[[443226]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

最近，NLP明星公司Hugging Face發布了一個叫做Infinity的產品，可以以1ms延時完成Transformer的推理，性能相當高了。

但是，厲害歸厲害，還是有點貴——1年至少要十幾萬塊 （2萬美元）。

那有沒有什么平替的方法呢？

有的！還是開源的、“不費吹灰之力”就可以達到Infinity一些公共基準的那種。

并且現在，通過在該方法上施加一個小trick，將Transformer的推理速度提高4.5倍！

那么，一個“平替”到底為什么能達到“付費”的效果呢？

一個trick讓Transformer推理速度提高4.5倍

先來認識一下這個方法：Transformer-deploy。

它可以用一行命令優化和部署Hugging Face上的Transformer模型，并支持大多數基于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用起來有點難，但它確實能比用Pytorch快5～10倍。

在實際性能測試中，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，都比付費的Hugging Face Infinity要快：

Transformer-deploy在token為16時要1.52ms，Infinity則需要1.7ms；token為128時需要1.99ms，Infinity則需要2.5ms。

那前面說的能讓Transformer的推理性能進一步提高的小trick是什么呢？

GPU量化（quantization）。

作者表示：

據我所知，目前任何OOS云服務都還沒用到過這個方法。

不過執行GPU量化需要修改模型源代碼（需在矩陣乘法等代價高昂的操作上添加一些叫做QDQ的特定節點），既容易出錯，又很無聊，并且還需自己維護修改后的代碼。

因此作者已經為多個基于Transformer的模型手動完成了這項工作。

后來，他們又發現似乎只需修補模型模塊的抽象語法樹 （AST）也可以自動完成。

在用戶端，在GPU上執行模型的基本量化類似這樣：

最終，該方法在Roberta-base模型和MNLI數據集（分類任務）上實現了4.53倍的推理速度。

當然這也犧牲了0.4個點的精度；如果一點不犧牲的話，也可以加速3.2倍左右。

作者表示，與Transformer-deploy原來的版本相比，這已經是一個很大的改進了，畢竟原版本的加速成本需要超過1個點的精確度。

最終他們用Albert、Bert（包括miniLM）、Distilbert、Roberta（包括 Camembert、XLM-R、DistilRoberta等）、Electra測試了該trick。

結果是對于任何可以導出為ONNX格式的Transformer模型，都可以“開箱即用”。