[[424530]]

一、背景

近年來，人工智能逐漸在安防，教育，醫療和旅游等工業和生活場景中落地開花。在攜程旅游業務上，AI技術同樣廣泛覆蓋了多個旅游產品和旅游服務領域，攜程度假AI研發根據旅游的特定場景和業務需求，將自然語言處理，機器翻譯，計算機視覺，搜索排序等主流AI技術成功應用于旅游度假的多個業務線，例如自由行，跟團游，簽證，玩樂和租車等。

從技術角度，為了適應不同的業務場景需求，涉及到多種AI技術，包括傳統機器學習，卷積神經網絡，Transformer等深度學習模型結構，以及知識圖譜和圖神經網絡等技術領域。同時，為了充分挖掘AI技術的優勢，模型設計復雜度日漸提升，包括模型深度，寬度以及結構復雜度等各個維度，計算量的增大使得AI推理性能瓶頸日益凸顯，尤其是實時性的業務需求對推理速度要求更高。為了追求最佳推理性能，往往需要手動進行逐個優化，涉及的開發，部署和溝通成本都很高。主要問題集中在：

• 模型結構種類多，性能瓶頸差異較大，適用的優化方法各有不同，手動優化成本高；
• 優化方法眾多，自上而下，涉及多種模型壓縮方式，系統級，運行時優化等，手動優化門檻高；
• 逐個手動優化，可推廣性差，技術覆蓋面有限；
• 硬件平臺的差異，需要針對性調優，導致優化的人力成本和部署成本都很高；
• 新模型的發布和迭代，需要應用優化方法，涉及較高的溝通和接入成本，同時帶來了性能的不穩定性；
• 模型壓縮技術對不同模型的優化效果有所差異，可能需要進行模型的再訓練，訓練和數據準備流程較長，效率低下。

因此，為了降低優化，部署和迭代成本，提高工作效率，并保證性能穩定，我們嘗試搭建模型自動化優化平臺，旨在為算法模型提供更全面易用，穩定性更好，使用和維護成本更低的優化解決方案。

二、優化平臺的主要框架

從性能優化方法論的角度，無論是自動優化還是手動優化，主要關注以下兩大方向：

• 降低算法復雜度：可通過調整或簡化模型結構，或者保持結構不變，改進算法實現效率；
• 充分發揮軟硬件性能：模型結構和算法不變，優化軟件執行效率，使用硬件優勢特征，最大化硬件執行效率。

圍繞這兩大優化方向以及人工智能的主流技術方向，優化平臺的整體架構層自下而上可以劃分為：

• 硬件平臺和操作系統層，包含x86架構的CPU，GPU，ARM，FPGA等多種平臺，操作系統主要是Linux OS；
• 引擎框架層，主要是Tensorflow，Pytorch等人工智能主流框架；
• 推理優化層，主要是由我們結合業務場景和實際需求進行自主研發的優化技術，包含高性能算子庫，圖優化和修改工具以及量化蒸餾等模型壓縮模塊；
• 算法模型：包含業界常用模型，例如以卷積為主要結構的CV模型，Resnet，GoogleNet，YOLO等；以Transformer為主要結構的NLP模型Bert，Albert等；
• 應用場景：主要體現在旅游場景中的實際應用，例如智能客服平臺，機器翻譯，搜索排序等應用。

 

 

 

三、自動化優化流程

優化平臺的搭建能夠系統有效地將優化技術整合起來，并快速應用于實際需求，但是如果不實現自動化優化，優化效率比較低，部署和迭代成本，溝通和接入成本高。因此我們建立了自動化優化流程，將所支持的優化技術涵蓋在內，結合模型訓練平臺，數據標注平臺，從模型設計，模型訓練到模型推理優化，模型部署全鏈路，實現零介入無感知的優化效果，大大提升工作效率以及整體優化效果的穩定性。

圖2所示為數據平臺，模型訓練平臺，模型優化和部署的大概流程。具體有哪些優化手段，如何進行自動化實現的流程細節如圖3所示。

 

 

 

 

 

 

 

 

 

四、功能模塊

自動化優化平臺的主要功能模塊分四部分：

• 高性能算子庫，包括算子重寫，算子合并等多個優化，支持attention，softmax，Layer norm等多個常用算子；
• 計算圖優化，主要進行計算圖搜索，修改替換模型圖結構，合并生成新的模型文件進行推理部署；同時包含常用的圖優化和修改工具；
• 模型壓縮模塊，包括模型靜態和動態量化，模型剪枝和蒸餾等；
• 模型部署優化，主要提供部署的優化方案，包括部署設計，運行時環境配置等。

 

 

 

 

4.1 高性能算子庫

該模塊主要實現了常用的算子以及激活函數，包含基礎算子，例如卷積，全連接層，batch norm，softmax等等以及合并后的經典的模型結構，例如transformer encoder，decoder等，基于tensorflow實現，采用c++實現，支持CPU和GPU平臺的優化。

具體的優化方法涵蓋了：

• 算法改進，例如卷積算法的實現，將im2col和winograd卷積相結合，針對不同卷積核大小自適應使用最佳算法，實現最快的速度；
• 內存重構，以BERT模型為例，最核心也是最耗時的計算模塊之一就是多頭自注意力機制multi-head self-attention，包含了大量的矩陣乘法計算，根據算法原理，包括query層，key層和value層的獲取，query和key點乘等等，更重要的是當前的tensorflow算法實現包含了大量的行列變換操作（transpose），transpose帶來大量的內存訪問開銷，這些問題可以通過內存重構來避免。
  同時很多矩陣乘法實現可以通過批量矩陣乘法調用提升計算效率，從而帶來運行速度的提升。如下圖5所示，self-attention機制原始實現流程包含了三次冗余的transpose操作，T（a）表示張量a的transpose形式。通過對內存重構可以避免這三次transpose操作。如圖6所示，優化后的計算流程不包含transpose。

 

 

 

 

 

 

 

 

二者對比，可以明顯看出，優化后減少了4次transpose操作，也就是減少了內存訪問的開銷，同時對于矩陣乘法，調用批量矩陣乘法替代單個矩陣乘法操作，效率更高。

• Intrinsic指令集優化，例如在CPU平臺使用合適的向量化指令AVX512以及專門針對AI的VNNI指令等；
• 算子融合，以transformer為例，每一層包含大量的零散算子，包括self-Attention，GELU激活函數，歸一化Layer Normalization算子等多個零散算子，為了減少數據訪問開銷，將多個算子進行融合，實現新的GPU kernel。通過算子合并，算子數量減少約90%，模型涉及內存搬移的操作去除率100%，90%的時間集中在核心計算的kernel launcher。如圖7所示。

 

 

 

 

4.2 模型壓縮

模型壓縮是提升推理性能的另一個有效手段，主要是指在算法層面上的模型優化，保證精度的前提下，通過合理的降低模型結構或者參數量，從而實現減少整個模型計算量的目的。

模型壓縮的主要作用有：

• 簡化模型結構，降低計算復雜度，提升推理速度
• 減少模型參數和模型尺寸，降低對內存的占用。

宏觀上來講，當前的優化平臺支持的模型壓縮方法有模型蒸餾，模型剪枝，低精度量化等。

4.2.1 模型蒸餾

模型蒸餾采用的是遷移學習，通過預先訓練好的復雜模型（Teacher model）的輸出作為監督信號去訓練另外一個簡單的學生網絡（Student Model），從而實現對模型的簡化，減少模型參數。模型蒸餾普遍性很強，可有效提升小模型準確率，但是調參相對困難，主要的核心的問題包括，如何選擇特征層如何設計損失函數，學生模型的設計和數據集的選擇等等。圖8是我們壓縮框架中實現的對Transformer的decoder模型的蒸餾實現。

 

 

 

 

總損失函數構成：

其中α和β分別表示相應的損失值權重系數，α∈(0,1]，β∈R，Lsoft是 Teacher網絡的輸出與Student網絡模型輸出的損失值，Lhard - 訓練數據語料真實標簽與Student網絡模型輸出的損失值，LAT_FMT - Teacher和Student網絡模型的Decoder 的中間輸出內容損失值，采用逐級分層蒸餾的方法，最終推理速度加速比達到2倍，精度損失BLEU值在可接受范圍內（4%）。

4.2.2 低精度量化

低精度量化更多是從計算機硬件的設計角度，修改數據類型，降低數據精度，從而進行加速，依賴于硬件實現。量化的方式也包含多種，訓練后量化（PTQ post training quantization），訓練時量化（QAT，quantization aware traning）等。

目前我們優化平臺支持float16和int8，其中int8量化只支持PTQ方式，一般情況下，為了保證模型精度，采用int8量化需要對量化后的模型校準，校準方式實現依賴于復雜的數學算法，目前較常用的是KL散度，對于CV模型，精度損失可接受。對于基于Transformer的NLP模型，精度損失較大，我們目前只支持GPU平臺的float16實現。相比于float32，存儲空間和帶寬減半，精度幾乎無損失，吞吐提升可達3倍。

4.2.3 模型剪枝

剪枝的主要思想是將權重矩陣中相對“不重要”的權值剔除，然后再對網絡進行微調；方法簡單，壓縮效果可控，但是在剪枝粒度和方法選擇需要認為定義規則，而且非結構化的剪枝效果需要依賴于硬件平臺實現。模型剪枝在計算機視覺領域廣泛使用，并取得了不錯的效果。

圖9舉例實現了一種典型的結構化剪枝的方法[4]。我們針對CV模型，在原始模型中加入batch_normal層，對batch_normal的參考論文2：ChannelPruning for Accelerating Very Deep Neural Networks論文中提出利用channel進行剪枝，實驗如下：在超分辨率的實驗中，考慮在原始模型中加入batch_normal層，然后對batch_nomal的α值做正則化，最后利用該值作為依據進行剪枝，對訓練好的模型中的batch_normal層的參數α進行分析，針對不同的卷積模型應用同樣的方式，發現有些模型有近一半的參數在1e-5數量級，此外同一層中的分布方差極小，據此對模型進行通道級別的剪枝并進行fine tune訓練，剪枝效果明顯，模型大小減少到原來的1/4，精度不變的前提下，加速比可達4倍。而對于yolov3模型，大部分參數差異不大（MAP降低2%），可剪掉的有限，所以為了保持精度，參數量減半，加速比1.5x左右。

 

 

 

 

 

 

4.3 接口設計

模型優化平臺采用即插即用的模塊化設計，可無縫對接模型訓練平臺，模型發布平臺等。

• 訓練平臺的調用和反饋：無縫對接訓練平臺，python接口調用或者web服務接口；如果需要重新訓練，向訓練平臺申請接口；
• 優化結果的接口提供：支持*.pb格式的模型輸出；

具體使用方式如圖10和圖11所示。

 

 

 

 

圖11給出了模型壓縮模塊的調用方式。

 

 

 

 

五、優化成果

以實際應用機器翻譯的Transformer模型為例，所測試平臺為CPU: Intel(R) Xeon(R) Silver 4210CPU @ 2.20GHz; GPU：Nvidia T4，以固定算例的平均響應延遲為測試數據，優化后和優化前的加速比如下圖12所示。

其中，原始性能基于tensorflow1.14為測試基準，在GPU平臺框架層優化和編譯運行時等多層優化實現，圖13是Transformer翻譯模型基于T4平臺使用模型壓縮和高性能算子庫優化之后的對比結果，圖中給出的是token長度為64，不同batch大小時的延遲和吞吐提升比例，實際中token越大，float16的優勢越明顯。

 

 

 

 

基于CPU硬件平臺，針對CV和NLP模型（例如yolov3，bert和albert等），也取得了不錯的優化效果，延遲加速比最高達到5倍以上。

六、未來展望

AI優化的潛力和需求很大，因為AI理論和模型的日益完善，應用場景對模型精度等推理服務質量的更高要求，必然使得模型結構和計算復雜度越來越高，對推理服務的性能需求只會有增無減。從成本和效率多個角度考慮，自動優化是必然趨勢，并且業界也都陸續開展了相關研究，取得了一些進展。

依舊從兩方面來看，同樣是基于自動化優化這個大方向，算子優化等系統級優化最終都會通過tvm等AI編譯器實現，而模型壓縮則側重于使用AutoML的思想，基于當前平臺和實際需求，通過結構搜索找到符合要求的最簡化的網絡。當然，當前的蒸餾，剪枝等傳統壓縮方法也可以跟AutoML的思想相結合，同樣能夠高效地實現壓縮效果。

因此，我們的自動化優化平臺也正是基于自動化優化的思路，綜合考慮業務場景需求，參考業界更先進的優化技術，為旅游場景的AI模型帶來更加高效的優化方案，推動AI技術在旅游業務更好落地。