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。
最近，NLP明星公司Hugging Face发布了一个叫做Infinity的产品，可以以1ms延时完成Transformer的推理，性能相当高了。
但是，厉害归厉害，还是有点贵——1年至少要十几万块 （2万美元）。
那有没有什么平替的方法呢？
有的！还是开源的、“不费吹灰之力”就可以达到Infinity一些公共基准的那种。
并且现在，通过在该方法上施加一个小trick，将Transformer的推理速度提高4.5倍！
△ 帖子发布不到一天就收获了250+热度
那么，一个“平替”到底为什么能达到“付费”的效果呢？
一个trick让Transformer推理速度提高4.5倍
先来认识一下这个方法：Transformer-deploy。
它可以用一行命令优化和部署Hugging Face上的Transformer模型，并支持大多数基于Transformer编码器的模型，比如Bert、Roberta、miniLM、Camembert、Albert、XLM-R、Distilbert等。
Transformer-deploy推理服务器用的是Nvidia Triton。
推理引擎为Microsoft ONNX Runtime（用于CPU和GPU推理）和Nvidia TensorRT（仅限 GPU）。
如果想在GPU上获得一流的性能，Nvidia Triton+Nvidia TensorRT这样的组合无疑是最佳选择。
虽然TensorRT用起来有点难，但它确实能比用Pytorch快5～10倍。
在实际性能测试中，Transformer-deploy在batch size为1、token分别为16和128的输入序列中的推理速度，都比付费的Hugging Face Infinity要快：
Transformer-deploy在token为16时要1.52ms，Infinity则需要1.7ms；token为128时需要1.99ms，Infinity则需要2.5ms。
那前面说的能让Transformer的推理性能进一步提高的小trick是什么呢？
GPU量化（quantization）。
作者表示：
据我所知，目前任何OOS云服务都还没用到过这个方法。
不过执行GPU量化需要修改模型源代码（需在矩阵乘法等代价高昂的操作上添加一些叫做QDQ的特定节点），既容易出错，又很无聊，并且还需自己维护修改后的代码。
因此作者已经为多个基于Transformer的模型手动完成了这项工作。
后来，他们又发现似乎只需修补模型模块的抽象语法树 （AST）也可以自动完成。
在用户端，在GPU上执行模型的基本量化类似这样：
最终，该方法在Roberta-base模型和MNLI数据集（分类任务）上实现了4.53倍的推理速度。
当然这也牺牲了0.4个点的精度；如果一点不牺牲的话，也可以加速3.2倍左右。
作者表示，与Transformer-deploy原来的版本相比，这已经是一个很大的改进了，毕竟原版本的加速成本需要超过1个点的精确度。
最终他们用Albert、Bert（包括miniLM）、Distilbert、Roberta（包括 Camembert、XLM-R、DistilRoberta等）、Electra测试了该trick。
结果是对于任何可以导出为ONNX格式的Transformer模型，都可以“开箱即用”。
