NVIDIA BERT推理解决方案Faster Transformer开源了!
（本文作者：NVIDIA GPU计算专家团队，贾晓莹）
Faster Transformer是一个基于CUDA和cuBLAS的Transformer Encoder前向计算实现，其优越的性能将助力于多种BERT的应用场景。
2017年12月Google在论文“Attention is All You Need”[1] 中首次提出了Transformer，将其作为一种通用高效的特征抽取器。至今，Transformer已经被多种NLP模型采用，比如BERT[2]以及上月发布重刷其记录的XLNet[3]，这些模型在多项NLP任务中都有突出表现。
在NLP之外， TTS，ASR等领域也在逐步采用Transformer。可以预见，Transformer这个简洁有效的网络结构会像CNN和RNN一样被广泛采用。虽然Transformer在多种场景下都有优秀的表现，但是在推理部署阶段，其计算性能却受到了巨大的挑战：以BERT为原型的多层Transformer模型，其性能常常难以满足在线业务对于低延迟（保证服务质量）和高吞吐（考虑成本）的要求。
以BERT-BASE为例，超过90%的计算时间消耗在12层Transformer的前向计算上。因此一个高效的Transformer 前向计算方案，既可以为在线业务带来降本增效的作用，也有利于以Transformer结构为核心的各类网络在更多实际工业场景中落地。
本文将介绍NVIDIA GPU计算专家团队针对Transformer推理提出的性能优化方案：Faster Transformer。
Faster Transformer是一个BERT Transformer 单层前向计算的高效实现，其代码简洁明了，后续可以通过简单修改支持多种Transformer结构。目前优化集中在编码器（encoder）的前向计算（解码器decoder开发在后续特性规划中），底层由CUDA和cuBLAS实现，支持FP16和FP32两种计算模式，其中FP16可以充分利用Volta和Turing架构GPU上的Tensor Core计算单元。
Faster Transformer共接收4个输入参数。首先是attention head的数量以及每个head的维度。这两个参数是决定Transformer网络结构的关键参数。这两个参数的动态传入，可以保证Faster Transformer既支持标准的BERT-BASE（12 head x 64维），也支持裁剪过的模型（例如，4 head x 32维），或者其他各式专门定制化的模型。其余两个参数是Batch Size 和句子最大长度。
出于性能考虑，目前句子最大长度固定为最常用的32，64 和128三种，未来会支持任意长度。Faster Transformer对外提供C++ API，TensorFlow OP 接口，以及TensorRT [4]插件，并提供了相应的示例，用以支持用户将其集成到不同的线上应用代码中。
Faster Transformer目前已经开源，可以访问https://github.com/NVIDIA/DeepLearningExamples/tree/master/FasterTransformer
获取项目全部源代码，最新的性能数据以及支持的特性。欢迎大家前往使用，加星和反馈。
性能数据
Faster Transformer在不同的应用场景下都有着突出的表现。我们在这里测试了不同生产环境下Faster Transformer前向计算的执行时间以及与TensorFlow XLA的性能比较。测试环境如表1所示：
表1. 性能数据测试环境（本地服务器）
|
软件版本 |
CUDA 10.0 |
|
TensorFlow 1.13 |
|
|
硬件参数 |
CPU: Intel(R) Xeon(R) Gold 6132 CPU @ 2.60GHz |
|
Turing T4[5] @mclk 5000MHz, pclk 1590MHz Volta V100[6] @ mclk 877MHz, pclk 1380MHz |
|
|
Pascal P4[7] @ mclk 2999MHz, pclk 1531MHz |
首先针对线上QPS较低的业务（例如问答），我们将batch size设置为1，测试了BERT标准模型在不同的句子长度下，12层Transformer在P4和T4上的性能。由于这种场景下TensorFlow的性能非常依赖于CPU，因此这里不予列出。
表2. 小batch size情况下Faster Transformer的性能
|
batch size = 1, number of heads = 12, size per head = 64, 12 layers, time in ms |
|||
|
Sequence Length |
P4 in FP32 |
T4 in FP32 |
T4 in FP16 |
|
32 |
3.4 |
2.7 |
1.6 |
|
64 |
4.0 |
3.6 |
1.8 |
|
128 |
6.2 |
5.9 |
2.2 |
接着我们来观察Faster Transformer在搜索或者广告推荐等大batch size场景下的加速效果。表3和表4分别测试了固定句子长度为32，标准模型（12 head x 64维）和裁剪模型（4 head x 32维）在不同batch size下，12层Transformer 在V100上使用了FP16计算精度的性能。
表3. 标准模型不同Batch Size下TensorFlow XLA和Faster Transformer在V100上的性能对比
|
Sequence length = 32, number of heads = 12, size per head = 64, 12 layers |
|||
|
Batch size |
TensorFlow XLA (ms) |
Faster Transformer (ms) |
Speedup |
|
100 |
14.0 |
9.6 |
1.5x |
|
200 |
26.5 |
18.4 |
1.5x |
|
300 |
38.4 |
27.4 |
1.5x |
|
400 |
49.7 |
35.6 |
1.5x |
|
500 |
62.2 |
44.6 |
1.5x |
表4. 裁剪模型不同Batch Size下TensorFlow XLA和Faster Transformer在V100上的性能对比
|
Sequence length = 32, number of heads = 4, size per head = 32, 12 layers |
|||
|
Batch size |
TensorFlow XLA (ms) |
Faster Transformer (ms) |
Speedup |
|
100 |
3.5 |
1.7 |
2.0x |
|
200 |
4.9 |
2.6 |
1.9x |
|
300 |
6.4 |
3.4 |
1.9x |
|
400 |
8.0 |
4.3 |
1.9x |
|
500 |
9.9 |
5.1 |
1.9x |
可以看出，在标准模型和裁剪模型上，Faster Transformer都有很好的加速效果。
使用方法
Faster Transformer提供了TensorFlow OP ，C++ API和TensorRT Plugin 三种接口。
TensorFlow中使用Faster Transformer
在TensorFlow中使用Faster Transformer最为简单。只需要先import .so文件，然后在代码段中添加对Faster Transformer OP的调用即可。具体代码如下所示：
# import op
transformer_op_module = tf.load_op_library(os.path.join('../../build/lib/libtf_transformer.so'))
...
def fast_transformer_model_trans(...)
...
# original code
...
layer_output = layer_norm(layer_output + attention_output)
# calling faster transformer op
trainable_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope=tf.get_variable_scope().name)
layer_output = transformer_op_module.bert_transformer(
layer_input,
layer_input,
trainable_vars[0], trainable_vars[2], trainable_vars[4], trainable_vars[1], trainable_vars[3], trainable_vars[5],
attention_mask,
trainable_vars[6], trainable_vars[7], trainable_vars[8], trainable_vars[9], trainable_vars[10], trainable_vars[11],
trainable_vars[12], trainable_vars[13], trainable_vars[14], trainable_vars[15],
batch_size=batch_size, from_seq_len=seq_length, to_seq_len=seq_length, head_num=num_attention_heads, size_per_head=attention_head_size)
# original code
...
all_layer_outputs.append(layer_output)
...
用C++ API或者TensorRT 调用Faster Transformer
考虑到封装成TensorFlow OP会引入一些额外的开销，我们更建议用户直接使用C++ API或者TensorRT Plugin的方式去集成。目前这两种方式不支持直接解析训练好的模型。Transformer层所需要的weights参数，需要用户手动从训练好的模型中导出。
调用方式相对简单，将导出的weights赋值给参数结构体，创建相应的对象，调用initialize或者build_engine函数初始化对象。运行时，每次调用forward或者do_inference即可，具体代码如下所示：
/* C++ interface */
typedef BertEncoderTransformerTraits<OperationType::HALF, cuda::OpenMultiHeadAttention> EncoderTraits_;
fastertransformer::Allocator<AllocatorType::CUDA> allocator(0);
EncoderInitParam<__half> encoder_param; //init param here
encoder_param.from_tensor = d_from_tensor;
...
BertEncoderTransformer<EncoderTraits_> *encoder_transformer_ = new
BertEncoderTransformer<EncoderTraits_>(allocator, batch_size, from_seq_len, to_seq_len, head_num, size_per_head);
encoder_transformer_->initialize(encoder_param);
encoder_transformer_->forward();
/* TensorRT Plugin */
std::vector<std::vector<T *> > params;
/* push all weight pointers into the vector params*/
TRT_Transformer<T>* trt_transformer = new TRT_Transformer<T>(batch_size, seq_len, head_num, hidden_dim, layers);
trt_transformer->build_engine(params);
trt_transformer->do_inference(batch_size, h_from_tensor, h_attr_mask, h_transformer_out, stream);
优化原理
在深入了解Faster Transformer的优化原理之前，我们先来看下TensorFlow的实现情况。图1是TensorFlow在默认计算模式（不使用XLA优化）下的时间线片段。
其中，黄色矩形框中对应的是激活函数GELU。可以看到，在TensorFlow中，这个函数是通过8个类似Pow，Add，和Tanh等基本OP来实现的。Layer Normalization 操作也是类似的情况（图2）。
在TensorFlow中，每一个基本OP都会对应一次GPU kernel的调用，和多次显存读写，这些都会增加大量额外的开销。TensorFlow XLA可以在一定程度上缓解这个问题，它会对一些基本的OP进行合并，以减少GPU kernel的调度和显存读写。但在大多数情况下，XLA依然无法达到最优的性能，特别是对于BERT这种计算密集的情况，任何性能的提升都将节省巨量的计算资源。
如我们前面提到的，OP融合可以降低GPU调度和显存读写，进而提升性能。出于性能最大化的考虑，在Faster Transformer内部，我们将除矩阵乘法以外的所有kernel都进行了尽可能的融合，单层Transformer的计算流程如下图所示：
如图3所示，Faster Transformer只用了14个kernel就完成了原来将近60个kernel的计算逻辑。这其中8个kernel是通过调用cuBLAS接口计算矩阵乘法（绿色框），其余6个是自定义kernel （蓝色框）。
针对batch size比较小的场景（例如问答，TTS等），简单的融合后，基本上就可以达到很好的性能。这类场景下，TensorFlow原生实现的最大瓶颈就在于频繁的kernel launch，融合后大大降低了launch的开销，因此可以比较轻易地获得很好的加速效果。
针对大batch的场景，我们需要对矩阵乘法和所有的自定义kernel做精细的调优，才能达到很好的加速效果。我们从矩阵乘法算法选择，非矩阵乘法操作的参数配置，SoftMax多版本实现，以及数据结构类型等几个方面对大batch的情况进行了专门的调优。
首先针对矩阵乘法，在调用cuBLAS的接口时，可以指定性能最优的算法。特别是针对Volta和Turing架构的GPU，使用Tensor Core进行半精度计算时，当精度满足需求的情况下，累加器也可以选择半精度，从而进一步提升性能。
除矩阵乘法以外的6个kernel，大部分都是对矩阵乘的结果进行一些element-wise的操作。输入矩阵的大小，跟4个参数有关，batch size，句子长度，attention的head数量以及每个head的维度。针对不同的应用场景，参数大小可能极为不同。比如在线问答类的场景，batch size可能为会很小，通常为1。
而广告推荐或者搜索类的场景，batch size通常跟候选集大小有关，一般会是几百的规模。这样，输入矩阵的行数变化范围可能是几十到上千。因此，我们需要针对不同的情况，动态的调整kernel launch时的配置参数（grid和block的大小），甚至要针对同一个功能实现多个不同版本的kernel函数，例如，SoftMax的计算就有两个不同的实现版本。
针对半精度FP16，我们对各个kernel也进行了相应优化。首先，在kernel的实现中，将输入的half指针转成half2类型，并使用了half2相关的数学函数。这样不仅仅可以达到2倍于half的访存带宽和计算吞吐，还可以极大地减少指令的发射数量。其次，在SoftMax以及Layer Normalization的操作中，为防止求和溢出，将数据以half2的形式读入后，会转成float2类型来做求和计算。
除上述优化之外，Faster Transformer还优化了前向计算中耗时较高的GELU激活函数，Layer Normalization以及SoftMax等操作。比如利用warp shuffle实现高效的矩阵按行求和操作， 将1/sqrtf计算替换为rsqrtf函数，以及power (x, 3.0) 替换为x * x * x等。总之，我们针对Transformer进行了各种优化以保证它的高效执行。
结论
Faster Transformer是一个开源的高效Transformer实现，相比TensorFlow XLA 可以带来1.5-2x的提速。Faster Transformer对外提供C++ API， TensorFlow OP，以及TensorRT Plugin三种接口。对每种接口的调用方式，我们提供了完整的示例，方便用户集成。
Faster Transformer目前已经开源，可以访问https://github.com/NVIDIA/DeepLearningExamples/tree/master/FasterTransformer
获取项目全部源代码，最新的性能数据以及支持的特性。欢迎大家前往使用，加星和反馈。
[1] Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, and Illia Polosukhin. “Attention Is All You Need.” ArXiv:1706.03762 [Cs], June 12, 2017. http://arxiv.org/abs/1706.03762.
[2] Devlin, Jacob, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. “BERT: Pre-Training of Deep Bidirectional Transformers for Language Understanding.” ArXiv:1810.04805 [Cs], October 10, 2018. http://arxiv.org/abs/1810.04805.
[3] Yang, Zhilin, Zihang Dai, Yiming Yang, Jaime Carbonell, Ruslan Salakhutdinov, and Quoc V. Le. “XLNet: Generalized Autoregressive Pretraining for Language Understanding.” ArXiv:1906.08237 [Cs], June 19, 2019. http://arxiv.org/abs/1906.08237.
[4] TensorRT: https://developer.nvidia.com/tensorrt
[5] Turing T4 GPU, more information: https://www.nvidia.com/en-us/data-center/tesla-t4/
[6] Volta V100 GPU, more information: https://www.nvidia.com/en-us/data-center/tesla-v100/
[7] Pascal P4 GPU, more information: https://www.nvidia.com/en-us/deep-learning-ai/solutions/inference-platform/hpc/
NVIDIA BERT推理解决方案Faster Transformer开源了!相关推荐
- Faster Transformer
背景 Transformer自2017年的<Attention is All you Need>提出以来,成为通用高效的特征提取器.虽然其在NLP/TTS/ASR/CV等多个领域表现优异, ...
- 预训练模型参数量越来越大？这里有你需要的BERT推理加速技术指南
©作者 | 徐超 单位 | 微软亚洲互联网工程院 研究方向 | 文本相关性.多语言扩展 基于 Transformer 的预训练模型,尤其是 BERT,给各种 NLP 任务的 performance 带 ...
- BERT大火却不懂Transformer？读这一篇就够了 原版 可视化机器学习 可视化神经网络 可视化深度学习...20201107
20211016 调节因子 20211004 [NLP]Transformer模型原理详解 - 知乎 论文所用 20210703 GPT模型与Transformer进行对比_znevegiveup1的 ...
- BERT大火却不懂Transformer？读这一篇就够了 重点 命名实体识别
bert_config.josn 模型中参数的配置 { "attention_probs_dropout_prob": 0.1, #乘法attention时,softmax后dro ...
- 数据同步的终极解决方案，阿里巴巴开源的Canal框架当之无愧！！
写在前面 在当今互联网行业,尤其是现在分布式.微服务开发环境下,为了提高搜索效率,以及搜索的精准度,会大量使用Redis.Memcached等NoSQL数据库,也会使用大量的Solr.Elastics ...
- canal mysql多节点_数据同步的终极解决方案，阿里巴巴开源的Canal框架当之无愧！！...
写在前面 在当今互联网行业,尤其是现在分布式.微服务开发环境下,为了提高搜索效率,以及搜索的精准度,会大量使用Redis.Memcached等NoSQL数据库,也会使用大量的Solr.Elastics ...
- BERT大火却不懂Transformer？读这一篇就够了
本文转自:深度学习初学者 大数据文摘与百度NLP联合出品 编译:张驰.毅航.Conrad.龙心尘 前一段时间谷歌推出的BERT模型在11项NLP任务中夺得SOTA结果,引爆了整个NLP界.而BERT ...
- Nvidia显卡重新安装解决方案
过完一个周末,原本可以运行的图像识别程序突然运行不了了,在调用GPU的使用一直卡住. 具体表现例如:运行PaddleOCR时,到了调用GPU这一步,程序就一直卡着不动,关也关不掉,强行kill掉则会变 ...
- amd显卡测试软件linux,狂追Nvidia：AMD发布新版Linux开源显卡驱动
IT之家讯 11月23日消息,AMD今天终于正式发布了新版Linux系统开源显卡驱动程序,支持Tonga.Carrizo.Iceland.Fiji以及Stoney架构所有系列主流显卡,有望进一步追赶N ...
最新文章
- Oracle学习笔记--第2章 oracle 数据库体系结构
- 将.frm、.myd和.myi文件导入mysql数据库中
- CF896E Welcome home, Chtholly(分块/并查集/第二分块）
- 网站运行怎么选服务器，wordpress外贸建站服务器怎么选
- 计算机主板提示ahci,映泰主板设置硬盘模式AHCI或IDE的教程
- Windows设置访问白名单
- linux内核的reciprocal_value结构体
- java 颜色渐变算法_颜色渐变的RGB计算
- 计算机协会副会职责,计算机协会规章制度解答.doc
- simulink enable嵌套问题
- Mac Spotlight搜索快捷键
- python 键盘输入立刻反应_win10系统，为什么键盘输入字符后得停顿一下，鼠标点击才有效 例如在wor...
- 【Android】Error obtaining UI hierarchyError while obtaining UI hierarchy XML file: com.android...
- 【图像增广库imgaug】官方文档翻译（一）：加载并增强图片
- 几个常见网络故障修复命令
- 如果通过这次面试我们单位录用了你，但工作一段时间却发现你根本不适合这个职位，你怎么办？
- VMware下怎么批量创建，克隆，迁移虚拟机
- [ROC-RK3568-PC] 手把手教你编译Linux_SDK并打包Ubuntu系统固件
- FCC算法：十一、截断数组--Slasher Flick
- 利用frp 进行远程桌面控制