隨著騰訊微信的發(fā)展，微信搜索也成為其越來(lái)越重要的功能，這個(gè)功能可以用來(lái)搜索微信內(nèi)部的賬號(hào)、信息，以及搜索互聯(lián)網(wǎng)上的內(nèi)容。微信搜索月活躍用戶(hù)數(shù)量達(dá)到五億以上。搜索業(yè)務(wù)當(dāng)中使用了大量的神經(jīng)網(wǎng)絡(luò)模型，包括自然語(yǔ)言理解、匹配排序等等，這些模型的訓(xùn)練和推理都大量依賴(lài)于NVIDIA GPU，尤其在推理方面，NVIDIA GPU及相應(yīng)的解決方案都滿(mǎn)足了業(yè)務(wù)所需的延遲和吞吐要求。

微信搜索業(yè)務(wù)需要更高效平臺(tái)

微信搜索業(yè)務(wù)由多個(gè)子模塊構(gòu)成，包括查詢(xún)理解、匹配、搜索排序等等。由于搜索的業(yè)務(wù)特點(diǎn)，這些任務(wù)對(duì)線(xiàn)上服務(wù)的延遲和吞吐都十分敏感。然而在最近幾年，隨著算力的提升以及算法的創(chuàng)新，很多大型復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型開(kāi)始應(yīng)用在這些任務(wù)上，比如BERT/Transformer等模型。

這些大模型需要的計(jì)算資源和業(yè)務(wù)上的高要求對(duì)推理端的軟硬件都是很大的挑戰(zhàn)，必須針對(duì)具體的硬件做極致的優(yōu)化。而且對(duì)于大模型的推理，很多技術(shù)被探索、應(yīng)用在這些場(chǎng)景上以便實(shí)現(xiàn)性能加速、節(jié)約資源，比如模型壓縮、剪枝、低精度計(jì)算等。這些技術(shù)可能會(huì)帶來(lái)精度下降等負(fù)面影響，限制了這些技術(shù)的廣泛應(yīng)用。因此，如何在保證精度效果以及服務(wù)吞吐延遲需求的情況下，高效地對(duì)這些模型進(jìn)行推理成為了業(yè)務(wù)上的巨大挑戰(zhàn)。NVIDIA GPU以及NVIDIA TensorRT給這一場(chǎng)景提供了解決方案。

NVIDIA技術(shù)助力線(xiàn)上大模型推理

為了滿(mǎn)足線(xiàn)上服務(wù)的需求，并且盡可能地節(jié)約成本，微信搜索選擇使用NVIDIA T4 GPU以及TensorRT推理引擎來(lái)進(jìn)行線(xiàn)上大模型的推理。

線(xiàn)上服務(wù)對(duì)于吞吐和延遲有很高的要求，微信搜索選擇使用NVIDIA T4 GPU以及TensorRT推理引擎來(lái)做線(xiàn)上推理服務(wù)，利用NVIDIA基于TensorRT開(kāi)源的BERT實(shí)現(xiàn)，可以很方便地在FP16精度下實(shí)現(xiàn)滿(mǎn)足需求的線(xiàn)上推理功能。這個(gè)方案在線(xiàn)上取得了很好的效果。

在此基礎(chǔ)上，微信搜索希望進(jìn)一步加快推理速度，節(jié)約計(jì)算資源，以便更好地服務(wù)用戶(hù)，節(jié)約成本。低精度推理成為了很好的選擇。NVIDIA GPU從圖靈（Turing）架構(gòu)開(kāi)始就有了INT8 Tensor Core，其計(jì)算吞吐量最高可達(dá)FP16精度的2倍。同時(shí)低精度推理跟其他的優(yōu)化方法也是正交的，可以同時(shí)使用其他技術(shù)比如剪枝、蒸餾等做進(jìn)一步提升。微信搜索線(xiàn)上大量使用NVIDIA T4 GPU，非常適合使用INT8推理。而且TensorRT對(duì)INT8推理也有良好的支持。利用TensorRT的“校準(zhǔn)”（Calibration）功能，能夠方便地將Float精度模型轉(zhuǎn)換為INT8低精度模型，實(shí)現(xiàn)低精度推理。通過(guò)低精度推理，模型的單次推理時(shí)間大大縮短。

通過(guò)“校準(zhǔn)”來(lái)做模型轉(zhuǎn)換已經(jīng)在很多計(jì)算機(jī)視覺(jué)模型上被驗(yàn)證是十分有效的，并且其精度和推理性能都十分優(yōu)秀。然而對(duì)于像BERT一類(lèi)的模型， “校準(zhǔn)” 無(wú)法使得精度和性能都完全令人滿(mǎn)意。因此，騰訊搜索使用了NVIDIA開(kāi)發(fā)的基于PyTorch/TensorFlow的量化工具進(jìn)行基于知識(shí)蒸餾的量化感知訓(xùn)練（Quantization Aware Training）克服精度下降的問(wèn)題。TensorRT對(duì)于導(dǎo)入量化感知訓(xùn)練好的模型進(jìn)行INT8低精度推理有著很好的支持。導(dǎo)入這樣的模型，不僅得到了最佳性能，而且精度沒(méi)有損失，線(xiàn)上服務(wù)只需更換TensorRT構(gòu)建好的引擎即可，極大地簡(jiǎn)化了部署的流程。

通過(guò)這樣的方案，微信搜索中的一些關(guān)鍵任務(wù)，比如查詢(xún)理解等自然語(yǔ)言理解任務(wù)，可以在精度沒(méi)有損失的情況下，達(dá)到2-10倍的加速效果，平均單句推理時(shí)間達(dá)到了0.1ms。任務(wù)相應(yīng)的計(jì)算資源節(jié)省了約70%。這個(gè)方案大大優(yōu)化了微信搜索業(yè)務(wù)的性能，降低了部署成本。

使用NVIDIA T4 GPU以及TensorRT推理引擎進(jìn)行INT8低精度推理，極大提升了微信搜索的速度，進(jìn)一步提升了用戶(hù)體驗(yàn)，節(jié)約了公司成本。

微信搜索的Hui Liu、Raccoon Liu和Dick Zhu表示：“我們已經(jīng)實(shí)現(xiàn)了基于TensorRT和INT8 QAT的模型推理加速，以加速微信搜索的核心任務(wù)，包括Query理解和查詢(xún)結(jié)果排序等。我們用GPU+TensorRT的解決方案突破了NLP模型復(fù)雜性的限制，BERT/Transformer可以完全集成到我們的解決方案中。此外，我們利用卓越的性能優(yōu)化方法，節(jié)省了70%的計(jì)算資源?！?/p>

責(zé)任編輯：haq

隨著騰訊微信的發(fā)展，微信搜索也成為其越來(lái)越重要的功能，這個(gè)功能可以用來(lái)搜索微信內(nèi)部的賬號(hào)、信息，以及搜索互聯(lián)網(wǎng)上的內(nèi)容。微信搜索月活躍用戶(hù)數(shù)量達(dá)到五億以上。搜索業(yè)務(wù)當(dāng)中使用了大量的神經(jīng)網(wǎng)絡(luò)模型，包括自然語(yǔ)言理解、匹配排序等等，這些模型的訓(xùn)練和推理都大量依賴(lài)于NVIDIA GPU，尤其在推理方面，NVIDIA GPU及相應(yīng)的解決方案都滿(mǎn)足了業(yè)務(wù)所需的延遲和吞吐要求。

微信搜索業(yè)務(wù)需要更高效平臺(tái)

微信搜索業(yè)務(wù)由多個(gè)子模塊構(gòu)成，包括查詢(xún)理解、匹配、搜索排序等等。由于搜索的業(yè)務(wù)特點(diǎn)，這些任務(wù)對(duì)線(xiàn)上服務(wù)的延遲和吞吐都十分敏感。然而在最近幾年，隨著算力的提升以及算法的創(chuàng)新，很多大型復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型開(kāi)始應(yīng)用在這些任務(wù)上，比如BERT/Transformer等模型。 這些大模型需要的計(jì)算資源和業(yè)務(wù)上的高要求對(duì)推理端的軟硬件都是很大的挑戰(zhàn)，必須針對(duì)具體的硬件做極致的優(yōu)化。而且對(duì)于大模型的推理，很多技術(shù)被探索、應(yīng)用在這些場(chǎng)景上以便實(shí)現(xiàn)性能加速、節(jié)約資源，比如模型壓縮、剪枝、低精度計(jì)算等。這些技術(shù)可能會(huì)帶來(lái)精度下降等負(fù)面影響，限制了這些技術(shù)的廣泛應(yīng)用。因此，如何在保證精度效果以及服務(wù)吞吐延遲需求的情況下，高效地對(duì)這些模型進(jìn)行推理成為了業(yè)務(wù)上的巨大挑戰(zhàn)。NVIDIA GPU以及NVIDIATensorRT給這一場(chǎng)景提供了解決方案。

NVIDIA技術(shù)助力線(xiàn)上大模型推理

為了滿(mǎn)足線(xiàn)上服務(wù)的需求，并且盡可能地節(jié)約成本，微信搜索選擇使用NVIDIA T4 GPU以及TensorRT推理引擎來(lái)進(jìn)行線(xiàn)上大模型的推理。

線(xiàn)上服務(wù)對(duì)于吞吐和延遲有很高的要求，微信搜索選擇使用NVIDIA T4 GPU以及TensorRT推理引擎來(lái)做線(xiàn)上推理服務(wù)，利用NVIDIA基于TensorRT開(kāi)源的BERT實(shí)現(xiàn)，可以很方便地在FP16精度下實(shí)現(xiàn)滿(mǎn)足需求的線(xiàn)上推理功能。這個(gè)方案在線(xiàn)上取得了很好的效果。

在此基礎(chǔ)上，微信搜索希望進(jìn)一步加快推理速度，節(jié)約計(jì)算資源，以便更好地服務(wù)用戶(hù)，節(jié)約成本。低精度推理成為了很好的選擇。NVIDIA GPU從圖靈（Turing）架構(gòu)開(kāi)始就有了INT8 Tensor Core，其計(jì)算吞吐量最高可達(dá)FP16精度的2倍。同時(shí)低精度推理跟其他的優(yōu)化方法也是正交的，可以同時(shí)使用其他技術(shù)比如剪枝、蒸餾等做進(jìn)一步提升。微信搜索線(xiàn)上大量使用NVIDIA T4 GPU，非常適合使用INT8推理。而且TensorRT對(duì)INT8推理也有良好的支持。利用TensorRT的“校準(zhǔn)”（Calibration）功能，能夠方便地將Float精度模型轉(zhuǎn)換為INT8低精度模型，實(shí)現(xiàn)低精度推理。通過(guò)低精度推理，模型的單次推理時(shí)間大大縮短。

通過(guò)“校準(zhǔn)”來(lái)做模型轉(zhuǎn)換已經(jīng)在很多計(jì)算機(jī)視覺(jué)模型上被驗(yàn)證是十分有效的，并且其精度和推理性能都十分優(yōu)秀。然而對(duì)于像BERT一類(lèi)的模型， “校準(zhǔn)” 無(wú)法使得精度和性能都完全令人滿(mǎn)意。因此，騰訊搜索使用了NVIDIA開(kāi)發(fā)的基于PyTorch/TensorFlow的量化工具進(jìn)行基于知識(shí)蒸餾的量化感知訓(xùn)練（Quantization Aware Training）克服精度下降的問(wèn)題。TensorRT對(duì)于導(dǎo)入量化感知訓(xùn)練好的模型進(jìn)行INT8低精度推理有著很好的支持。導(dǎo)入這樣的模型，不僅得到了最佳性能，而且精度沒(méi)有損失，線(xiàn)上服務(wù)只需更換TensorRT構(gòu)建好的引擎即可，極大地簡(jiǎn)化了部署的流程。

通過(guò)這樣的方案，微信搜索中的一些關(guān)鍵任務(wù)，比如查詢(xún)理解等自然語(yǔ)言理解任務(wù)，可以在精度沒(méi)有損失的情況下，達(dá)到2-10倍的加速效果，平均單句推理時(shí)間達(dá)到了0.1ms。任務(wù)相應(yīng)的計(jì)算資源節(jié)省了約70%。這個(gè)方案大大優(yōu)化了微信搜索業(yè)務(wù)的性能，降低了部署成本。 使用NVIDIA T4 GPU以及TensorRT推理引擎進(jìn)行INT8低精度推理，極大提升了微信搜索的速度，進(jìn)一步提升了用戶(hù)體驗(yàn)，節(jié)約了公司成本。 微信搜索的Hui Liu、Raccoon Liu和Dick Zhu表示："我們已經(jīng)實(shí)現(xiàn)了基于TensorRT和INT8 QAT的模型推理加速，以加速微信搜索的核心任務(wù)，包括Query理解和查詢(xún)結(jié)果排序等。我們用GPU+TensorRT的解決方案突破了NLP模型復(fù)雜性的限制，BERT/Transformer可以完全集成到我們的解決方案中。此外，我們利用卓越的性能優(yōu)化方法，節(jié)省了70%的計(jì)算資源。"

責(zé)任編輯：haq