Fast Trasnformer 加速BERT推理实践_v100 fasttanformers

Fast Trasnformer 加速BERT推理实践

上篇BERT做NER的文章很受大家欢迎，其中不乏童鞋询问我如何加速BERT方法的推理速度，本文就对此进行简单的描述，主要是基于NVIDIA开源的Fast Transformer的一个实践。

本文的主要内容如下：

• Fast Transoformer文本分类加速实践

• 其他可以加速推理的方法小调研

1. Fast Trasnformer 加速BERT推理环境搭建

NVIDIA的fast transorfmer加速的代码位于：fast transormer git code

下面的很多内容，都是官方教程，我只是一个搬运工!

1.1 测试环境

OS: ubuntu16.4
CUDA: 10.0
cudnn: 7.6
cmake: 3.15
tensorflow-gpu==1.13.1
显卡型号：RTX2070

备注： 必须要有显卡，没显卡没法继续愉快的玩耍，cuda, cudnn版本最好也对应一下，cuda=9.x 貌似跑不起来。

1.2 必要软件安装

主要就是cmake的版本和TensorFlow-GPU的版本

• cmake的升级或者安装自行百度；
• TensorFlow的版本推荐1.13.x,1.14.0笔者没有编译成功；
• python2或者3都可以成功编译，但是python3在后面的实验中需要自行解决代码兼容问题，因为官方是使用python2写的，主要是print兼容问题。

1.3 编译fast transformer

1. 3.1 下载官方代码：

git clone https://github.com/NVIDIA/DeepLearningExamples.git

cd DeepLearningExamples/DeepLearningExamples

git submodule init

git submodule update
1
2
3
4
5
6
7
8

git 的安装不需要写吧

1.3.2 编译环境

首先创建编译目录

mdir -p build
cd build
1
2

官方给出的demo有基于c++, tensorflow, tensorrt的支持，笔者使用的是TensorFlow的Python2,其他的自行更改，都在readme中

cmake -DSM=75 -DCMAKE_BUILD_TYPE=Release -DBUILD_TF=ON -DTF_PATH=/usr/local/lib/python2.7/dist-packages/tensorflow ..
1

备注：

1. -DSM 是显卡的计算能力，如果出错，在后面的使用或者编译中，都可能会报错。
   不同显卡对应值：60 (P40) or 61 (P4) or 70 (V100) or 75(T4，2060，2070，2080)
   因为我使用的是2070所有参数值是75，你自己用啥显卡自己去match就好了，其他显卡的值在官网有，自行查阅。
2. DTF_PATH 是python 安装TensorFlow的路径，替换层自己的路径，如果是Python3，同理。

截下来，就可以编译了

make
1

如果上面正常执行的话，恭喜你，编译成功，你离成功不远了。

如果你出错了，再次强调，检查一下你的TensorFlow版本是不是1.13.1或者1.13.2， cuda ,cudnn是否版本正确，是否安装正确。如果还是有错，可以先谷歌。

1.4 测试fast transformer是否安装正常

因为疫情原因，身边没有机器，无法更好的进行截图和目录内容的展示，回工作地后再进补，大家如果编译成功了，接着官方的教程一般就没啥问题了。

step1

使用gemm算法找到最佳的transorfmer head计算组合，gemm的脚本在build/bin里面，有float32 和float16的，想用那种用那种，下面以float32精度，batch_size=2, layers=12, seq_len=32, head_num=12, size_per_head=64这样的标准bert transormer来测试

cd build
./bin/gemm_fp32 2 12 32 12 64
1
2

注意

1. gemm_fp32 后面的数字分别代表batch_size,layers, seq_len, head_num, size_per_head的值，使用空格切分
2. 如果要使用float16，使用对应的脚本即可
3. 在我的环境中，float32, python2 ，batch_size=1的配置下会出错，batch_size 环卫其他无问题，float16下，无问题

执行成功后，在当前目录下，会生成gemm.的文件，然后使用下面的命令进行inference实验

python transformer_fp32.py 2 12 32 12 64 
1

注意

1. 后面接的五个参数和gemm的参数一样，并且要一致
2. 如果使用python3 直接执行会报错，自行进入transormer_fp32.py中修改对应的print带来的兼容问题。
3. 如果使用float16, 使用对应的脚本即可

如果一切正常，你会看到类似如下的信息

original costs xxxxxms
optimized costs xxxxms
1
2

三观正常的话，优化后的速度会比原始速度少。

2 文本分类加速实践

先只写一个文本分类的demo吧，这个也是最简单的，后续再写一个基于序列标注任务的，其实只需要简单的修改代码即可实现。

2.1 训练和加速代码

这里基本就是step by step了，我就按照1234来说吧。follow即可

预备

分类数据集：
随便你用啥文本分类，中文的话，推荐THUNews
我使用的是清华的文本分类数据集，数据集的获取和处理可以看之前的博客。https://blog.csdn.net/macanv/article/details/100927325

必要代码:

1. 官当inference代码位于

FasterTransformer/sample/tensorflow_bert
1

2. 文本分类代码： 官方的，NVIDIA的，自己写的都可以，随便
   我就以使用Google的来说吧，可能大家比较熟悉，先把bert代码下载下来，然后吧run_classifier.py粘贴到推理demo代码所使用的文件夹下

截下来就是具体步骤了。

步骤

1.训练分类模型

以前咋训练的，现在还是咋弄

2. 将float32精度的模型转化为float16(可选)

如果是要在float16精度上进行优化，那么久需要先将flaot32的模型转化为flaot16的，转换的脚本是

python ckpt_type_convert.py --init_checkpoint=mrpc_output/model.ckpt-343 --fp16_checkpoint=mrpc_output/fp16_model.ckpt
1

转化之前，建议先将模型进行备份，转化后，checkpoint会被替换，如果后面继续使用float32的原始模型，那么需要修改为原始的chekpoint

3. 修改fast_transorfmer的lib

在fast_infer_util.py中26行,需要正确指定刚才build下的lib路径，这个非常重要，如果你后续需要单独使用的时候，这里千万别忘了修改(别问我为啥知道的)

4. 生成gemm

按照demo中的步骤，需要使用gemm算法生成最好的head 计算组合，这里就很灵活了，根据自己的需求执行对应命令，例如
batch_size=2, 序列最大长度是32的话，那么你就可以直接使用1.4 step1中的命令，
重点：将生成的gemm配置文件复制到当前推理的目录下。

4.inference进行推理

这个步骤是使用fast transformer进行predict 测试集

python run_classifier_wrap.py   --floatx=float16   --task_name=MRPC   --do_eval=true   --data_dir=$GLUE_DIR/MRPC   --vocab_file=$BERT_BASE_DIR/vocab.txt   --bert_config_file=$BERT_BASE_DIR/bert_config.json   --init_checkpoint=mrpc_output/fp16_model.ckpt   --max_seq_length=128   --eval_batch_size=8   --output_dir=mrpc_output
1

相应替换对应的参数即可

这个使用的是estimator进行的，如果使用sess.run，大体的代码可以从这里得到，然后将create_model 替换fiu.create_model

上诉实验的代码因为身边没有服务器，所以暂时无法开源，如果有疑问，可以留言，我争取能恢复，并且帮助到大家。

1.6 其他加速方法调研

• 不使用全部的12层，而是只使用后面的n层，在交大的论文中有试验，一般去掉前面3层不会对性能造成大的影响，但是推理速度可以提高速倍。具体任务，还需要具体分析；
• 使用TensorRT或者fast transorfmer 但是TensorRT的加速效果我一直没有复现，会比官方报告的结果慢一倍以上。
• 模型蒸馏，这个应该是19年下半年火的不要不要的方法了吧，传说tiny bert 效果不错，目前也公开了源码，有时间玩一下，也写一下感受。

总结

本文记录了使用NVIDIA 的fast transorfmer进行BERT推理加速的环境配置以及基于文本分类进行的实践，一些重要的代码在后续将会给出，最后，武汉加油，身在湖北的我瑟瑟发抖。