1、搜索語義模型現(xiàn)狀

ERNIE: Enhanced Representation through Knowledge Integration是百度在2019年4月的時候，基于BERT模型做的進一步優(yōu)化，在中文的NLP任務上得到了state-of-the-art的結果。

近年來，ERNIE 1.0/2.0/3.0等語義模型在搜索各個重點業(yè)務場景下得到了廣泛應用，包括相關性、排序等多個子方向，消耗了大量GPU資源。每個業(yè)務方向一般由多個模型組成鏈路來完成最終計算，整體搜索業(yè)務所涉及的模型數(shù)量多、迭代快。目前，線上全流量模型超過幾百個，月級迭代近百次。語義模型的大量應用對搜索產(chǎn)生了巨大影響，相關業(yè)務指標對模型精度的變化非常敏感?？偟膩碚f，在模型壓縮技術的工程實踐中，推理性能、業(yè)務指標和迭代效率三者的優(yōu)化目標應當統(tǒng)一考慮：

1、推理性能：采用INT8量化，ERNIE模型的性能加速平均達25%以上。其主要影響因素包含輸入數(shù)據(jù)量大?。╞atch size、sequence length等）、隱藏節(jié)點數(shù)、非標準網(wǎng)絡結構與算子融合優(yōu)化。

2、業(yè)務指標：以某相關性場景下的ERNIE模型為例，模型輸出在數(shù)值上的diff率不超過1%，在離線測試集上的評價指標達到幾乎無損。

3、迭代效率：離線量化達小時級，流水線式快速產(chǎn)出量化模型，不阻塞模型全生命周期的相關環(huán)節(jié)（如模型多版本迭代、小流量實驗、全量化推全等）。

2、模型量化簡述

簡而言之，模型量化就是將高精度存儲（運算）轉換為低精度存儲（運算）的一種模型壓縮技術。優(yōu)勢如下：

更少的存儲開銷與帶寬需求：如每層權重量化后，32位比特壓縮到8比特甚至更低比特，模型占用空間變?。粌?nèi)存訪問帶寬的壓力自然也會變小。

更快的計算速度：單位時間內(nèi)執(zhí)行整型計算指令比浮點計算指令更多；另，英偉達安培架構芯片還有專用INT8 Tensor core。

如果我們從不同的技術角度來看待它，那么：

• 從映射函數(shù)是否是線性，分為線性和非線性。非線性量化計算較為復雜，一般主要研究線性量化，其公式如下：Q = clip(round(R/S) + Z)，其中R: high precision float number，Q：quantized integer number，s：scale，z：zero point。
• 從零點對應位置區(qū)分，線性量化又分為對稱和非對稱。

圖片

△圖1：對稱與非對稱量化

以矩陣乘為例，計算公式如下：

???????? = ???????????????? = ????????????????

???????? = ????(???? ? ????) ????(???? ? ????) = ???????????????? ? ???????????????? ? ???????????????? + ????????????????

在實際應用中，兩者精度差異不大，對稱量化在推理上更容易實現(xiàn)、計算更快。

• 從量化粒度上，分為逐層量化、逐組量化和逐通道量化。第一種在推理上最易實現(xiàn)，性能更好，一般應用在輸入矩陣。第二和第三種在推理上難實現(xiàn)，但業(yè)務精度好，一般應用在權重矩陣。
• 從浮點矩陣中統(tǒng)計最大值是否截斷上，分為飽和量化和非飽和量化。一般權重采用非飽和量化；輸入/輸出矩陣數(shù)據(jù)分布不均勻，采用飽和量化。
• 從是否參與訓練上，分為訓練后量化（Post-Traning Quantization，PTQ）和量化感知訓練（Quantization Aware Training, QAT）。從實踐上看，前者性價比最高，在精度損失可接受范圍內(nèi)能夠快速產(chǎn)出量化后模型，并獲得不錯的性能加速；后者需要結合訓練來看，往往是在PTQ造成精度損失過大時采取的進一步手段。

圖片

△圖2：PTQ與QAT流程

• 從是否在推理中動態(tài)生成尺度因子，分為在線（動態(tài)）量化和離線（靜態(tài)）量化。在線量化需要在推理過程中根據(jù)實際激活計算量化參數(shù)，會影響推理速度。

3、訓練后量化

結合實際的應用場景，我們率先對訓練后INT8量化技術進行了細致研究和大規(guī)模實踐。本文中涉及到的硬件測試環(huán)境為GPU A10，CUDA 11.2，TensorRT8，工具鏈包括PaddlePaddle、PaddleInference、PaddleSlim等。

3.1 量化損失的精細化分析

低精度表示空間遠遠小于高精度表示空間，無論采用何種校準方法和校準數(shù)據(jù)，量化一定會帶來不同程度上的數(shù)值誤差。為了盡可能的減小誤差、不影響模型業(yè)務指標，那么誤差的來源和解決方案應當被全面細致地探究與分析。比如，哪些算子適合量化，每個算子量化后帶來的端到端誤差如何衡量，能否將誤差較大的部分算子不作量化等問題。

3.1.1 量化算子的選擇

通常情況下，應該優(yōu)先對計算密集型算子（如mul、matmul；conv2d、depthwise_conv2d；pooling(pool2d)；concat；elementwise_add等）進行量化，對非線性算子（如softmax，tanh，sigmoid，GeLU等）和非計算密集layer的算子不做量化。

圖片

△圖3：ERNIE模型經(jīng)過算子融合后的FP16推理耗時占比情況

在ERNIE模型推理時，利用性能分析工具（nsight等）觀察會發(fā)現(xiàn)，F(xiàn)C（對應paddle中mul）相關kernel耗時占比超過70%，BGEMM（對應paddle中matmul）相關kernel占比接近10%。因此可以重點從這兩類算子入手進行量化，某線上ERNIE模型（輸入數(shù)據(jù)batch size=10，max sequence length=128）的測試情況如下：

圖片

△圖4：ERNIE模型FP16和INT8推理時性能加速與離線指標對比

對于FC，如果按照在推理時算子融合后網(wǎng)絡中所處的位進行劃分的話，可以人為地分成4類：

• QKV FC：推理時Q、K、V位置的3個FC會被融合在1個kernel進行計算，后續(xù)將其作為一個整體來看待。
• multi-head att-FC：經(jīng)過多頭注意力計算后的線性算子。
• FFN FC：FFN中的2個FC，第1個FC和激活函數(shù)（如relu）會融合成1個kernel，第2個FC是獨立的kernel。
• 業(yè)務FC（未體現(xiàn)在示意圖中）：在主體ERNIE結構后增加若干FC進行微調(diào)，應用于不同的業(yè)務場景。推理時可能也會有算子融合操作。

之所以按照上述方式進行劃分：一是劃分粒度更精細，便于觀察和判定量化誤差來源；二是盡可能與當前的推理實現(xiàn)邏輯保持一致，減少不必要的復雜改動。在算子類別+數(shù)量的多重組合下，更細粒度的量化，能更好地平衡性能加速和精度。

3.1.2 量化算子的敏感性

某層算子量化不當所帶來的損失會在層間逐漸傳遞累積，模型層數(shù)越深、寬度越大，損失可能也會越大。每層內(nèi)算子的量化誤差對端到端指標的影響也是不一樣的。在實踐中，不同業(yè)務場景或者不同模型版本之間，量化后的業(yè)務指標損失不同，不一定都能在可接受范圍內(nèi)。這種情況下，最直接的方法是找出造成損失較大的算子，并將其跳過不做量化。被量化的算子減少，損失也會隨之降低。一個12層ERNIE模型結構中至少有12*6個FC算子，絕大部分按INT8計算，只有幾個仍按FP16計算，其性能加速變化不會大，模型指標損失卻能更小。通過遍歷每個FC算子對模型指標的敏感性大小，就能判定哪些FC可以不做量化。

圖片

△圖5：量化算子的敏感性分析方法

其中，打skip quant標記的粒度與上一節(jié)中提到的FC劃分方法保持一致，比如QKV內(nèi)3個FC全量化或全不量化。EMD距離是指量化前后在某個小數(shù)據(jù)集上的輸出值之間的分布距離，距離越小則被認為敏感性越強。

案例1：線上某ERNIE模型經(jīng)過多次微調(diào)迭代后，全FC量化后的離線評價指標下降了約1.4%。利用敏感性分析方法后，跳過前8個敏感FC后，量化模型的離線評價指標損失已經(jīng)很小，性能加速仍有30%以上。

圖片

△圖6：全FC量化與跳過4個FC不作量化時的推理加速與離線指標對比

案例2：線上某ERNIE模型，全FC量化后的離線評價指標下降了2%左右。只跳過前1個敏感FC后，就很好地拉回了離線評價指標。

圖片

△圖7：全FC量化與跳過1個FC不做量化時的推理加速與離線指標對比

通過這個方法，我們能很好地兼顧性能加速和模型精度。經(jīng)過大量實驗后發(fā)現(xiàn)，F(xiàn)FN內(nèi)FC往往更加敏感，對業(yè)務指標的影響更大。

3.1.3 數(shù)值統(tǒng)計分析

量化過程本質(zhì)上是尋找合適的映射函數(shù)，讓量化前后的輸入/出矩陣或權重矩陣更加擬合。溯源分析，輸入/出矩陣和權重矩陣分布情況從根本上決定了量化效果的好壞。對于量化效果極差的模型，一般會對相關矩陣再進行可視化地數(shù)值統(tǒng)計分析，這樣我們能夠發(fā)現(xiàn)是否存在大量異常點，校準算法是否適用等，進而倒推出更優(yōu)的解決方法。

圖片

△圖8：ERNIE模型某FC權重數(shù)值分布的直方圖統(tǒng)計

3.2 校準數(shù)據(jù)增強

校準數(shù)據(jù)的優(yōu)劣是決定量化損失大小的重要因素之一。

在搜索某資訊業(yè)務場景中，使用了多頭輸出（一個輸出打分對應一個子任務）的ERNIE模型，如下：

圖片

△圖9：多頭輸出的模型結構示意圖

針對這個模型進行量化時，采用了訓練時部分數(shù)據(jù)作為校準集，結果發(fā)現(xiàn)子任務二的離線效果變得很差。通過分析模型訓練微調(diào)的過程后，將子任務一和子任務二的訓練數(shù)據(jù)進行等比例混合隨機后再作為校準集，量化后的離線效果均得到了滿足。

圖片

△圖10：數(shù)據(jù)增強前，子任務一和子任務二在測試集上的打分分布情況

圖片

△圖11：數(shù)據(jù)增強后，子任務一和子任務二在測試集上的打分分布情況

校準數(shù)據(jù)是從訓練/測試數(shù)據(jù)中抽取的一個小集合，應當盡可能地保持數(shù)據(jù)分布的一致性。有些模型的離線測試集并不完善，離線指標不能很好的反應量化損失，也可能會出現(xiàn)離線效果與在線實驗評價不一致的情況，此時可以將在線數(shù)據(jù)混入離線數(shù)據(jù)共同作為校準數(shù)據(jù)。另外，模型迭代通常是在解決bad case，校準數(shù)據(jù)中也應當注意bad case的比例。

3.3 超參自動尋優(yōu)

量化包括不同的校準算法（正在使用avg、abs_max、mse、KL、hist等）、校準數(shù)據(jù)量大小（batch size/num）、是否開啟偏置校準等超參，不同模型采用一組相同的量化參數(shù)，其損失變化也不同，因此超參自動尋優(yōu)是必不可少的。一方面，通過自動化可以提高迭代效率；另一方面，更大的搜索空間能夠獲得比人工調(diào)參更優(yōu)的量化后模型。

圖片

△圖12：超參自動尋優(yōu)方法

具體實現(xiàn)步驟：

• 選擇初始若干組參數(shù)產(chǎn)出量化后模型，推理計算量化前后模型在校準集上的輸出值之間的分布距離（earth mover's distance，EMD）
• 根據(jù)超參和分布距離，構建隨機樹
• 隨機采樣若干組不同的參數(shù)組合，依次插入隨機樹內(nèi)進行推理并計算相關距離
• 按照上一個步驟中分布距離最短的若干組參數(shù)進行實際量化
• 從第一步再循環(huán)執(zhí)行，直到分布距離收斂

相比于人工調(diào)優(yōu)，這種方法能夠更快地搜尋到更優(yōu)的量化后模型。比如：

圖片

△圖13：超參自動尋優(yōu)實踐案例

實際上，同類型業(yè)務場景下，模型結構不會有很大變動，多次微調(diào)迭代后，超參自動尋優(yōu)的參數(shù)往往會被鎖定在一個小范圍內(nèi)。因此，我們會以類漏斗形式進行量化模型尋優(yōu)，即優(yōu)先在事先圈定的小范圍參數(shù)內(nèi)遍歷量化，損失不滿足要求后再進行大范圍的搜索。

3.4 效果評估

搜索業(yè)務場景多種多樣，離線評價方式各異。如果考慮量化方案的通用性和多維度評估能力，建設獨立量化損失評價指標是必要的。類似于EMD的距離度量，打分分桶分布等方法可以作為輔助性指標來使用。

△圖14：一組模型量化前后在測試集上打分/輸出的數(shù)值diff情況

4、量化感知訓練

相對于訓練后量化，量化感知訓練的模型精度更好，但流程較為復雜。一般情況下，量化感知訓練作為改善訓練后量化損失的進階技術手段。

4.1 無侵入式量化訓練

為了降低量化訓練難度，實際上我們會采用無侵入式方法，即推理模型+訓練數(shù)據(jù)。首先，對推理模型進行梯度恢復，轉換成參數(shù)可訓練的網(wǎng)絡，并插入fake quant op再轉換成量化后網(wǎng)絡；然后使用量化推理模型對量化后網(wǎng)絡進行塊量化損失監(jiān)督，進而降低量化損失。

4.2 全算子量化

因為精度問題，訓練后量化中一般只對部分算子做量化。進一步提升推理性能，對全算子量化的話，需要和量化感知訓練結合起來。全算子量化是除了mul或者matmul算子進行量化外，又增加了layer norm相關算子和中間傳參過程。

圖片

△全算子與部分算子INT8量化的模型網(wǎng)絡示意圖

全算子量化在中文場景下表現(xiàn)出一些特異性：

• 量化后激活分布異常值多，推理端量化累計誤差變大。
• QKV的輸出激活scale值較大，推理端中間層輸出為0，導致精度錯誤。

經(jīng)過摸索，可行的解決方案如下：

• 先進行訓練后量化，采用直方圖校準方式，將激活scale值限制在某個較小范圍內(nèi)。
• 固定離線量化產(chǎn)出的激活scale值，再進行權重逐通道的量化訓練。

在搜索相關性某ERNIE模型上，輸入數(shù)據(jù)batch size=20，max sequence length=128時，具體實驗情況如下：

圖片

△圖16：全算子INT8量化的性能加速與離線評價實驗結果

4.3 SmoothQuant

SmoothQuant是無訓練、保持精度和通用的訓練后量化方案，試圖解決大模型（>6.7B）量化問題。簡單來說，基于權重易量化、激活不易量化的事實，通過離線的數(shù)學等價變換將激活的難度遷移到權重上，將激活和權重都變得較容易量化。

圖片

△17：SmoothQuant核心原理 [1]

在某些量化損失較大的小模型上，我們采用量化感知訓練+SmoothQuant進行了相關實驗，也能有不錯的表現(xiàn)。比如：

圖片

△圖18：SmoothQuant實驗結果

5、展望

目前INT8量化技術已經(jīng)在線上大規(guī)模應用，使整體GPU資源利用效率得到了極大提升，也支撐了更多更復雜模型的演進。

通過總結大量實踐經(jīng)驗和技術調(diào)研，更低比特量化（如INT4）、INT8量化+Token剪枝多壓縮手段融合等正在實驗和落地中。

因為線上業(yè)務子方向眾多，模型多&迭代快，將實踐經(jīng)驗抽象出通用方案勢在必行，建設平臺化、流水線式管理模型整個生命周期能夠大幅度提高效率。同時，也可以將通用方法論應用到其他模型壓縮技術的工程應用上。

近期，大模型相關技術方向的研究相當火熱，模型壓縮也是熱點之一。初步調(diào)研后，在小模型上有效的技術手段有一部分是可以直接平遷到大模型上的，有一些則需要改進。比如，大模型訓練相當復雜，量化感知訓練看起來不是那么經(jīng)濟。根據(jù)相關業(yè)界動態(tài)，PTQ-Weight Only，LLM.int8()，SmoothQuant等技術正在被研究和使用。

 END

參考資料：[1]https://arxiv.org/pdf/2211.10438.pdf