讓Transformer的推理速度提高4.5倍，這個(gè)trick還能給你省十幾萬(wàn)
本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。
最近，NLP明星公司Hugging Face發(fā)布了一個(gè)叫做Infinity的產(chǎn)品，可以以1ms延時(shí)完成Transformer的推理，性能相當(dāng)高了。
但是，厲害歸厲害，還是有點(diǎn)貴——1年至少要十幾萬(wàn)塊 （2萬(wàn)美元）。
那有沒有什么平替的方法呢？
有的！還是開源的、“不費(fèi)吹灰之力”就可以達(dá)到Infinity一些公共基準(zhǔn)的那種。
并且現(xiàn)在，通過在該方法上施加一個(gè)小trick，將Transformer的推理速度提高4.5倍！
△ 帖子發(fā)布不到一天就收獲了250+熱度
那么，一個(gè)“平替”到底為什么能達(dá)到“付費(fèi)”的效果呢？
一個(gè)trick讓Transformer推理速度提高4.5倍
先來認(rèn)識(shí)一下這個(gè)方法：Transformer-deploy。
它可以用一行命令優(yōu)化和部署Hugging Face上的Transformer模型，并支持大多數(shù)基于Transformer編碼器的模型，比如Bert、Roberta、miniLM、Camembert、Albert、XLM-R、Distilbert等。
Transformer-deploy推理服務(wù)器用的是Nvidia Triton。
推理引擎為Microsoft ONNX Runtime（用于CPU和GPU推理）和Nvidia TensorRT（僅限 GPU）。
如果想在GPU上獲得一流的性能，Nvidia Triton+Nvidia TensorRT這樣的組合無疑是最佳選擇。
雖然TensorRT用起來有點(diǎn)難，但它確實(shí)能比用Pytorch快5～10倍。
在實(shí)際性能測(cè)試中，Transformer-deploy在batch size為1、token分別為16和128的輸入序列中的推理速度，都比付費(fèi)的Hugging Face Infinity要快：
Transformer-deploy在token為16時(shí)要1.52ms，Infinity則需要1.7ms；token為128時(shí)需要1.99ms，Infinity則需要2.5ms。
那前面說的能讓Transformer的推理性能進(jìn)一步提高的小trick是什么呢？
GPU量化（quantization）。
作者表示：
據(jù)我所知，目前任何OOS云服務(wù)都還沒用到過這個(gè)方法。
不過執(zhí)行GPU量化需要修改模型源代碼（需在矩陣乘法等代價(jià)高昂的操作上添加一些叫做QDQ的特定節(jié)點(diǎn)），既容易出錯(cuò)，又很無聊，并且還需自己維護(hù)修改后的代碼。
因此作者已經(jīng)為多個(gè)基于Transformer的模型手動(dòng)完成了這項(xiàng)工作。
后來，他們又發(fā)現(xiàn)似乎只需修補(bǔ)模型模塊的抽象語(yǔ)法樹 （AST）也可以自動(dòng)完成。
在用戶端，在GPU上執(zhí)行模型的基本量化類似這樣：
最終，該方法在Roberta-base模型和MNLI數(shù)據(jù)集（分類任務(wù)）上實(shí)現(xiàn)了4.53倍的推理速度。
當(dāng)然這也犧牲了0.4個(gè)點(diǎn)的精度；如果一點(diǎn)不犧牲的話，也可以加速3.2倍左右。
作者表示，與Transformer-deploy原來的版本相比，這已經(jīng)是一個(gè)很大的改進(jìn)了，畢竟原版本的加速成本需要超過1個(gè)點(diǎn)的精確度。
最終他們用Albert、Bert（包括miniLM）、Distilbert、Roberta（包括 Camembert、XLM-R、DistilRoberta等）、Electra測(cè)試了該trick。
結(jié)果是對(duì)于任何可以導(dǎo)出為ONNX格式的Transformer模型，都可以“開箱即用”。
