您现在的位置是:热点 >>正文
让Transformer的推理速度提高4.5倍,这个trick还能给你省十几万
热点09451人已围观
简介...
本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。
最近,NLP明星公司Hugging Face发布了一个叫做Infinity的产品,可以以1ms延时完成Transfo让Trmer的推理,性能相当高了。
但是,厉害归厉害,还是有点贵——1年至少要十几万块 (2万美元)。
那有没有什么平替的方法呢?
有的!还是开源的、“不费吹灰之力”就可以达到Infinityra一些公共基准的那种。
并且现在,通过在该方法上施加一个小trick,将Transformer的推理速度提高4.5倍!
△ 帖子发布不到一天就收获了250+热度
那么,一个“平替”到底为什么能达到“付ns费”的效果呢?
一个trick让Transformer推理速度提高4.5倍
先来认识一下这个方法:Transformer-deploy。
它可以用一行命令优化和部署Hugging Face上的Transforfomer模型,并支持大多数基于Transformer编码器的模型,比如Bert、Roberta、miniLM、Camembert、Albert、XLM-R、Distilbert等。
Transfrmormer-deploy推理服务器用的是Nvidia Triton。
推理引擎为Microsoft ONNX Runtime(用于CPU和GPU推理)和Nvidia TensorRT(仅限 GPU)。
如果er想在GPU上获得一流的性能,Nvidia Triton+Nvidia TensorRT这样的组合无疑是最佳选择。
虽然TensorRT用起来有点难,但它确实能比用Pytorch快5~10倍。
在实际性能的推测试中,Transformer-deploy在batch size为1、token分别为16和128的输入序列中的推理速度,都比付费的Hugging Face Infinity要快:
Transformer理速-deploy在token为16时要1.52ms,Infinity则需要1.7ms;token为128时需要1.99ms,Infinity则需要2.5ms。
那前面说的能让Transformer度提的推理性能进一步提高的小trick是什么呢?
GPU量化(quantization)。
作者表示:
据我所知,目前任何OOS云服务都还没用到过这个方法。
不过执行GPU量化需要修改模型源代码(需在矩高4阵乘法等代价高昂的操作上添加一些叫做QDQ的特定节点),既容易出错,又很无聊,并且还需自己维护修改后的代码。
因此作者已经为多个基于Transformer的模型手动完成了这项工作。
后来,他们又发现似乎只.5需修补模型模块的抽象语法树 (AST)也可以自动完成。
在用户端,在GPU上执行模型的基本量化类似这样:
最终,该方法在Roberta-base模型和MNLI数据集(分类任务)上实现了4.倍,53倍的推理速度。
当然这也牺牲了0.4个点的精度;如果一点不牺牲的话,也可以加速3.2倍左右。
作者表示,与Transformer-deploy原来的版本相比,这已经是一个很大的改进了,毕竟原版本这个的加速成本需要超过1个点的精确度。
最终他们用Albert、Bert(包括miniLM)、Distilbert、Roberta(包括 Camembert、XLM-R、DistilRoberta等)、Etrlectra测试了该trick。
结果是对于任何可以导出为ONNX格式的Transformer模型,都可以“开箱即用”。
Tags:
相关文章
标签: 基本半导体 碳化硅芯片 港股IPO 车规级SiC
热点云梦级6月23日云梦级消息,6月21日,港交所披露了深圳基本半导体股份有限公司(以下简称“基本半导体”)聆讯后资料集,这也意味着基本半导体港交所IPO正式通过聆讯。 这家成立于2016年的碳化硅(Si...
【热点】
阅读更多无监督训练用堆叠自编码器是否落伍?ML博士对比了8个自编码器
热点柏林工业大学深度学习方向博士生 Tilman Krokotsch 在多项任务中对比了 8 种自编码器的性能。 深度学习中的自编码器。图源:https://debuggercafe.com/autoen...
【热点】
阅读更多京东云联合华为发布数据中心基础设施
热点11月24日消息,在CDCC第九届数据中心标准峰会上,京东集团副总裁符庆明出席京东云绿色数据中心专题论坛,分享云时代的数据中心洞察,并与华为共同发布全新数据中心基础设施。 在专题论坛中,京东集团副总裁...
【热点】
阅读更多