NVIDIA 助力 DeepRec 為 vivo 推薦業(yè)務(wù)實(shí)現(xiàn)高性能 GPU 推理優(yōu)化

本案例中，vivo 人工智能推薦算法組自研的推薦服務(wù)平臺，使用阿里巴巴開源大規(guī)模稀疏模型訓(xùn)練和預(yù)測引擎 DeepRec，在稀疏模型訓(xùn)練（稀疏功能、I/O 優(yōu)化）和高性能推理框架層面，實(shí)現(xiàn)其搜廣推各類業(yè)務(wù)場景下，算法開發(fā)和上線的全鏈路優(yōu)化。

其中，在 GPU 線上推理服務(wù)優(yōu)化上，vivo 使用 DeepRec 提供的 Device Placement Optimization，以及 NVIDIA CUDA multi-stream，MPS (Multi-Process Service) / Multi-context 和 NVIDIA GPU 計算專家團(tuán)隊在 multi-stream 基礎(chǔ)上開發(fā)的 MergeStream 功能，顯著提升了線上推理服務(wù)的 GPU 有效利用率。

vivo 人工智能推薦算法組的業(yè)務(wù)包含了信息流、視頻、音樂、廣告等搜索/廣告/推薦各類業(yè)務(wù)，基本涵蓋了搜廣推各類型的業(yè)務(wù)。

為了支撐上述場景的算法開發(fā)上線，vivo 自研了集特征數(shù)據(jù)、模型開發(fā)、模型推理等流程于一體的推薦服務(wù)平臺。通過成熟、規(guī)范的推薦組件及服務(wù)，該平臺為 vivo 內(nèi)各推薦業(yè)務(wù)（廣告、信息流等）提供一站式的推薦解決方案，便于業(yè)務(wù)快速構(gòu)建推薦服務(wù)及算法策略高效迭代。

圖片來源于 vivo

vivo 人工智能推薦算法組在深耕業(yè)務(wù)同時，在積極探索適用于搜索/廣告/推薦大規(guī)模性稀疏性算法訓(xùn)練框架。分別探索了 TensorNet/XDL/TFRA 等框架及組件，這些框架組件在分布式、稀疏性功能上做了擴(kuò)展，能夠彌補(bǔ) TensorFlow 在搜索/廣告/推薦大規(guī)模性稀疏性場景不足，但是在通用性、易用性以及功能特點(diǎn)上，這些框架存在各種不足。

作為 DeepRec 最早的一批社區(qū)用戶，vivo 在 DeepRec 還是內(nèi)部項目時，就與 DeepRec 開發(fā)者保持密切的合作。經(jīng)過一年積累與打磨，vivo 見證了 DeepRec 從內(nèi)部項目到開源再到后續(xù)多個 release 版本的發(fā)布。在合作中，DeepRec 賦能 vivo 各個業(yè)務(wù)增長，vivo 也作為 DeepRec 深度用戶，將業(yè)務(wù)中的需求以及使用中的問題積極回饋到 DeepRec 開源社區(qū)。

DeepRec (https://github.com/alibaba/DeepRec) 是阿里巴巴集團(tuán)提供的針對搜索、推薦、廣告場景模型的訓(xùn)練/預(yù)測引擎，在分布式、圖優(yōu)化、算子、Runtime 等方面對稀疏模型進(jìn)行了深度性能優(yōu)化，提供了豐富的高維稀疏特征功能的支持。基于 DeepRec 進(jìn)行模型迭代不僅能帶來更好的業(yè)務(wù)效果，同時在 Training/Inference 性能有明顯的性能提升。

圖片來源于阿里巴巴

通過業(yè)務(wù)實(shí)踐，在稀疏模型訓(xùn)練層面，vivo 使用 DeepRec 提供的基于 Embedding Variable (https://deeprec.readthedocs.io/zh/latest/Embedding-Variable.html) 的動態(tài) Embedding 功能和特征準(zhǔn)入 （https://deeprec.readthedocs.io/zh/latest/Feature-Filter.html）/淘汰功能（https://deeprec.readthedocs.io/zh/latest/Feature-Eviction.htm），解決了使用 TensorFlow 原生 Embedding Layer 的三個痛點(diǎn)，包括可拓展性差，hash 沖突導(dǎo)致模型訓(xùn)練有損，無法處理冗余的稀疏特征；并在內(nèi)部嘗試對訓(xùn)練數(shù)據(jù)存儲格式做 I/O 優(yōu)化。

圖片來源于阿里巴巴

使用動態(tài) Embedding 和特征準(zhǔn)入/淘汰功能實(shí)現(xiàn)的收益如下：

1. 靜態(tài) Embedding 升級到動態(tài) Embedding：使用 DeepRec 的動態(tài) Embedding 替換 TensorFlow 的靜態(tài) Embedding 后，保證所有特征 Embedding 無沖突，離線 AUC 提升 0.5%，線上點(diǎn)擊率提升 1.2%，同時模型體積縮小 20%。

2. ID 特征的利用：在使用 TensorFlow 時，vivo 嘗試過對 ID 特征進(jìn)行 hash 處理輸入模型，實(shí)驗表明這種操作對比基線具有負(fù)收益。這是由于 ID 特征過于稀疏，同時 ID 具有唯一指示性，hash 處理會帶來大量的 Embedding 沖突?；趧討B(tài) Embedding，使用 ID 特征離線 AUC 提升 0.4%，線上點(diǎn)擊率提升 0.6%。同時配合 global step 特征淘汰，離線 AUC 提升 0.1%，線上點(diǎn)擊率提升 0.5%。

Embedding Variable 流程示意圖

圖片來源于阿里巴巴

在 I/O 優(yōu)化上，目前 vivo 內(nèi)部使用的是 TFRecord 數(shù)據(jù)格式存儲訓(xùn)練數(shù)據(jù)，存在占用存儲空間大，非明文存儲的兩個缺陷。而 DeepRec 的 Parquet 是一種列式存儲的數(shù)據(jù)格式，能夠節(jié)省存儲資源，加快數(shù)據(jù)讀取速度。使用 Parquet Dataset 支持讀取 Parquet 文件，開箱即用，無需額外安裝第三庫，使用簡單方便。同時，Parquet Dataset 能夠加快數(shù)據(jù)讀取速度，提高模型訓(xùn)練的 I/O 性能。

vivo 內(nèi)部嘗試使用 Parquet Dataset 來替換現(xiàn)有 TFRecord，提高訓(xùn)練速度 30%，減少樣本存儲成本 38%，降低帶寬成本。同時，vivo 內(nèi)部支持 hive 查詢 Parquet 文件，算法工程師能夠高效快捷地分析樣本數(shù)據(jù)。

在高性能推理框架層面，由于在業(yè)務(wù)逐漸發(fā)展過程中，廣告召回量增長 3.5 倍，同時目標(biāo)預(yù)估數(shù)增加兩倍，推理計算復(fù)雜度增加，超時率超過 5%，嚴(yán)重影響線上服務(wù)可用性以及業(yè)務(wù)指標(biāo)。因此，vivo 嘗試探索升級改造現(xiàn)有推理服務(wù)，保證業(yè)務(wù)可持續(xù)發(fā)展。vivo 借助 DeepRec 開源的諸多推理優(yōu)化功能，在 CPU 推理改造以及 GPU 推理升級方面進(jìn)行探索，并取得一定收益。

客戶挑戰(zhàn)

在 CPU 推理優(yōu)化層面，vivo 在使用 DeepRec 提供的基于 ShareNothing 架構(gòu)的 SessionGroup 后，明顯緩解了直接使用 TensorFlow 的 C++ 接口調(diào)用 Session::Run 而導(dǎo)致的 CPU 使用率低的問題，在保證 latency 的前提下極大提高了 QPS，單機(jī) QPS 提升高達(dá) 80%，單機(jī) CPU 利用率提升 75%。

但是經(jīng)過 SessionGroup 的優(yōu)化，雖然 CPU 推理性能得到改善，超時率依舊無法得到緩解。鑒于多目標(biāo)模型目標(biāo)塔數(shù)較多、模型中使用 Attention、LayerNorm、GateNet 等復(fù)雜結(jié)構(gòu)、特征多，存在大量稀疏特征三點(diǎn)原因，vivo 嘗試探索 GPU 推理來優(yōu)化線上性能。

應(yīng)用方案

Device Placement Optimization

通常，對于稀疏特征的處理一般是將其 Embedding 化，由于模型中存在大量的稀疏特征，因此 vivo 的廣告模型使用大量的 Embedding 算子。從推理的 timeline 可以看出，Embedding 算子分散在 timeline 的各個階段，導(dǎo)致大量的 GPU kernel launch 以及數(shù)據(jù)拷貝，因此圖計算非常耗時。

圖片來源于阿里巴巴

Device PlacementOptimization 完全將 Embedding Layer placed 到 CPU 上，解決了Embedding Layer 內(nèi)部存在的 CPU 和 GPU 之間大量數(shù)據(jù)拷貝的問題。

圖片來源于阿里巴巴

Device Placement Optimization 性能優(yōu)化明顯，CPU 算子（主要是 Embedding Layer）的計算集中在 timeline 的最開端，之后 GPU 主要負(fù)責(zé)網(wǎng)絡(luò)層的計算。相較于 CPU 推理，Device Placement Optimization P99 降低 35%。

NVIDIA CUDA Multi-Stream 功能

在推理過程中，vivo 發(fā)現(xiàn)單流執(zhí)行導(dǎo)致 GPU 的利用率不高，無法充分挖掘 GPU 算力。DeepRec 支持用戶使用 multi-stream 功能，多 stream 并發(fā)計算，提升 GPU 利用率。多線程并發(fā) launch kernel 時，存在較大的鎖開銷，極大影響了 kernel launch 的效率，這里的鎖與 CUDA Driver 中的 Context 相關(guān)。因此可以通過使用 MPS/Multi-context 來避免 launch 過程中鎖開銷，從而進(jìn)一步提升 GPU 的有效利用率。

圖片來源于阿里巴巴

此外，模型中存在大量的 H2D 以及 D2H 的數(shù)據(jù)拷貝，在原生代碼中，計算 stream 和拷貝 stream 是獨(dú)立的，這會導(dǎo)致 stream 之間存在大量同步開銷，同時對于在 Recv 算子之后的計算算子，必須等到 MemCopy 完成之后才能被 launch 執(zhí)行，MemCopy 和 launch 難以 overlap 執(zhí)行?；谝陨蠁栴}，NVIDIA GPU 計算專家團(tuán)隊在 multi-stream 功能基礎(chǔ)上進(jìn)一步優(yōu)化，開發(fā)了 MergeStream 功能，允許 MemCopy 和計算使用相同的 stream，從而減少上述的同步開銷以及允許 Recv 之后計算算子 launch 開銷被 overlap。

圖片來源于阿里巴巴

vivo 在線上推理服務(wù)中使用了 multi-stream 功能，P99 降低 18%。更進(jìn)一步地，在使用 MergeStream 功能后，P99 降低 11%。

編譯優(yōu)化 - BladeDISC

BladeDISC（https://github.com/alibaba/BladeDISC）是阿里集團(tuán)自主研發(fā)的、原生支持存在動態(tài)尺寸模型的深度學(xué)習(xí)編譯器。DeepRec 中集成了 BladeDISC，通過使用 BladeDISC 內(nèi)置的 aStitch 大尺度算子融合技術(shù)對于存在較多訪存密集型算子的模型有顯著的效果。利用 BladeDISC 對模型進(jìn)行編譯優(yōu)化，推理性能得到大幅度提升。

BladeDISC 將大量訪存密集型算子編譯成一個大的融合算子，可以大大減少框架調(diào)度和 kernel launch 的開銷。區(qū)別于其他深度學(xué)習(xí)編譯器的是，BladeDISC 還會通過優(yōu)化 GPU 不同層次存儲（特別是 SharedMemory）的使用來提升了訪存操作和 Op 間數(shù)據(jù)交換的性能。圖中可以看到，綠色是 Blade DISC優(yōu)化合并的算子替代了原圖中大量的算子。

圖片來源于阿里巴巴

圖片來源于阿里巴巴

另外，由于線上模型比較復(fù)雜，為了進(jìn)一步減少編譯耗時、提升部署效率，vivo 啟用了 BladeDISC 的編譯緩存功能。開啟此功能時，BladeDISC 僅會在新舊版本模型的 Graph 結(jié)構(gòu)發(fā)生改變時觸發(fā)編譯，如果新舊模型僅有權(quán)重變更則復(fù)用之前的編譯結(jié)果。經(jīng)過驗證，編譯緩存在保證正確性的同時，幾乎掩蓋了編譯模型的開銷，模型更新速度與之前幾乎相同。在使用 BladeDISC 功能后，線上服務(wù) P99 降低 21%。

使用效果及影響

DeepRec 提供大量的解決方案可以幫助用戶快速實(shí)施 GPU 推理。經(jīng)過一系列優(yōu)化，相較于 CPU 推理，GPU 推理 P99 降低 50%，GPU 利用率平均在 60% 以上。此外，線上一張 NVIDIA T4 Tensor Core GPU 的推理性能超過兩臺 Xeon 6330 112Core 的 CPU 機(jī)器，節(jié)省了大量的機(jī)器資源。

基于 CPU 的分布式異步訓(xùn)練存在兩個問題：一是異步訓(xùn)練會損失訓(xùn)練精度，模型難以收斂到最佳；二是隨著模型結(jié)構(gòu)逐漸復(fù)雜，訓(xùn)練性能會急劇下降。未來，vivo 打算嘗試基于 GPU 的同步訓(xùn)練來加速復(fù)雜模型訓(xùn)練。DeepRec 支持兩種 GPU 同步框架：NVIDIA Merlin Sparse Operation Kit (SOK) 和 HybridBackend。后續(xù) vivo 將嘗試這兩種 GPU 同步訓(xùn)練來加速模型訓(xùn)練。

NVIDIA 計算專家團(tuán)隊也與 DeepRec 技術(shù)團(tuán)隊深入合作，為在稀疏功能層面的 Embedding Variable GPU 支持、在同步訓(xùn)練層面的 Merlin SOK 集成，以及圖優(yōu)化層面的 Embedding 子圖 Fusion 功能開發(fā)提供技術(shù)支持。

Embedding Variable GPU 支持介紹 （https://deeprec.readthedocs.io/zh/latest/Embedding-Variable-GPU.html）

DeepRec 設(shè)計并提供了一套支持動態(tài) Embedding 語義的 Embedding Variable，在特征無損訓(xùn)練的同時以最經(jīng)濟(jì)的方式使用內(nèi)存資源，使得超大規(guī)模特征的模型更容易增量上線。進(jìn)一步地，因為 GPU 具有強(qiáng)大的并行計算能力，對于 Embedding Variable 底層的 Hash Table 查找、插入等操作也具有明顯的加速作用。同時，對于模型計算部分若使用 GPU，則使用 GPU 上的 Embedding Variable 也可避免 Host 和 Device 上的數(shù)據(jù)拷貝，提高整體性能。因此增加了 Embedding Variable 的 GPU 支持。

GPU 版本的 Embedding Variable 通過 NVIDIA cuCollection 作為底層 Hash Table 的實(shí)現(xiàn)，可以明顯加速 Embedding 相關(guān)的操作，而且使用方便，在具有 NVIDIA GPU 的環(huán)境中會自動啟用，也可以手動放置在合適的 GPU 設(shè)備上。性能測試顯示 GPU 版本相比于 CPU 版本，Embedding 部分會有 2 倍以上的加速。

分布式訓(xùn)練集成 Merlin SOK 介紹 （https://deeprec.readthedocs.io/zh/latest/SOK.html）

DeepMerlin SOK 是 NVIDIA Merlin 團(tuán)隊基于 Merlin SOK 提供的針對神經(jīng)網(wǎng)絡(luò)中稀疏操作的加速插件庫，使用 DeepMerlin SOK 可對 DeepRec 中相關(guān)的 Embedding 操作進(jìn)行加速和分布式訓(xùn)練的支持。

該 SOK 的設(shè)計理念就是希望同時兼容靈活性和高性能。在靈活性方面，使用 SOK 不會對用戶使用 DeepRec 本身的功能有影響，可以和 DeepRec 提供的 Embedding Variable 完全兼容，也會集成到 DeepRec 的高級接口方便用戶的使用。在高性能方面，SOK 主要從兩方面去考慮，一方面，在算法設(shè)計上，通過 reduce 操作來減少搬運(yùn)的數(shù)據(jù)量，另一方面，在實(shí)現(xiàn)上，主要通過算子融合技術(shù)，融合多表的查詢和通信，提供稀疏操作的性能。性能測試顯示 SOK 能夠提供接近于線性的擴(kuò)展能力，在 8 GPU 下相比 1 GPU 能夠達(dá)到 6.5 倍的加速效果。

Embedding 子圖 Fusion 功能介紹 （https://deeprec.readthedocs.io/zh/latest/Fused-Embedding.html）

DeepRec 及 TensorFlow 原生的 embedding lookup 相關(guān) API，如 safe_embedding_lookup_sparse，會創(chuàng)建比較多細(xì)碎的算子，且部分算子只有 CPU 實(shí)現(xiàn)。因此在 GPU 上執(zhí)行時容易出現(xiàn) kernel launch bound 的問題以及額外 H2D & D2H 拷貝，造成低 GPU 利用率，降低執(zhí)行速度。

針對此場景，NVIDIA 計算專家團(tuán)隊與 DeepRec 合作，共同定制開發(fā)了支持在 NVIDIA GPU 上執(zhí)行的 Embedding 子圖 Fusion 功能，并對 GPU 高算力高吞吐的特點(diǎn)進(jìn)行了針對性優(yōu)化：提供一組接口以及相關(guān) Fusion 算子，通過算子融合，減少需要 launch 的 kernel 數(shù)量，優(yōu)化訪存，提供高性能的實(shí)現(xiàn)，達(dá)到加速執(zhí)行的目的。

Embedding Fusion 功能易用，從 Python 層面提供接口及開關(guān)，用戶無需修改代碼即可快速使用。加速效果方面，單獨(dú)從 Embedding 模塊看，GPU Embedding Fusion 可以提供 2 倍左右的加速。從整體模型來看，加速效果取決于 Embedding 模塊的耗時占比。在幾個測試模型上，此功能可以提供 1.2 倍左右的整體性能加速。

點(diǎn)擊“閱讀原文”或掃描下方海報二維碼，即可免費(fèi)注冊 GTC 23，切莫錯過這場 AI 和元宇宙時代的技術(shù)大會！