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mdash，mdash，1年至少要十几万块。
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。不过，和其他很多Transformer变体的论文一样，这篇论文的标题也引发了一些吐槽：。
推理引擎为Microsoft ONNX Runtime和Nvidia TensorRT。
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。
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，既容易出错，又很无聊，并且还需自己维护修改后的代码。
后来，他们又发现似乎只需修补模型模块的抽象语法树也可以自动完成。
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。
最终他们用Albert，Bert，Distilbert，Roberta，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。
。