TurboTransformers开源技术文档

项目背景

以BERT为代表的Transformer神经网络是近年来NLP领域最重要的模型创新，很多NLP任务，如阅读理解、文章摘要、语义分类、同义改写等，都通过采用BERT获得了显著的效果提升。但是，如下图所示，Transformer带来更高的模型精度的同时也引入了更多的计算量，使用Transformer的线上NLP服务的高效部署面临着巨大挑战。鉴于BERT在各大互联网公司的广泛应用，非常必要实现一个能发挥充分CPU/GPU硬件计算能力的Transformer推理方法。

在业界，Transformers模型的训练部分通常采用tensorflow或者pytorch这种训练框架完成。由于深度学习的训练和推理任务存在差异，训练框架直接应用于线上推理并不能得到极致的性能。众多算法工程师经常遇到模型效果很好，但是无法上线的问题。很多工作尝试弥合推理和训练之间实现差异的鸿沟，如onnxruntime、tensorRT、torchlib、XLA等，这些工作大多需要根据输入尺寸预先对计算图进行预处理和优化，以获得更好的推理时性能。和图像处理任务的输入常常没有变化不同，NLP推理任务输入尺寸多个维度会存在变化。实际推理时通过补零或者截断成整理成固定的输入尺寸，这样引入了额外补零计算开销，预处理优化的方案对NLP任务并不适用。

项目介绍

面对丰富的Transformer的线上服务场景，腾讯微信开源了名为TurboTransformers的Transformer推理加速工具。就像增压器turbo能跑给汽车的发动机引擎带来更强劲的功率，TurboTransformers也可以让你的Transformer推理引擎变强。它的特点是高速、实用、简单。它在CPU和GPU上力求取得业界最佳的性能表现。它支持变长输入序列，无需预处理更适合NLP任务。它支持C++和python方式调用，在pytorch基础上增加几行代码可以获得端到端BERT加速。

Turbo 具有如下特征  

1. 优异的CPU/GPU性能表现。

面向Intel多核CPU和NVIDIA GPU硬件平台，通过核心融合，TurboTransformers充分 发挥硬件的各层级计算能力。在多种CPU和GPU硬件上获得了超过pytorch/tensorflow和目前主流优化引擎（如onnxruntime-mkldnn/onnxruntime-gpu, torch JIT, NVIDIA faster transformers）的性能表现。

2. 为NLP推理任务特点量身定制。

TurboTransformers可以支持变长输入序列处理，且不需要预处理过程。

3. 简单的使用方式。

TurTurboTransformers支持python和C++接口进行调用。它可以作为pytorch的加速插件，在Transformer任务上，通过加入几行python代码获得的端对端加速效果。

TurboTransformers 已经应用腾讯内部于多个线上BERT服务服务场景。比如，微信的FAQ的服务获得1.88x加速，公有云情感分析服务获得2.11x加速，QQ推荐服务获得13.6x加速。

和其他工作的对比如下，TurboTransformers在性能，使用方式都具备优势。

技术创新

TurboTransformers的软件架构如下图，它让微信内部众多NLP线上应用能够充分榨取底层硬件的计算能力，让算法更好地服务 于 用户。

具体来说TurboTransformers可以在算子优化、框架优化和接口部署方式简化三个方面做了工作。

>>>  1. 算子层优化

让我们先看看Transformer都包含了什么计算。如下图所示，图(a)展示了论文Transformer结构示意图，这里称灰色方框内的结构为·一个Transformer Cell，BERT encoder堆叠了Nx个这样的Transformer Cell。图(b)将一个Cell的细节加以展开，每一个矩形都是一个独立的计算核心。

Transformer Cell计算包含了8个GEMM（通用矩阵乘法，General Matrix Multiplication）运算。我们通过调优Intel MKL和cuBLAS的GEMM调用方式来获得最佳GEMM性能。通过调整了预训练矩阵存储方式。并且在硬件允许条件下，在GPU上使用tensor core方式进行GEMM运算。

类似NVIDIA FasterTransformers方案，我们将所有GEMM运算之间的计算融合成一个调用核心。融合会带来两个好处，一是减少了内存访问开销，二是减少多线程启动开销。对于这些核心，我们在CPU上采用openmp进行并行，在GPU上使用CUDA进行优化实现。对于比较复杂的LayerNorm和Softmax算子，它们包含了不适合GPU上并行的规约操作，TurboTransformers为它们设计了创新并行算法，极大降低了这些算子的延迟。理论上Transformers推理延迟应该近似于矩阵乘法延迟。

>>>  2. 框架层优化

TurboTransformers采用了一个有效的内存管理方式。由于NLP的采用变长输入特性，每次运算中间结果的大小其实并不相同。为了避免每次都分配释放内存，我们通过Caching方式管理显存。

为了能够无缝支持pytorch/tensorflow训练好的序列化模型，我们提供了一些脚本可以将二者的预训练模型转化为npz格式，供TurboTransformers读入。特别的，考虑到pytorch huggingface/transformers是目前最流行的transformers训练方法，我们支持直接读入huggingface/transformers预训练模型。

>>>  3. 应用部署

我们提供了C++和Python调用接口。可以嵌入到C++多线程后台服务流程中，也可以加入到pytorch服务流程中。

我们建议TurboTransformers通过docker部署，一方面保证了编译的可移植性，另一方面也可以无缝应用于K8S等线上部署平台。

性能结果

下图是在Intel Xeon 6133 CPU的性能测试结果。

下图是在NVIDIA RTX 2060 GPU的性能测试结果

下图是在NVIDIA P40 GPU的性能测试结果

下图是在NVIDIA V100 GPU的性能测试结果

未来展望

TurboTransformers是一个的小而美的Transformer推理加速插件，由于自身业务限制，它的功能还相对有限，很多方面 有 待能和开源社区一起努力，共同完善。

TurboTransformers只支持了FP32的计算，对于GPU FP16支持将作为我们的未来工作。TurboTransformers目前重点支持了BERT模型，未来我们会增加TurboTransformers的自动化优化的能力。TurboTransformers解决了计算加速的问题，用户还需要自己搭建服务框架，未来我们会将服务流程开源，打通用户上线的最后一站。

微信ID：WeChatAI