi tồn tại” nào có khác chi một khẳng định về sức mạnh của nhận thức. Nguyên lý gốc rễ của phương Tây này hoàn toàn minh chứng cho sức mạnh tinh thần trong mọi cuộc chiến giành giật sinh tồn của loài người, kể cả là với chính bản thân mình, với những tế bào UT... (còn nữa)

Hãy làm bạn với Ung Thư (UT) - hành trình của một tế bào! (P1)

Be friendly to Cancer - The journey of a healthy brain cell.

Tôi, một tế bào não khoẻ mạnh và tôi đã đủ quyết tâm để khởi đầu một cuộc hành trình dài ngày. Kinh tế đất nước phát triển kéo theo môi trường sống bị tàn phá và con người có vẻ như không kịp điều chỉnh thích ứng với môi trường ấy. Mỗi lít khí thở hàng ngày hít vào, mỗi bát cơm, miếng thịt, gắp rau ăn luôn luôn tiềm tàng những nguy cơ xâm nhập và phá hoại sức khoẻ từ từ, dần dần trong khi cơ thể mất dần kiểm soát sự thay đổi. Rồi đến một ngày bạn biết mình bị ung thư. Có thể sớm, có thể muộn. 

Dưới đây chỉ là tổng hợp những ghi chép tản mạn sau một thời gian tìm hiểu đây đó về ung thư, thuần tuý quan điểm cá nhân, càng không phải là cơ sở khoa học để tranh cãi đúng - sai gì đâu nhé.

Người ta bảo, hãy chiến đấu chống và diệt, và loại trừ ung thư. Tôi cho rằng đây là cuộc chiến giành lại quyền kiểm soát của chính mình, “I want show everyone clearly who is the boss in town here!”

Vì sao tôi có quan điểm vậy. Hãy cùng nhìn lại bản chất của UT. 

BẢN CHẤT UT

Hình thành UT:

Ung thư, trực tiếp mà nói, không phải là một yếu tố ngoại lai như vi khuẩn, vi rút, ốm đau, bệnh tật gì tấn công cơ thể đang khoẻ mạnh của chúng ta. UT chính là chúng ta, chính là con ngựa thành Troy, là những tế bào hoành tráng sinh ra bởi chính chúng ta, là kết quả phái sinh nhằm thích ứng (có thể thái quá) với một tác động ngoại lai nào đó.

Như đã biết, vật liệu cơ bản tạo nên cơ thể chúng ta chính là các tế bào. Các tế bào này luôn sản sinh mới thay thế vào những tế bào chết đi. Về khía cạnh sinh học mà nói, hình như sau 7 năm, con người sinh học của chúng ta được thay thế hoàn toàn 100% bằng các tế bào mới mà chưa từng ra đời 7 năm trước đó.

Đó là gốc rễ của việc chúng ta lớn lên và thay đổi hàng ngày... 

Ngoài ra, cơ thể chúng ta còn có cả một đội ngũ quản lý tuân thủ các quy trình nghiêm ngặt từ việc cất giữ những hồ sơ mật về thông tin tế bào sâu thẳm nhất trong chuỗi ADN để đảm bảo rằng các bản sao copy tế bào mới vừa đủ thay thế, không thừa mứa, không quá bị lỗi, mờ “font chữ” đến chuyện điều tiết cân bằng, phối hợp nhịp nhàng, dịch chuyển năng lượng giữa các khu vực. Nếu một lý do nào đó khiến cho hệ thống quản lý lơ là hay máy copy bị lỗi, khả năng cao sẽ có hiện tượng tế bào ở khu vực nào đó trên cơ thể chúng ta cứ liên tục phân tách, sinh sôi nhân bản nhanh chóng, không ngừng nghỉ. Đấy, những ứng cử viên sáng giá nhất, tên lính ngoan cố nhất của tế bào ung thư tại sào huyệt/ cứ điểm của căn bệnh ung thư xuất hiện đơn giản vậy. 

Để có thể sinh sôi mạnh như vậy, đương nhiên các tế bào UT rất to khoẻ, háu đói nên liên tục đòi hỏi ăn nhiều năng lượng, hấp thụ nhiều nhất các chất dinh dưỡng mà chúng ta cung cấp cho cơ thể thông qua ăn uống hàng ngày. 

Di căn là gì?

Thường được coi là yếu tố kim chỉ nam để phân biệt UT thuộc giai đoạn đầu hay cuối. Ngắn gọn thôi nhé. Có 2 dạng: 

Khi cứ điểm UT chật hẹp, đông đúc, UT phình ra chỗ bên cạnh, cùng kiểu loại tế bào hay thậm chí chèn ép lấn lướt sang kiểu tế bào mới khác ở hàng xóm, giải quyết nhu cầu háu đói, địa bàn dinh dưỡng. 

Các cụ nói: “Đói thì đầu gối cũng phải bò”. Các tế bào UT khoẻ mạnh túa ra phát tán tìm kiếm chỗ có nhiều dinh dưỡng hơn, đỡ phải chen chúc bọn háu đói khác, hoặc đơn giản chỉ là vài tên tế bào UT yếu đuối bị bọn khoẻ ủn ra khỏi cứ điểm, trôi lang thang trên hệ thống đường máu nuôi cơ thể(blood stream) hoặc hệ kênh rạch bạch huyết chuyên đào thải và thu dọn tế bào yếu/chết (lymphs). Bọn "tổ công tác xa mẹ" tế bào UT này thông qua hệ thống đường và kênh rạch này để lang thang rồi bấu víu vào các miền đất hứa khác trong quá trình di chuyển. Nếu cơ thể ko khoẻ mạnh, chúng sẽ nhanh chóng lũng đoạn hệ thống quản lý khu vực đó và tạo lập căn cứ địa UT mới. 

Ở cơ thể chúng ta, khu vực nội tạng, ví như phổi, có hệ thống giao thông máu và bạch huyết nhằng nhịt nhất nên cơ hội bị bọn “tổ công tác lưu động” UT này đồn trú là khá cao. Một khu vực khác là não, không những có nhiều “đường xá giao thông", ở não còn là nơi hấp thụ, giao nhận hàng hoá chất dinh dưỡng nhiều bậc nhất của cơ thể. Bình thường, cơ thể người cung cấp dinh dưỡng cho não gấp 10 lần những khu vực khác. (Trọng lượng não/ cơ thể chiếm có 2% nhưng tiêu thụ năng lượng tới 20% tổng số năng lượng tiêu hao hàng ngày).

Có lẽ, đó cũng là lý do, hầu hết các dạng ung thư, khi di căn hay mò lên luôn não hoặc tấn công tràn lan vào lục phủ ngũ tạng???

QUAN ĐIỂM VỀ XỬ LÝ:

Từ góc độ cảm thụ bản chất ở trên, tôi cho rằng cơ thể chúng ta có thể gọi các tế bào UT là đồng chí/ đồng sinh, đồng hương hay đồng gốc gì gì cũng được. Ít ra không phải ai xa lại cả. 

Các cách xử lý hay gặp hiện tại đều có mặt mạnh và mặt yếu. 

(1)Tổng tấn công trực diện: Phẫu thuật, mổ xẻ, cắt, loại bỏ, chiếu tia xạ trị, bơm thuốc hoá trị để loại bỏ tế bào UT và các cứ điểm UT. Cách này đánh nhanh,đánh cả cụm lớn nhưng tổn thất thương vong cũng không nhỏ. Cùng lúc đánh UT (bản chất là quân ta) thì khác gì tiện đường diệt nốt quân mình đâu (các tế bào khoẻ mạnh khác). Phẫu thuật thì đã rõ, đôi khi không tận diệt gọn hết được mà chỉ làm bọn tế bào UT nó tán loạn ra, dễ thành di căn. Vì thế, cách này thường đi kèm luôn với xạ trị, hoá trị, đánh vào đám tàn quân tứ tung trong cơ thể khi chúng đang suy yếu. Xạ trị thì khi tia sáng chiếu đến được chỗ bọn UT thì trên đường đi cũng tạt vỡ mẹt cả rổ tế bào thường. Hoá trị cũng vậy, bọn khoẻ mạnh nhưng đời sống ngắn, thường xuyên copy như tóc phần lớn sẽ bị chết lây theo. Suốt đợt hoá trị, hiếm có ông nào mà tóc tai tươi tốt cả. Tất nhiên, nếu đi chi tiết hơn, khoa học tiên tiến sẽ có xạ trị được chỉ điểm (marked) hay hoá trị đánh dấu (targeted). Cơ bản dựa trên đặc tính háu đói của UT thì phải ăn tham, ăn nhiều thì dính độc hoá trị cũng nhiều mà chết thôi. Gần đây, cũng có thêm các bước tiến lớn về phản sinh học (antibiotic) hoặc cách dùng men bổ sung, kích thích các vi sinh vật có lợi cả triệu tỷ con sẵn có cộng sinh trong cơ thể chúng ta (friendly micro-orgasms [bacteria]) tham gia tấn công các cứ điểm UT. 

(2)Chiến tranh nhân dân, giành lại quyền kiểm soát: Đây là cách cá nhân tôi có thiên hướng thiên vị hơn nên cũng dành thời gian tìm hiểu nhiều hơn. Tôi,về bản chất, một tế bào khoẻ mạnh luôn tự nhận mình là bạn tốt (dù không mong muốn) của các ông hàng xóm UT. Tôi sẽ phải làm gì để bảo vệ mình trước các ông bạn “xấu tính" này ? Đồng thời, làm gì để có thể cảnh báo các quan chức trong hệ thống quản lý chú ý và kiểm soát lại các ông bạn không mong đợi ấy? Rồi từng bước tế bào tôi cũng sẽ phải giúp sức thế nào để hệ thống quản lý có lại quyền kiểm soát? Đó là những câu hỏi tôi muốn tìm kiếm lời giải đáp trong chuyến hành trình của mình… (còn nữa)