導讀

深度學習已在面向自然語言處理等領(lǐng)域的實際業(yè)務(wù)場景中廣泛落地，對它的推理性能優(yōu)化成為了部署環(huán)節(jié)中重要的一環(huán)。推理性能的提升：一方面，可以充分發(fā)揮部署硬件的能力，降低用戶響應(yīng)時間，同時節(jié)省成本；另一方面，可以在保持響應(yīng)時間不變的前提下，使用結(jié)構(gòu)更為復雜的深度學習模型，進而提升業(yè)務(wù)精度指標。

本文針對地址標準化服務(wù)中的深度學習模型開展了推理性能優(yōu)化工作。通過高性能算子、量化、編譯優(yōu)化等優(yōu)化手段，在精度指標不降低的前提下，AI模型的模型端到端推理速度最高可獲得了4.11倍的提升。

1. 模型推理性能優(yōu)化方法論

模型推理性能優(yōu)化是AI服務(wù)部署時的重要環(huán)節(jié)之一。一方面，它可以提升模型推理的效率，充分釋放硬件的性能。另一方面，它可以在保持推理延遲不變的前提下，使得業(yè)務(wù)采用復雜度更高的模型，進而提升精度指標。然而，在實際場景中推理性能優(yōu)化會遇到一些困難。

1.1 自然語言處理場景優(yōu)化難點

典型的自然語言處理（Natural Language Processing， NLP）任務(wù)中，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）以及BERT[7]（Bidirectional Encoder Representations from Transformers.）是兩類使用率較高的模型結(jié)構(gòu)。為了便于實現(xiàn)彈性擴縮容機制和在線服務(wù)部署的高性價比，自然語言處理任務(wù)通常部署于例如Intel? Xeon?處理器這樣的x86 CPU平臺。然而，隨著業(yè)務(wù)場景的復雜化，服務(wù)的推理計算性能要求越來越高。以上述RNN和BERT模型為例，其在CPU平臺上部署的性能挑戰(zhàn)如下：

• RNN

循環(huán)神經(jīng)網(wǎng)絡(luò)是一類以序列（sequence）數(shù)據(jù)為輸入，在序列的演進方向進行遞歸（recursion）且所有節(jié)點（循環(huán)單元）按鏈式連接的遞歸神經(jīng)網(wǎng)絡(luò)。實際使用中常見的RNN有LSTM，GRU以及衍生的一些變種。在計算過程中，如下圖所示，RNN結(jié)構(gòu)中每一次的后級輸出都依賴于相應(yīng)的輸入和前級輸出。因此，RNN可以完成序列類型的任務(wù)，近些年在NLP甚至是計算機視覺領(lǐng)域被廣泛使用。RNN相較于與BERT而言，計算量更少，模型參數(shù)共享，但其計算時序依賴性會導致無法對序列進行并行計算。

RNN結(jié)構(gòu)示意圖

• BERT

BERT[7]證明了能夠以較深的網(wǎng)絡(luò)結(jié)構(gòu)在大型數(shù)據(jù)集上完成無監(jiān)督預訓練（Unsupervised Pre-training），進而供給特定任務(wù)進行微調(diào)（finetune）的模型。它不僅提升了這些特定任務(wù)的精度性能，還簡化了訓練的流程。BERT的模型結(jié)構(gòu)簡單又易于擴展，通過簡單地加深、加寬網(wǎng)絡(luò)，即可獲得相較于RNN結(jié)構(gòu)更好的精度。而另一方面，精度提升是以更大的計算開銷為代價的，BERT模型中存在著大量的矩陣乘操作，這對于CPU而言是一種巨大的挑戰(zhàn)。

BERT模型結(jié)構(gòu)示意圖

1.2 模型推理優(yōu)化策略

基于上述推理性能挑戰(zhàn)的分析，我們認為從軟件棧層面進行模型推理優(yōu)化，主要有如下策略：

• 模型壓縮：包括量化、稀疏、剪枝等
• 特定場景的高性能算子
• AI編譯器優(yōu)化

量化

模型量化是指將浮點激活值或權(quán)重（通常以32比特浮點數(shù)表示）近似為低比特的整數(shù)（16比特或8比特），進而在低比特的表示下完成計算的過程。通常而言，模型量化可以壓縮模型參數(shù)，進而降低模型存儲開銷；并且通過降低訪存和有效利用低比特計算指令（如Intel? Deep Learning Boost Vector Neural Network Instructions，VNNI），取得推理速度的提升。

給定浮點值，我們可以通過如下公式將其映射為低比特值：

其中和是通過量化算法所得?；诖?，以Gemm操作為例，假設(shè)存在浮點計算流程：

我們可以在低比特域完成相應(yīng)的計算流程：

高性能算子

在深度學習框架中，為了保持通用性，同時兼顧各種流程（如訓練），算子的推理開銷存在著冗余。而當模型結(jié)構(gòu)確定時，算子的推理流程僅是原始全量流程個一個子集。因此，當模型結(jié)構(gòu)確定的前提下，我們可以實現(xiàn)高性能推理算子，對原始模型中的通用算子進行替換，進而達到提升推理速度的目的。

在CPU上實現(xiàn)高性能算子的關(guān)鍵在于減少內(nèi)存訪問和使用更高效的指令集。在原始算子的計算流程中，一方面存在著大量的中間變量，而這些變量會對內(nèi)存進行大量的讀寫操作，進而拖慢推理的速度。針對這種情況，我們可以修改其計算邏輯，以降低中間變量的開銷；另一方面，算子內(nèi)部的一些計算步驟我們可以直接調(diào)用向量化指令集，對其進行加速，如Intel? Xeon?處理器上的高效的AVX512指令集。

AI編譯器優(yōu)化

隨著深度學習領(lǐng)域的發(fā)展，模型的結(jié)構(gòu)、部署的硬件呈現(xiàn)出多樣化演進的趨勢。將模型部署至各硬件平臺時，我們通常會調(diào)用各硬件廠商推出的runtime。而在實際業(yè)務(wù)場景中，這可能會遇到一些挑戰(zhàn)，如：

• 模型結(jié)構(gòu)、算子類型的迭代的速度會高于廠家的runtime，使得一些模型無法快速基于廠商的runtime完成部署。此時需要依賴于廠商進行更新，或者利用plugin等機制實現(xiàn)缺失的算子。
• 業(yè)務(wù)可能包含多個模型，這些模型可能由多個深度學習框架訓得，此外模型可能需要部署至多個硬件平臺。此時需要將這些格式不同的模型轉(zhuǎn)化至各個硬件平臺所需的格式，同時要考慮各推理框架實現(xiàn)的不同導致的模型精度性能變化等問題，尤其是像量化這類對于數(shù)值差異敏感度較高的方法。

AI編譯器就是為了解決上述問題而提出的，它抽象出了多個層次來解決上述的一些問題。首先，它接受各個前端框架的模型計算圖作為輸入，并通過各類Converter轉(zhuǎn)化生成統(tǒng)一的中間表示。隨后，諸如算子融合、循環(huán)展開等圖優(yōu)化pass會作用至中間表示，以提升推理性能。最后，AI編譯器會基于優(yōu)化后的計算圖進行面向特定硬件平臺的codegen，生成可執(zhí)行的代碼，這過程中會引入諸如stitch、shape constraint等優(yōu)化策略。AI編譯器有很好魯棒性、適應(yīng)性、易用性，并且能夠收獲顯著優(yōu)化收益。

本文中，阿里云機器學習平臺PAI團隊聯(lián)合英特爾數(shù)據(jù)中心軟件團隊、英特爾人工智能和分析團隊、達摩院NLP地址標準化團隊，針對地址標準化服務(wù)的推理性能挑戰(zhàn)，合作實現(xiàn)了高性能的推理優(yōu)化方案。

2. 地址標準化介紹

公安政務(wù)、電商物流、能源（水電燃）、運營商、新零售、金融、醫(yī)療等行業(yè)在業(yè)務(wù)開展的過程中往往涉及大量地址數(shù)據(jù)，而這些數(shù)據(jù)往往沒有形成標準結(jié)構(gòu)規(guī)范，存在地址缺失、一地多名等問題。隨著數(shù)字化的升級，城市地址不標準的問題愈加凸顯。

地址應(yīng)用現(xiàn)存問題

地址標準化[2]（Address Purification）是阿里巴巴達摩院NLP團隊依托阿里云海量的地址語料庫，以及超強的NLP算法實力所沉淀出的高性能及高準確率的標準地址算法服務(wù)。地址標準化產(chǎn)品從規(guī)范地址數(shù)據(jù)、建立統(tǒng)一標準地址庫的角度出發(fā)，提供高性能地址算法。

地址標準化優(yōu)勢

該地址算法服務(wù)能自動地標準化處理地址數(shù)據(jù)，可有效地解決一地多名，地址識別，地址真?zhèn)伪鎰e等地址數(shù)據(jù)不規(guī)范、人工治理耗時耗力、地址庫重復建設(shè)問題，為企業(yè)，政府機關(guān)以及開發(fā)者提供地址數(shù)據(jù)清洗，地址標準化能力，使地址數(shù)據(jù)更好的為業(yè)務(wù)提供支持。地址標準化產(chǎn)品具有如下的幾個特點：

• 準確率高：擁有海量地址語料庫以及超強的NLP算法技術(shù)，并持續(xù)優(yōu)化迭代，地址算法準確率高
• 超強性能：積累了豐富的項目建設(shè)經(jīng)驗，能夠穩(wěn)定承載海量數(shù)據(jù)
• 服務(wù)全面：提供20多種地址服務(wù)，滿足不同業(yè)務(wù)場景需求
• 部署靈活：支持公共云、混合云、私有化部署。

本次優(yōu)化的模塊屬于地址標準化中的搜索模塊。地址搜索是指用戶輸入地址文本相關(guān)信息，基于地址庫和搜索引擎，對用戶輸入的地址文本進行搜索和聯(lián)想，并返回相關(guān)興趣點（Point of Interest，POI）信息。地址搜索功能不僅能夠提升用戶數(shù)據(jù)處理體驗，同時也是多個地址下游服務(wù)的基礎(chǔ)，如經(jīng)緯度查詢、門址標準化、地址歸一等，因此在整套地址服務(wù)體系中起到了關(guān)鍵作用。

地址服務(wù)搜索體系示意圖

具體而言，本次優(yōu)化的模型是基于多任務(wù)地理預訓練語言模型底座產(chǎn)出的多任務(wù)向量召回模型和精排模型。

多任務(wù)地理預訓練語言模型底座在掩碼語言模型 (Masked Language Model, MLM) 任務(wù)的基礎(chǔ)上結(jié)合了相關(guān)興趣點分類與地址元素識別（省、市、區(qū)、POI 等），并通過元學習（Meta Learning）的方式，自適應(yīng)地調(diào)整多個任務(wù)的采樣概率，在語言模型中融入通用的地址知識。

多任務(wù)地址預訓練模型底座示意圖

多任務(wù)向量召回模型基于上述底座訓練所得，包含雙塔相似度、Geohash (地址編碼) 預測、分詞和 Term Weighting (詞權(quán)重) 四個任務(wù)。

多任務(wù)向量召回模型示意圖

作為計算地址相似度匹配的核心模塊，精排模型則是在上述底座的基礎(chǔ)上，引入了海量點擊數(shù)據(jù)和標注數(shù)據(jù)訓練訓練所得[3]，并通過模型蒸餾技術(shù)，提升了模型的效率[4]。最終用應(yīng)用于召回模型召回的地址庫文檔重新排序?；谏鲜隽鞒逃柧毜玫降?層單模型能夠在CCKS2021中文NLP地址相關(guān)性任務(wù)[5]上獲得較12層基線模型更好的效果（詳見性能展示部分）。

精排模型示意圖

3. 模型推理優(yōu)化解決方案

阿里云機器學習平臺PAI團隊推出的Blade產(chǎn)品支持以上提及的所有優(yōu)化方案，提供了統(tǒng)一的用戶接口，并擁有多個軟件后端，如高性能算子、Intel Custom Backend、BladeDISC等等。

Blade模型推理優(yōu)化架構(gòu)圖

3.1 Blade

Blade是阿里云機器學習PAI團隊（Platform of Artificial Intelligence）推出的通用推理優(yōu)化工具，可以通過模型系統(tǒng)聯(lián)合優(yōu)化，使模型達到最優(yōu)推理性能。它有機融合了計算圖優(yōu)化、Intel? oneDNN等vendor優(yōu)化庫、BladeDISC編譯優(yōu)化、Blade高性能算子庫、Costom Backend、Blade混合精度等多種優(yōu)化手段。同時，簡潔的使用方式降低了模型優(yōu)化門檻、提升了用戶體驗和生產(chǎn)效率。

PAI-Blade支持多種輸入格式，包括Tensorflow pb、PyTorch torchscript等。對于待優(yōu)化的模型，PAI-Blade會對其進行分析，再應(yīng)用多種可能的優(yōu)化手段，并從各種優(yōu)化結(jié)果中選取出加速效果最明顯的為最終的優(yōu)化結(jié)果。

Blade優(yōu)化示意圖

為了在保證部署成功率的前提下獲得最大的優(yōu)化效果，PAI-Blade采取了“圈圖”的方式進行優(yōu)化，即：

1. 將待優(yōu)化子計算圖中，能夠被推理后端/高性能算子支持的部分轉(zhuǎn)化至相應(yīng)的優(yōu)化子圖；
2. 無法被優(yōu)化的子圖回退（fallback）至相應(yīng)的原生框架（TF/Torch）執(zhí)行。

Blade圈圖示意圖

Blade Compression是Blade推出的面向模型壓縮的工具包，旨在協(xié)助開發(fā)人員進行高效的模型壓縮優(yōu)化工作。它包含了多種模型壓縮功能，包括量化、剪枝、稀疏化等。壓縮后的模型可以便捷地通過Blade實現(xiàn)進一步優(yōu)化，以獲得模型系統(tǒng)聯(lián)合的極致優(yōu)化。

量化方面，Blade Compression：

• 提供了簡潔的使用接口，通過調(diào)用幾個簡單api，即可完成量化改圖、校準（calibration）、量化訓練（Quantization-aware Training，QAT）、導出量化模型等步驟。
• 提供了多種后端的支持，通過config文件的配置，即可完成面向不同設(shè)備、不同后端的量化過程。
• 集成了PAI-Blade團隊在實際生產(chǎn)業(yè)務(wù)中自研的各種算法，以獲得更高的量化精度。

同時，我們提供了豐富的原子能力api，便于對特定情況進行定制化開發(fā)。

Blade Compression示意圖

BladeDISC是阿里云機器學習平臺PAI團隊推出的面向機器學習場景的動態(tài)shape深度學習編譯器，是Blade的后端之一。它支持主流的前端框架（TensorFlow、PyTorch）與后端硬件（CPU、GPU），同時也支持推理以及訓練的優(yōu)化。

BladeDISC架構(gòu)圖

3.2 基于Intel? Xeon?的高性能算子

神經(jīng)網(wǎng)絡(luò)模型中的子網(wǎng)絡(luò)通常具有長期的通用性和普遍性，如 PyTorch 中的 Linear Layer 和Recurrent Layers 等，是模型建構(gòu)的基礎(chǔ)模塊，負責著特定的功能，通過這些模塊的不同組合得到形形色色的模型，并且這些模塊也是AI編譯器重點優(yōu)化的目標。據(jù)此，為了得到最佳性能的基礎(chǔ)模塊，從而實現(xiàn)性能最佳的模型，Intel針對X86架構(gòu)對這些基礎(chǔ)模塊進行了多層次優(yōu)化，包括使能高效的AVX512指令、算子內(nèi)部計算調(diào)度、算子融合、緩存優(yōu)化，并行優(yōu)化等等。

在地址標準化服務(wù)中，經(jīng)常會出現(xiàn)Recurrent Neural Network (RNN) 模型，并且RNN模型中最影響性能的模塊是LSTM或GRU等模塊，本章節(jié)以LSTM為例，呈現(xiàn)在不定長且多batch的輸入時，如何實現(xiàn)對LSTM的極致性能優(yōu)化。

通常，為了滿足不同用戶的需求和請求，追求高性能和低成本的云上服務(wù)會將不同的用戶請求進行Batch，以實現(xiàn)計算資源的最大化利用。如下圖所示，總共有3條已經(jīng)被embedding的句子，并且內(nèi)容和輸入的長度是不相同的。

原始輸入數(shù)據(jù)

為了使得LSTM計算的更高效，需要對Batched input采用PyTorch的pack_padded_sequence()函數(shù)進行padding和sort，得到下圖所示，一個paddding的數(shù)據(jù)tensor，一個描述數(shù)據(jù)tensor的batch size的tensor，一個描述數(shù)據(jù)tensor的原始序號tensor。

原始輸入數(shù)據(jù)

到目前為止，已經(jīng)準備好了LSTM的輸入，對于LSTM的計算過程如下圖所示，對輸入的tensor進行分段批量計算，及跳過零值計算。

LSTM針對輸入的計算步驟

更深入的LSTM的計算優(yōu)化如下圖17所示，公式中的矩陣乘部分進行了公式間計算融合，如下圖所示，原先4次矩陣乘轉(zhuǎn)換成1次矩陣乘，并且采用AVX512指令進行數(shù)值計算，以及多線程并行優(yōu)化，從而實現(xiàn)高效的LSTM算子。其中，數(shù)值計算指的是矩陣乘和后序的elementwise的元素操作，針對矩陣乘部分，本方案采用的是oneDNN庫進行計算，庫中具有高效的AVX512 GEMM實現(xiàn)，針對elementwise的元素操作，本方案對其采用AVX512指令集進行算子融合，提升了數(shù)據(jù)在緩存中的命中率。

LSTM計算融合[8]

3.3 推理后端 Custom Backend

Intel custom backend[9]作為Blade的軟件后端，強有力地加速著模型量化和稀疏的推理性能，主要包含三個層面的優(yōu)化。首先，采用Primitive Cache的策略對內(nèi)存進行優(yōu)化，其次，進行圖融合優(yōu)化，最后，在算子層級，實現(xiàn)了包含稀疏與量化算子在內(nèi)的高效算子庫。

Intel Custom Backend架構(gòu)圖

低精度量化

稀疏與量化等高速算子, 得益于Intel? DL Boost加速指令集，如VNNI指令集。

VNNI 指令介紹

上圖為VNNI 指令, 8bits可以使用AVX512 BW三個指令來加速, VPMADDUBSW 先對2對由8bits組成的數(shù)組做乘法與加法, 得到16bits數(shù)據(jù), VPMADDWD將相鄰數(shù)據(jù)加總起來,得到32bits數(shù)據(jù), 最后VPADDD加上一個常數(shù), 此三函數(shù)可組成一個AVX512_VNNI，此指令可用來加速推理中的矩陣相乘。

圖融合

除此之外，Custom Backend中也提供了圖融合，例如矩陣相乘后不輸出中間態(tài)臨時Tensor，而是直接運行后面指令，即將后項的post op與前級算子進行融合，如此減少數(shù)據(jù)搬運以減少運行時間，下圖為一個范例，紅框內(nèi)的算子融合后可消除額外的數(shù)據(jù)搬移，成為一個新的算子。

圖融合

內(nèi)存優(yōu)化

內(nèi)存分配與釋放會與操作系統(tǒng)進行通信，從而導致運行時的延時增加，為了減少這部分的開銷，Custom Backend中增加了Primitive Cache的設(shè)計，Primitive Cache用于緩存已經(jīng)被創(chuàng)建的Primitive，使得Primitive不能被系統(tǒng)回收，減少了下一次調(diào)用時的創(chuàng)建開銷。

同時為耗時較大的算子建立了快取機制，以加速算子運行，如下圖所示：

Primitive Cache

量化功能如之前所說，模型大小減小后，計算與存取的開銷大幅減少，從而性能得到巨大的提升。

4. 整體性能展示

我們選取了地址搜索服務(wù)中典型的兩個模型結(jié)構(gòu)來驗證上述優(yōu)化方案的效果。測試環(huán)境如下所示：

• 服務(wù)器型號：阿里云 ecs.g7.large，2 vCPU
• 測試CPU型號：Intel? Xeon? Platinum 8369B CPU @ 2.70GHz
• 測試CPU核數(shù)：1 vCPU
• PyTorch版本：1.9.0+cpu
• onnx版本：1.11.0
• onnxruntime版本：1.11.1

4.1 ESIM

ESIM[6]是一種專為自然語言推斷而生的加強版LSTM，它的推理開銷主要來自于模型中的LSTM結(jié)構(gòu)。Blade利用Intel數(shù)據(jù)中心軟件團隊開發(fā)的高性能通用LSTM算子對其進行加速，替換PyTorch module中的默認LSTM (Baseline)。本次測試的ESIM中包含兩種LSTM結(jié)構(gòu)，單算子優(yōu)化前后的性能如表所示：

LSTM單算子優(yōu)化前后推理性能

優(yōu)化前后，ESIM端到端推理速度如表 所示，同時優(yōu)化前后模型的精度保持不變。

ESIM模型優(yōu)化前后推理性能

4.2 BERT

BERT[7]近年來在自然語言處理 (NLP) 、計算機視覺（CV）等領(lǐng)域被廣泛采納。Blade對該種結(jié)構(gòu)有編譯優(yōu)化（FP32）、量化（INT8）等多種手段。

速度測試中，測試數(shù)據(jù)的shape固定為10x53，各種后端及各種優(yōu)化手段的速度性能如下表所示?？梢钥吹?，blade編譯優(yōu)化后或INT8量化后的模型推理速度均優(yōu)于libtorch與onnxruntime，其中推理的后端是Intel Custom Backend & BladeDisc。值得注意的是，經(jīng)過量化加速后的4層BERT的速度是2層BERT的1.5倍，意味著可以在提速的同時，讓業(yè)務(wù)用上更大的模型，獲得更好的業(yè)務(wù)精度。

地址BERT推理性能展示

精度方面，我們基于CCKS2021中文NLP地址相關(guān)性任務(wù)[5]展示相關(guān)模型性能，如下表所示。達摩院地址團隊自研的4層BERT的macro F1精度要高于標準的12層BERT-base。Blade編譯優(yōu)化可以做到精度無損，而經(jīng)過Blade Compression量化訓練后的真實量化模型精度要略高于原始浮點模型。

地址BERT相關(guān)精度結(jié)果