本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

近年來，基于Transformer的模型，可以說是在NLP界殺出了一片天地。

雖然在提高模型模型精度上，Transformer發(fā)揮了不容小覷的作用，但與此同時，卻引入了更大的計算量。

那么，這個計算量有多大呢？

來看下數(shù)據(jù)。

因此，實現(xiàn)一個能充分發(fā)揮CPU/GPU硬件計算能力的Transformer推理方法，就成了急需解決的問題。

近日，騰訊便開源了一個叫TurboTransformers的工具，對Transformer推理過程起到了加速作用，讓你的推理引擎變得更加強(qiáng)大。

這個工具已經(jīng)在微信、騰訊云、QQ看點等產(chǎn)品中廣泛應(yīng)用，在線上預(yù)測場景中可以說是“身經(jīng)百戰(zhàn)”。

Turbo具有如下三大特性：

• 優(yōu)異的CPU/GPU性能表現(xiàn)。
• 為NLP推理任務(wù)特點量身定制。
• 簡單的使用方式。

值得一提的是，TurboTransformers，是騰訊通過Github對外開源的第100個項目。

那么，具有如此“紀(jì)念意義”的開源工具，到底有多厲害？

接下來，我們將一一講解。

多項性能測試“摘桂冠”

Turbo在CPU/GPU性能上的表現(xiàn)可以說是非常優(yōu)異。

在多種CPU和GPU硬件上獲得了超過pytorch/tensorflow和目前主流優(yōu)化引擎的性能表現(xiàn)。

CPU上的測試結(jié)果

首先，是在CPU 硬件平臺上，測試了 TurboTransformers 的性能表現(xiàn)。

選擇 pytorch、pytorch-jit 和 onnxruntime-mkldnn 和 TensorRT 實現(xiàn)作為對比。

性能測試結(jié)果為迭代 150 次的均值。為了避免多次測試時，上次迭代的數(shù)據(jù)在 cache 中緩存的現(xiàn)象，每次測試采用隨機(jī)數(shù)據(jù)，并在計算后刷新的 cache 數(shù)據(jù)。

下圖是Intel Xeon 6133 CPU的性能測試結(jié)果。

GPU上的測試結(jié)果

其次，是在GPU硬件平臺上，測試了 TurboTransformers 的性能表現(xiàn)。

選擇對比的對象分別是：pytorch、NVIDIA Faster Transformers、onnxruntime-gpuTensorRT。

性能測試結(jié)果為迭代 150 次的均值。

下圖是在NVIDIA RTX 2060 GPU的性能測試結(jié)果。

接下來，是在NVIDIA P40 GPU的性能測試結(jié)果。

最后，是在NVIDIA V100 GPU的性能測試結(jié)果。

Turbo技術(shù)原理

能夠取得如此好的推理性能，這背后的計算原理又是什么呢？

TurboTransformers的軟件架構(gòu)如下圖，它讓微信內(nèi)部眾多NLP線上應(yīng)用能夠充分榨取底層硬件的計算能力，讓算法更好地服務(wù)的用戶。

具體來說TurboTransformers可以在算子優(yōu)化、框架優(yōu)化和接口部署方式簡化三個方面做了工作。

算子層優(yōu)化

Transformer都包含了什么計算呢？

如下圖所示，圖(a)展示了論文Transformer結(jié)構(gòu)示意圖，這里稱灰色方框內(nèi)的結(jié)構(gòu)為一個Transformer Cell，BERT encoder堆疊了Nx個這樣的Transformer Cell。

圖(b)將一個Cell的細(xì)節(jié)加以展開，每一個矩形都是一個獨立的計算核心。

Transformer Cell計算包含了8個GEMM(通用矩陣乘法，General Matrix Multiplication)運算。通過調(diào)優(yōu)Intel MKL和cuBLAS的GEMM調(diào)用方式來獲得最佳GEMM性能。

并且在硬件允許條件下，在GPU上使用tensor core方式進(jìn)行GEMM運算。

類似NVIDIA FasterTransformers方案，將所有GEMM運算之間的計算融合成一個調(diào)用核心。融合會帶來兩個好處，一是減少了內(nèi)存訪問開銷，二是減少多線程啟動開銷。

對于這些核心，在CPU上采用openmp進(jìn)行并行，在GPU上使用CUDA進(jìn)行優(yōu)化實現(xiàn)。

對于比較復(fù)雜的LayerNorm和Softmax算子，它們包含了不適合GPU上并行的規(guī)約操作，TurboTransformers為它們設(shè)計了創(chuàng)新并行算法，極大降低了這些算子的延遲。

理論上Transformers推理延遲應(yīng)該近似于矩陣乘法延遲。

框架層優(yōu)化

TurboTransformers采用了一個有效的內(nèi)存管理方式。

由于NLP的采用變長輸入特性，每次運算中間結(jié)果的大小其實并不相同。為了避免每次都分配釋放內(nèi)存，研究人員通過Caching方式管理顯存。

為了能夠無縫支持pytorch/tensorflow訓(xùn)練好的序列化模型，提供了一些腳本可以將二者的預(yù)訓(xùn)練模型轉(zhuǎn)化為npz格式，供TurboTransformers讀入。

特別的，考慮到pytorch huggingface/transformers是目前最流行的transformers訓(xùn)練方法，支持直接讀入huggingface/transformers預(yù)訓(xùn)練模型。

應(yīng)用部署

Turbo提供了C++和Python調(diào)用接口，可以嵌入到C++多線程后臺服務(wù)流程中，也可以加入到pytorch服務(wù)流程中。

研究人員建議TurboTransformers通過docker部署，一方面保證了編譯的可移植性，另一方面也可以無縫應(yīng)用于K8S等線上部署平臺。

傳送門

GitHub項目地址：https://github.com/Tencent/TurboTransformers/blob/master/README_cn.md