你在用 PyTorch 写 transformer 吗?请关注下这个项目。
大多数关于在生产中部署 Transformer 类模型的教程都是基于 PyTorch 和 FastAPI 构建的。两者都是很好的工具,但在推理方面的性能不是很好。而如果你花费时间进行研究,可以在 ONNX Runtime 和 Triton 推理服务器上构建一些更好的东西。与普通 PyTorch 相比,推理速度通常会快 2 到 4 倍。如果你想要在 GPU 上获得一流的性能,那么只有一种可能的组合:Nvidia TensorRT 和 Triton。与普通 PyTorch 相比,最终可以获得 5 倍的推理速度。有时它甚至能将推理速度提高 10 倍。然而 TensorRT 并不是以简单易用著称的,对于 Transformer 模型更是如此,它需要使用特定的技巧。然后,如果你花一些时间,你可以在 ONNX Runtime 和 Triton 推理服务器上构建一些东西。与普通 Pytorch 相比,你的推理速度通常会快 2 到 4 倍。近日,Hugging Face 发布了一款名为 Infinity 的商业产品,可以以非常高的性能进行推理(与 PyTorch + FastAPI 部署相比,速度非常快)。不幸的是,根据该公司产品总监的说法,即使对于部署在一台机器上的单个模型,这也是一种付费产品,成本为 2 万美元(没有公开的具体规模信息)。在 GitHub 上有一个项目 Transformer-deploy,它是一种基于企业级软件的开源替代版:我们似乎不费吹灰之力,就可以轻松匹敌极少数 HF Infinity 公共基准。但事实上,现在仍然有机会进一步加快推理性能,AFAIK 尚未被任何其他 OSS 项目利用:对所有 Transformer 模型的 GPU 量化!如下是对 Roberta-base、seq len 256、batch 32、MNLI 数据集的测试结果:执行 GPU 量化需要修改模型源代码(在矩阵乘法等代价高昂的操作上添加一些称为 QDQ 的特定节点),这既容易出错,又很枯燥,并且是件自己给自己挖坑的事。对此,项目作者已经为多个模型手动完成了这项工作。在作者看来,只需修补模型模块抽象语法树(也就是源代码)就可以自动完成这项工作。从用户端看,在 GPU 上执行模型的基本量化看起来就像这样:如基准测试结果所示,要获得比普通 PyTorch 快 4.5 倍的模型,在 MNLI 数据集上的准确率需要牺牲 0.4 个百分点,这在许多情况下是一个合理的权衡。如果不希望损失准确度,加速也可以降到 3.2 倍左右。当然,实际应用时的 trade-off 取决于模型、数据集等,但它给出了一个基本概念。与该项目的先前版本相比,这是一个很大的改进。成倍加速的背后,transformer 的源代码被解析为 AST,像 matmul 或 LayerNorm 这样的算子被一个量化器包装,线性层被它们的量化版本替换,一些不支持的 TensorRT 算子被替换等等。然后还有一部分新的源代码替换。作者表示,他们目前已经成功测试了 ALBERT、BERT(包括 miniLM)、DistilBERT、Roberta(包括 Camembert、XLM-R、DistilRoberta 等)、Electra 的推理。对于任何可以导出为 ONNX 格式的 transformer 模型,它应该都是开箱即用的,或者只需很少的努力。关于 CPU 的推理、量化非常容易,且也是由 Transformer-deploy 项目支持的。但是在极端情况下,transformer 的性能会变得非常差(如没有批处理、非常短的序列和蒸馏模型时)。另外如使用基于上代英特尔 CPU 的实例,如 C6 或 M6,与像 Nvidia T4 这样的廉价 GPU 相比,在 AWS 上的性价比会很低。综上所述,在 Transformer 推理上,除非你对慢速推理感到满意并采用小实例,否则并不推荐使用 CPU 推理。参考链接:https://www.reddit.com/r/MachineLearning/comments/rr17f9/p_45_times_faster_hugging_face_transformer/