近日，腾讯正式宣布开源 Transformer 推理加速工具 TurboTransformers。该工具是面向自然语言处理领域中 Transformers 相关模型丰富的线上预测场景所提出的加速方案，已经在微信、腾讯云、QQ 看点等产品的线上服务中广泛应用，这是腾讯通过 GitHub 对外开源的第 100 个项目。
整理 | 钰莹
TurboTransformers 的诞生源于腾讯内部对开源协同的推动。2019 年初，腾讯技术委员会成立，下设开源协同、自研上云两个项目组和对外开源管理办公室，以此来促进内部代码的开放共享和协同共建。TurboTransformers 来自于深度学习自然语言处理基础平台 TencentNLP Oteam，作为基础性技术版块，率先进行了开源协同实践，旨在搭建统一的深度学习 NLP （Natural Language Processing，自然语言处理）基础平台、提升研发效能。
TurboTransformers 项目背景
TurboTransformers 是一款小而美的 Transformer 加速工具，就像它的名字所寓意的，Turbo（涡轮）可以增加汽车发动机氧气含量，从而带来更大动力，使用 TurboTransformers 也可以让你的推理引擎更加强劲。
在自然语言处理领域，以 BERT 为代表的 Transformers 相关神经网络模型是近年来最重要的模型创新，可为阅读理解、文章摘要、语义分类、同义改写等 NLP 任务提供显著的效果提升。但提高模型精度的同时，Transformes 相关模型也带来了更多的计算量。由于深度学习的训练和推理任务存在的差异，训练框架直接应用于线上推理并不能得到极致的性能。众多模型算法工程师都遇到了训练模型效果很好，但因为响应延迟不满足要求而无法上线的问题。
业界很多工具尝试弥合推理和训练之间实现差异的鸿沟，如 onnxruntime、tensorRT、torchlib、XLA 等，这些工作大多需要根据输入尺寸预先对计算图进行预处理和优化，以获得更好的推理时性能。与图像处理任务的输入常常没有变化不同，NLP 推理任务输入尺寸多个维度会存在变化。实际推理时如果通过补零或者截断整理成固定的输入尺寸，则会引入了额外补零计算开销。因此，针对固定输入尺寸进行预处理优化的方案对 NLP 任务并不适用。
如下图比较了最典型的 Transformer 模型 BERT 和一些计算机视觉模型的计算量，可见使用 Transformer 的线上 NLP 服务部署更具挑战。鉴于 BERT 在各大互联网公司的广泛应用，非常必要实现一个能发挥充分 CPU/GPU 硬件计算能力的 Transformer 推理方法。
项目介绍
TurboTransformers 可以让推理引擎更加强劲。具体来说，它具有高速、实用、简单三个特点：
- 更优的 CPU/GPU 性能表现。面向 Intel 多核 CPU 和 NVIDIA GPU 硬件平台，通过核心融合和并行算法优化，TurboTransformers 充分发挥硬件各层级并行计算的能力。在多种 CPU 和 GPU 硬件上获得了超过 PyTorch/TensorFlow 和目前主流优化引擎（如 onnxruntime-mkldnn/onnxruntime-gpu, torch JIT, NVIDIA faster transformers）的性能表现。
- 为 NLP 推理任务特点量身定制。TurboTransformers 可以支持变长输入序列处理，无需序列补零、截断或者分桶带来的无用计算，也无需任何针对计算图在推理前进行预调优的过程。
- 简单的使用方式。TurboTransformers 支持 python 和 C 接口进行调用。TurboTransformers 支持 TensorFlow 和 PyTorch 预训练模型的载入。它可以作为 huggingface/transformers 的推理加速插件，通过加入几行 python 代码获得的 BERT 模型的端对端加速效果。
此前，TurboTransformers 已应用在腾讯内部多个线上 BERT 服务服务场景。其中，微信常用问题回复服务获得 1.88 倍加速，QQ 看点推荐服务获得 13.6 倍加速等。
项目地址：
https://github.com/Tencent/TurboTransformers
技术差异
TurboTransformers 的软件架构如下图所示，它让微信内部众多 NLP 线上应用能够充分榨取底层硬件的计算能力，让算法更好地服务用户。
具体来说，TurboTransformers 在算子优化、框架优化和接口部署方式简化三个方面做了工作。
算子层优化
如下图所示，图 (a) 展示了论文 Transformer 结构示意图，这里称灰色方框内的结构为一个 Transformer Cell，BERT encoder 堆叠了 Nx 个这样的 Transformer Cell。图 (b) 将一个 Cell 的细节加以展开，每一个矩形都是一个独立的计算核心。
Transformer Cell 计算包含了 8 个 GEMM（通用矩阵乘法，General Matrix Multiplication）运算，TurboTransformers 通过调优 Intel MKL 和 cuBLAS 的 GEMM 接口调用方式来获得最佳 GEMM 性能。具体来说，它精心调整了预训练模型矩阵存储方式，并且在硬件允许条件下，在 GPU 上使用 tensor core 硬件进行 GEMM 运算。
类似 NVIDIA FasterTransformers 方案，TurboTransformers 将所有 GEMM 运算之间的计算融合成一个调用核心。融合会带来两个好处：一是减少内存访问开销；二是减少多线程启动开销。对于这些核心，TurboTransformers 在 CPU 上采用 OpenMP 进行并行实现，在 GPU 上使用 CUDA 进行并行实现。对于比较复杂的 LayerNorm 和 Softmax 算子，它们包含了不适合 GPU 上并行的规约操作，TurboTransformers 为它们设计了创新并行算法，极大降低算子延迟。理论上，Transformers 推理延迟应该近似于矩阵乘法延迟。
框架层优化
TurboTransformers 采用了一个简单有效的内存管理方式。由于 NLP 的变长输入特性，每次运算中间结果的大小其实并不相同。为避免每次推理都分配释放内存，腾讯通过 Caching 方式管理显存。
为了能够无缝支持 pytorch/tensorflow 训练好的序列化模型，腾讯提供了一些脚本可以将二者的预训练模型转化为 npz 格式，供 TurboTransformers 读入。特别的，考虑到 pytorch huggingface/transformers 是目前最流行的 transformers 训练方法，该项目支持直接读入 huggingface/transformers 预训练模型。用户可以在 huggingface/transformers 的 BERT 实现基础上增加几行 python 代码，就可获得端到端的加速效果。
应用部署
该项目提供了 C 和 Python 的调用接口。可以嵌入到 C 多线程后台服务流程中，也封装成用 Python 方式书写的微服务。腾讯建议 TurboTransformers 通过 docker 部署，一方面保证编译的可移植性，另一方面也可以无缝应用于 K8s 等线上部署平台。
性能结果
下图是在 Intel Xeon 6133 CPU 的性能测试结果：
下图是在 NVIDIA RTX 2060 GPU 的性能测试结果：
下图是在 NVIDIA P40 GPU 的性能测试结果：
下图是在 NVIDIA V100 GPU 的性能测试结果：
未来展望
目前，TurboTransformers 的功能相对有限，只支持 FP32 的计算，并重点支持了 BERT 模型。接下来，腾讯计划支持更低的浮点精度，并增加 TurboTransformers 对其他模型的支持。期待和社区一起完善该项目。
对项目感兴趣的开发者，欢迎访问如下项目地址：
https://github.com/Tencent/TurboTransformers
