用于自然語言處理的最流行的深度學習模型之一是BERT。由于需要大量的計算，在大規(guī)模推斷上BERT計算量非常大，甚至在嚴格的延遲約束下都不可能。最近，我們分享了“Bing has improved BERT inference on GPU for its real-time”，在必應的延遲限制內，每秒服務超過100萬個BERT推斷。我們很高興地宣布，微軟已經在ONNX Runtime中開源了這些優(yōu)化的增強版本，并將它們擴展到GPU和CPU上。

有了ONNX Runtime，人工智能開發(fā)人員現在可以很容易地在CPU和GPU硬件上生產出高性能的大型transformer模型，使用和微軟一樣的技術來服務客戶。

Bing里的自然語言處理

為了向我們的客戶提供最相關的結果，Bing使用了最先進的自然語言處理(NLP)技術來更好地理解用戶查詢、網頁和其他文檔。NLP的一個關鍵組件是語言表示模型，如BERT、RoBERTa或MT-DNN。必應開發(fā)和調優(yōu)了自己的語言表征模型，用于網絡搜索，問答，以及圖像的描述等任務上面。

然而，在實時生產環(huán)境中使用大型的transformer network會帶來延遲和成本方面的挑戰(zhàn)，因為為每個查詢運行12層或24層的BERT在計算上非常昂貴。正如去年11月宣布的那樣，我們首先使用知識蒸餾將較大的模型濃縮成一個三層的BERT模型，沒有顯著的精度損失，顯著降低了計算成本。但是，經過提煉的三層BERT模型仍然以77ms的延遲為基準，每秒運行數百萬個查詢和文檔的速度仍然非常昂貴。為了進一步優(yōu)化，使用c++ api重新實現了整個模型，充分利用了GPU架構，與CPU相比，該架構實現了800x的吞吐量提升。

一旦這些優(yōu)化在Bing產品中成功使用，就有更多的事情要做。由于這些大型的transformer network可用于web搜索之外的更多NLP任務，所以我們需要一種簡單的方法來為其他人共享這些有益的工作。當前的解決方案要求每個模型開發(fā)人員使用我們的c++庫重新實現模型，這是非常耗時的。為了進一步普及transformer推理并使其他人能夠從這些改進中獲益，我們進一步優(yōu)化了它們，將它們擴展到CPU，并在ONNX Runtime中開放它們的源代碼。

使用ONNX Runtime實現17x BERT推理加速

ONNX Runtime是一個高性能的機器學習模型推理引擎。它與PyTorch、TensorFlow以及許多其他支持ONNX標準的框架和工具兼容。ONNX Runtime設計了一個開放和可擴展的體系結構，通過利用內置的圖形優(yōu)化和跨CPU、GPU和邊緣設備的各種硬件加速功能，可以輕松地優(yōu)化和加速推理。ONNX Runtime可以很容易地插入到你的技術堆棧中，因為它可以在Linux、Windows、Mac和Android上工作，并且為Python、c#、c++、C和Java提供了方便的api。

像BERT這樣的Transformer模型由許多操作符組成。圖形優(yōu)化，從小的圖形簡化和節(jié)點清除到更復雜的節(jié)點融合和布局優(yōu)化，是構建在ONNX Runtime中的一項基本技術。由于BERT模型主要由堆疊的Transformer單元組成，我們通過將多個基本運算符的關鍵子圖融合成CPU和GPU的單一內核來優(yōu)化每個單元，包括Self-Attention層、LayerNormalization層和Gelu層。這大大減少了大量基本計算之間的內存復制。

另外，在Self-Attention的CPU實現中，根據Self-Attention heads的數量對矩陣Q、K、V的列進行了劃分。通過這種優(yōu)化，我們可以顯著提高并行性，并充分利用可用的CPU內核。并且，Q、K、V全連接后的轉置運算可以在GEMM中進行計算，進一步降低了計算成本。

通過這些優(yōu)化，ONNX Runtime在Azure標準NC6S_v3 (GPU V100)上對128個序列長度和批大小為1的BERT-SQUAD執(zhí)行推理：

• 12層 fp16 BERT-SQUAD為1.7ms。
• 24層 fp16 BERT-SQUAD為4.0ms。

下面是ONNX Runtime上3層fp32 BERT與128序列長度的詳細的性能數字。在CPU上，我們看到了17x的加速，在GPU上，我們看到了超過3倍的加速。

在全局大規(guī)模使用ONNX Runtime推理

隨著最新的BERT優(yōu)化在ONNX Runtime可用，Bing將transformer推理代碼庫轉換為聯(lián)合開發(fā)的ONNX Runtime。ONNX不僅在Bing流量范圍內對大型transformer網絡進行了推理，而且新的優(yōu)化還降低了Bing的延時。此外，Bing發(fā)現ONNX Runtime更容易使用，并將新場景優(yōu)化的重用時間從幾天縮短到幾個小時。

除了Bing之外，ONNX Runtime還被微軟的數十種產品和服務所部署，包括Office、Windows、Cognitive services、Skype、Bing Ads和PowerBI等。ONNX Runtime用于計算機視覺、語音、語言處理、預測等各種模型。與以前的推理解決方案相比，團隊在相同的硬件上實現了最多18倍的性能改進。

開始使用BERT加速

你可以利用微軟的技術在你自己的產品中使用的相同的加速，不管你是針對云還是智能邊緣，或者你是使用cpu還是gpu。我們開始：

1. 使用或從流行的框架(如PyTorch或TensorFlow)加載預訓練的模型。
2. 通過從PyTorch導出或從TensorFlow/Keras轉換為ONNX格式，為優(yōu)化推斷準備模型。
3. 使用ONNX Runtime進行跨多個平臺和硬件的高性能推理。