隨著騰訊微信的發(fā)展，微信搜索也成為其越來越重要的功能，這個功能可以用來搜索微信內部的賬號、信息，以及搜索互聯網上的內容。微信搜索月活躍用戶數量達到五億以上。搜索業(yè)務當中使用了大量的神經網絡模型，包括自然語言理解、匹配排序等等，這些模型的訓練和推理都大量依賴于NVIDIA GPU，尤其在推理方面，NVIDIA GPU及相應的解決方案都滿足了業(yè)務所需的延遲和吞吐要求。

微信搜索業(yè)務需要更高效平臺

微信搜索業(yè)務由多個子模塊構成，包括查詢理解、匹配、搜索排序等等。由于搜索的業(yè)務特點，這些任務對線上服務的延遲和吞吐都十分敏感。然而在最近幾年，隨著算力的提升以及算法的創(chuàng)新，很多大型復雜的神經網絡模型開始應用在這些任務上，比如BERT/Transformer等模型。

這些大模型需要的計算資源和業(yè)務上的高要求對推理端的軟硬件都是很大的挑戰(zhàn)，必須針對具體的硬件做極致的優(yōu)化。而且對于大模型的推理，很多技術被探索、應用在這些場景上以便實現性能加速、節(jié)約資源，比如模型壓縮、剪枝、低精度計算等。這些技術可能會帶來精度下降等負面影響，限制了這些技術的廣泛應用。因此，如何在保證精度效果以及服務吞吐延遲需求的情況下，高效地對這些模型進行推理成為了業(yè)務上的巨大挑戰(zhàn)。NVIDIA GPU以及NVIDIA TensorRT給這一場景提供了解決方案。

NVIDIA技術助力線上大模型推理

為了滿足線上服務的需求，并且盡可能地節(jié)約成本，微信搜索選擇使用NVIDIA T4 GPU以及TensorRT推理引擎來進行線上大模型的推理。

線上服務對于吞吐和延遲有很高的要求，微信搜索選擇使用NVIDIA T4 GPU以及TensorRT推理引擎來做線上推理服務，利用NVIDIA基于TensorRT開源的BERT實現，可以很方便地在FP16精度下實現滿足需求的線上推理功能。這個方案在線上取得了很好的效果。

在此基礎上，微信搜索希望進一步加快推理速度，節(jié)約計算資源，以便更好地服務用戶，節(jié)約成本。低精度推理成為了很好的選擇。NVIDIA GPU從圖靈（Turing）架構開始就有了INT8 Tensor Core，其計算吞吐量最高可達FP16精度的2倍。同時低精度推理跟其他的優(yōu)化方法也是正交的，可以同時使用其他技術比如剪枝、蒸餾等做進一步提升。微信搜索線上大量使用NVIDIA T4 GPU，非常適合使用INT8推理。而且TensorRT對INT8推理也有良好的支持。利用TensorRT的“校準”（Calibration）功能，能夠方便地將Float精度模型轉換為INT8低精度模型，實現低精度推理。通過低精度推理，模型的單次推理時間大大縮短。

通過“校準”來做模型轉換已經在很多計算機視覺模型上被驗證是十分有效的，并且其精度和推理性能都十分優(yōu)秀。然而對于像BERT一類的模型， “校準” 無法使得精度和性能都完全令人滿意。因此，騰訊搜索使用了NVIDIA開發(fā)的基于PyTorch/TensorFlow的量化工具進行基于知識蒸餾的量化感知訓練（Quantization Aware Training）克服精度下降的問題。TensorRT對于導入量化感知訓練好的模型進行INT8低精度推理有著很好的支持。導入這樣的模型，不僅得到了最佳性能，而且精度沒有損失，線上服務只需更換TensorRT構建好的引擎即可，極大地簡化了部署的流程。

通過這樣的方案，微信搜索中的一些關鍵任務，比如查詢理解等自然語言理解任務，可以在精度沒有損失的情況下，達到2-10倍的加速效果，平均單句推理時間達到了0.1ms。任務相應的計算資源節(jié)省了約70%。這個方案大大優(yōu)化了微信搜索業(yè)務的性能，降低了部署成本。

使用NVIDIA T4 GPU以及TensorRT推理引擎進行INT8低精度推理，極大提升了微信搜索的速度，進一步提升了用戶體驗，節(jié)約了公司成本。

微信搜索的Hui Liu、Raccoon Liu和Dick Zhu表示：“我們已經實現了基于TensorRT和INT8 QAT的模型推理加速，以加速微信搜索的核心任務，包括Query理解和查詢結果排序等。我們用GPU+TensorRT的解決方案突破了NLP模型復雜性的限制，BERT/Transformer可以完全集成到我們的解決方案中。此外，我們利用卓越的性能優(yōu)化方法，節(jié)省了70%的計算資源。”

責任編輯：haq

隨著騰訊微信的發(fā)展，微信搜索也成為其越來越重要的功能，這個功能可以用來搜索微信內部的賬號、信息，以及搜索互聯網上的內容。微信搜索月活躍用戶數量達到五億以上。搜索業(yè)務當中使用了大量的神經網絡模型，包括自然語言理解、匹配排序等等，這些模型的訓練和推理都大量依賴于NVIDIA GPU，尤其在推理方面，NVIDIA GPU及相應的解決方案都滿足了業(yè)務所需的延遲和吞吐要求。

微信搜索業(yè)務需要更高效平臺

微信搜索業(yè)務由多個子模塊構成，包括查詢理解、匹配、搜索排序等等。由于搜索的業(yè)務特點，這些任務對線上服務的延遲和吞吐都十分敏感。然而在最近幾年，隨著算力的提升以及算法的創(chuàng)新，很多大型復雜的神經網絡模型開始應用在這些任務上，比如BERT/Transformer等模型。 這些大模型需要的計算資源和業(yè)務上的高要求對推理端的軟硬件都是很大的挑戰(zhàn)，必須針對具體的硬件做極致的優(yōu)化。而且對于大模型的推理，很多技術被探索、應用在這些場景上以便實現性能加速、節(jié)約資源，比如模型壓縮、剪枝、低精度計算等。這些技術可能會帶來精度下降等負面影響，限制了這些技術的廣泛應用。因此，如何在保證精度效果以及服務吞吐延遲需求的情況下，高效地對這些模型進行推理成為了業(yè)務上的巨大挑戰(zhàn)。NVIDIA GPU以及NVIDIATensorRT給這一場景提供了解決方案。

NVIDIA技術助力線上大模型推理

為了滿足線上服務的需求，并且盡可能地節(jié)約成本，微信搜索選擇使用NVIDIA T4 GPU以及TensorRT推理引擎來進行線上大模型的推理。

線上服務對于吞吐和延遲有很高的要求，微信搜索選擇使用NVIDIA T4 GPU以及TensorRT推理引擎來做線上推理服務，利用NVIDIA基于TensorRT開源的BERT實現，可以很方便地在FP16精度下實現滿足需求的線上推理功能。這個方案在線上取得了很好的效果。

在此基礎上，微信搜索希望進一步加快推理速度，節(jié)約計算資源，以便更好地服務用戶，節(jié)約成本。低精度推理成為了很好的選擇。NVIDIA GPU從圖靈（Turing）架構開始就有了INT8 Tensor Core，其計算吞吐量最高可達FP16精度的2倍。同時低精度推理跟其他的優(yōu)化方法也是正交的，可以同時使用其他技術比如剪枝、蒸餾等做進一步提升。微信搜索線上大量使用NVIDIA T4 GPU，非常適合使用INT8推理。而且TensorRT對INT8推理也有良好的支持。利用TensorRT的“校準”（Calibration）功能，能夠方便地將Float精度模型轉換為INT8低精度模型，實現低精度推理。通過低精度推理，模型的單次推理時間大大縮短。

通過“校準”來做模型轉換已經在很多計算機視覺模型上被驗證是十分有效的，并且其精度和推理性能都十分優(yōu)秀。然而對于像BERT一類的模型， “校準” 無法使得精度和性能都完全令人滿意。因此，騰訊搜索使用了NVIDIA開發(fā)的基于PyTorch/TensorFlow的量化工具進行基于知識蒸餾的量化感知訓練（Quantization Aware Training）克服精度下降的問題。TensorRT對于導入量化感知訓練好的模型進行INT8低精度推理有著很好的支持。導入這樣的模型，不僅得到了最佳性能，而且精度沒有損失，線上服務只需更換TensorRT構建好的引擎即可，極大地簡化了部署的流程。

通過這樣的方案，微信搜索中的一些關鍵任務，比如查詢理解等自然語言理解任務，可以在精度沒有損失的情況下，達到2-10倍的加速效果，平均單句推理時間達到了0.1ms。任務相應的計算資源節(jié)省了約70%。這個方案大大優(yōu)化了微信搜索業(yè)務的性能，降低了部署成本。 使用NVIDIA T4 GPU以及TensorRT推理引擎進行INT8低精度推理，極大提升了微信搜索的速度，進一步提升了用戶體驗，節(jié)約了公司成本。 微信搜索的Hui Liu、Raccoon Liu和Dick Zhu表示："我們已經實現了基于TensorRT和INT8 QAT的模型推理加速，以加速微信搜索的核心任務，包括Query理解和查詢結果排序等。我們用GPU+TensorRT的解決方案突破了NLP模型復雜性的限制，BERT/Transformer可以完全集成到我們的解決方案中。此外，我們利用卓越的性能優(yōu)化方法，節(jié)省了70%的計算資源。"

責任編輯：haq