机器之心Pro快手将GPU推理在商业化场景全量落地，机器成本优化超20%

北京联盟_本文原题：快手将GPU推理在商业化场景全量落地，机器成本优化超20%
机器之心发布
机器之心编辑部
快手商业化进程开始加速，这对底层计算能力提出挑战。快手决定将 GPU 推理在商业化场景全量落地。
据官方披露，快手日活已超 3 亿，直播日活达 1.7 亿 + ，快手之夜单场活动快手官方直播间累计观看总人数就超过 9000 万。随着业务规模的不断扩张，快手商业化进程也随之加速，单场直播最高成交额 12.5 亿， 8 月电商订单总量达 5 亿。巨大的商业价值和潜力吸引越来越多的广告主来到快手做营销。为了应对日益激增的营销素材，快手不断提升底层计算能力，率先将 GPU 推理应用到大规模稀疏场景中，在提高机器性能、节约成本的同时，为广告主提供了更加有效的营销效果。
2019 年开始，快手商业化进程开始加快，底层计算能力持续面临挑战：

一方面，随着业务的发展，业务形态越来越丰富，流量越来越高，广告主对推荐质量的要求越来越高，模型变宽变深，算力的消耗急剧增加；
另一方面，在广告推荐场景下主要使用 DNN 模型，涉及大量稀疏特征 embedding 和神经网络浮点运算。作为访存和计算密集型的线上服务，在保证可用性的前提下，要满足低延迟、高吞吐的要求，对单机算力也是一种挑战。

上述算力资源需求和空间的矛盾，如果不解决好，对业务的发展会带来很大的限制：在模型加宽加深前，纯 CPU 推理服务能够提供可观的吞吐，但是在模型加宽加深后，计算复杂度上升，为了保证可用性，需要消耗大量机器资源，导致大模型无法大规模应用于线上。
目前行业比较通用的解决办法是利用 GPU 来解决这个问题。 GPU 本身比较适合高吞吐、对延迟不太敏感的计算任务，在业界应用中，主要用于图像、语音或者离线训练等场景。
对于推荐、广告等场景使用的大规模稀疏模型，我们需要解决如下挑战：如何在保证可用性、低延迟的前提下，尽可能做到高吞吐，同时还需要考虑易用性和通用性。
业内一般会使用 TensorFlow 进行训练，在 GPU 场景推理时，则会选择 TensorFlow 或 TensorRT 。对于 TensorFlow 和 TensorRT 的结合，常见的做法是利用开源工具离线将 TensorFlow 模型转换到 ONNX 模型，然后从 ONNX 模型加载，这引入了更多的中间环节，当 ONNX 不支持 TensorFlow 的某些 Op 时，转换会失败。这限制了模型的结构，也导致训练好的 TensorFlow 模型无法直接以端到端的形式应用于线上。
快手借鉴业界经验，从实际业务出发，围绕大规模稀疏模型场景，针对发挥 GPU 算力和 TensorFlow 与 TensorRT 的结合易用性，进行了一系列技术上的探索和尝试。
融合 CPU、GPU 各自硬件优势
快手在硬件部署时就充分考虑了硬件特点，融合不同硬件的优势。在广告推理场景下， CPU 适合大规模稀疏特征 embedding访存密集型任务， GPU 适合进行 DNN 这种大规模浮点运算的计算密集型任务，以此实现 CPU 和 GPU 的高效率配合。
于是，快手从多个业务的推理服务中选取典型的服务，简化场景，提炼出核心计算过程，尝试不同的 GPU 卡进行压测，综合考虑硬件的特性、成本以及业务的发展情况，确定机型，对齐算力需求和硬件能力。
保证易用性，实现训练到推理端到端
结合 Tensorflow 的高可扩展性和 TensorRT 的高性能，快手在线进行 TensorFlow 模型到 TensorRT 模型的转换，基于 TensorRT 推理专用引擎的高性能，加速 DNN 计算，保持 TensorFlow 模型的训练和在线推理以端到端方式进行。