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。
近年来，基于Transformer的模型，可以说是在NLP界杀出了一片天地。
虽然在提高模型模型精度上，Transformer发挥了不容小觑的作用，但与此同时，却引入了更大的计算量。
那么，这个计算量有多大呢？
来看下数据。
因此，实现一个能充分发挥CPU/GPU硬件计算能力的Transformer推理方法，就成了急需解决的问题。
近日，腾讯便开源了一个叫TurboTransformers的工具，对Transformer推理过程起到了加速作用，让你的推理引擎变得更加强大。
这个工具已经在微信、腾讯云、QQ看点等产品中广泛应用，在线上预测场景中可以说是“身经百战”。
Turbo具有如下三大特性：
- 优异的CPU/GPU性能表现。
- 为NLP推理任务特点量身定制。
- 简单的使用方式。
值得一提的是，TurboTransformers，是腾讯通过Github对外开源的第100个项目。
那么，具有如此“纪念意义”的开源工具，到底有多厉害？
接下来，我们将一一讲解。
多项性能测试“摘桂冠”
Turbo在CPU/GPU性能上的表现可以说是非常优异。
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的性能表现。
CPU上的测试结果
首先，是在CPU 硬件平台上，测试了 TurboTransformers 的性能表现。
选择 pytorch、pytorch-jit 和 onnxruntime-mkldnn 和 TensorRT 实现作为对比。
性能测试结果为迭代 150 次的均值。为了避免多次测试时，上次迭代的数据在 cache 中缓存的现象，每次测试采用随机数据，并在计算后刷新的 cache 数据。
下图是Intel Xeon 6133 CPU的性能测试结果。
GPU上的测试结果
其次，是在GPU硬件平台上，测试了 TurboTransformers 的性能表现。
选择对比的对象分别是：pytorch、NVIDIA Faster Transformers、onnxruntime-gpuTensorRT。
性能测试结果为迭代 150 次的均值。
下图是在NVIDIA RTX 2060 GPU的性能测试结果。
接下来，是在NVIDIA P40 GPU的性能测试结果。
最后，是在NVIDIA V100 GPU的性能测试结果。
Turbo技术原理
能够取得如此好的推理性能，这背后的计算原理又是什么呢？
TurboTransformers的软件架构如下图，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，让算法更好地服务的用户。
具体来说TurboTransformers可以在算子优化、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
Transformer都包含了什么计算呢？
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。通过调优Intel MKL和cuBLAS的GEMM调用方式来获得最佳GEMM性能。
并且在硬件允许条件下，在GPU上使用tensor core方式进行GEMM运算。
类似NVIDIA FasterTransformers方案，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，一是减少了内存访问开销，二是减少多线程启动开销。
对于这些核心，在CPU上采用openmp进行并行，在GPU上使用CUDA进行优化实现。
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，极大降低了这些算子的延迟。
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采用了一个有效的内存管理方式。
由于NLP的采用变长输入特性，每次运算中间结果的大小其实并不相同。为了避免每次都分配释放内存，研究人员通过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，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，支持直接读入huggingface/transformers预训练模型。
应用部署
Turbo提供了C++和Python调用接口，可以嵌入到C++多线程后台服务流程中，也可以加入到pytorch服务流程中。
研究人员建议TurboTransformers通过docker部署，一方面保证了编译的可移植性，另一方面也可以无缝应用于K8S等线上部署平台。
传送门
GitHub项目地址：https://github.com/Tencent/TurboTransformers/blob/master/README_cn.md
