螞蟻鏈 AIoT 團隊與 NVIDIA 合作，將量化感知訓(xùn)練(QAT)技術(shù)應(yīng)用于深度學(xué)習(xí)模型性能優(yōu)化中，并通過 NVIDIA TensorRT 高性能推理 SDK 進行高效率部署， 通過 INT8 推理， 吞吐量提升了 3 倍， 助力螞蟻鏈版權(quán) AI 平臺中的模型推理服務(wù)大幅降本增效。

依托于螞蟻鏈自研的區(qū)塊鏈和 AI 技術(shù)，以及金融級的加密算法能力和云計算能力的加持，螞蟻鏈版權(quán) AI 平臺能夠為數(shù)字媒體時代的內(nèi)容管理方、內(nèi)容平臺方以及創(chuàng)作者提供一站式的版權(quán)保護能力。作為螞蟻鏈版權(quán)平臺的核心能力，AI 技術(shù)可以快速提取音視頻及圖像特征，在短時間內(nèi)完成對相似內(nèi)容的自動識別和判斷。得益于 NVIDIA 完善的軟硬件生態(tài)，螞蟻鏈團隊除了可以方便的在云端 GPU 部署深度學(xué)習(xí)模型推理服務(wù)，在進一步的合作中，雙方亦成功將其 TensorRT 支持的業(yè)界領(lǐng)先的 INT8-QAT 技術(shù)應(yīng)用到版權(quán)保護業(yè)務(wù)模型上，對 AI 模型的推理效率進行大幅度優(yōu)化，實現(xiàn)了在幾乎精度無損的情況下，單 GPU 上的吞吐量提升約 300%。

利用深度學(xué)習(xí)模型高效且自動化地進行相似內(nèi)容識別是螞蟻鏈版權(quán) AI 平臺的一項關(guān)鍵技術(shù)能力，這對 AI 模型研發(fā)提出了較高的技術(shù)挑戰(zhàn)。一方面，多媒體版權(quán)保護業(yè)務(wù)場景中作品侵權(quán)的類型復(fù)雜而多變， 為了到達高召回率和低虛警率的效果精度，螞蟻鏈團隊需采用較為復(fù)雜的算法模型方案;而另一方面，版權(quán)場景中高吞吐、低成本的需求又對模型提出了性能方面的挑戰(zhàn)。換言之，算法模型需要的存算資源必須有所限制、推理性能必須較高，而一般情況下，這與模型的效果要求是矛盾的，因為深度學(xué)習(xí)模型的效果往往與模型的尺寸和所需算力正相關(guān)。而這些復(fù)雜而又多維的業(yè)務(wù)需求，也確實給團隊的算法研發(fā)和優(yōu)化工作，帶來了相當(dāng)大的挑戰(zhàn)。

因此，螞蟻鏈團隊將算法研發(fā)拆解為不同的流程以解決不同維度的業(yè)務(wù)需求。簡而言之，就是優(yōu)先以滿足業(yè)務(wù)效果指標(biāo)為目的研發(fā)模型，隨后借助模型壓縮技術(shù)對模型存算需求進行優(yōu)化，而第二部分工作實現(xiàn)，則需仰賴 NVIDIA 相關(guān)軟硬件生態(tài)對于高性能AI模型推理加速的優(yōu)秀支持。一方面，NVIDIA GPU 所提供的強大并行算力以及 INT8 Tensor Core 提供的整型計算能力，為深度學(xué)習(xí)模型推理的高效實現(xiàn)奠定了基礎(chǔ);另一方面，NVIDIA TensorRT 8 SDK 中對模型計算圖的高效融合，以及對于新型模型結(jié)構(gòu)的支持和優(yōu)化(例如 QAT 所采用的 QDQ 結(jié)構(gòu)以及 transformer-based 模型)讓我們可以在 PyTorch 模型的基礎(chǔ)上生成高效的量化推理模型。其中，QAT 作為此項目模型性能優(yōu)化的重要技術(shù)，最大的優(yōu)點莫過于可以在大幅提升推理速度的同時，做到幾乎完全消弭量化網(wǎng)絡(luò)整型計算相比浮點網(wǎng)絡(luò)數(shù)值精度差異帶來的算法效果損失。而近年來，隨著 NVIDIA 對相關(guān)軟硬件生態(tài)的對 QAT 技術(shù)的支持日臻完善，螞蟻鏈團隊希望能藉由 NVIDIA 相關(guān)的軟硬件生態(tài)，將 QAT 技術(shù)應(yīng)用到螞蟻鏈版權(quán) AI 項目中，以滿足嚴(yán)苛的業(yè)務(wù)需求。

基于以上挑戰(zhàn)，螞蟻鏈 AIoT 技術(shù)部與 NVIDIA 技術(shù)專家合作，引入 QAT 技術(shù)對深度學(xué)習(xí)模型進行性能優(yōu)化，并將模型轉(zhuǎn)換為 TensorRT 引擎部署至 NVIDIA T4 GPU 進行在線推理。

首先，團隊使用 QAT 技術(shù)對算法模型以“偽量化”模式進行微調(diào)，使模型得以在 INT8 整型推理模式下在算法效果指標(biāo)上幾乎沒有損失。具體實現(xiàn)方案主要包括：使用 NVIDIA PyTorch Quantization 工具在模型中一些特定位置插入量化/反量化節(jié)點，在原模型的基礎(chǔ)上構(gòu)造一個“偽量化”模型。緊接著，使用該“偽量化”模型在原任務(wù)上進行一定輪數(shù)的微調(diào)，使模型參數(shù)在受到量化誤差擾動的同時依然可以收斂到一個局部最優(yōu)，最終最小化量化推理對模型算法指標(biāo)帶來的負面影響。實踐中，螞蟻鏈團隊通過 QAT 技術(shù)可以將 INT8 模型與單精度模型的算法指標(biāo)的相對差距縮小到 0.2% 以內(nèi)，做到了算法效果幾乎無損的模型量化。

隨后，則需要將微調(diào)完成的 QAT 模型轉(zhuǎn)換為真正的 INT8 版本模型部署到線上生產(chǎn)環(huán)境中。這一流程主要依賴 NVIDIA 提供的 TensorRT 高性能推理框架，相較其他部署框架，TensorRT 在 NVIDIA GPU 上表現(xiàn)出巨大的性能優(yōu)勢：一方面通過 graph fusion，kernel tuning 等功能，可以自動化精簡網(wǎng)絡(luò)結(jié)構(gòu)，為模型各層的不同 op 尋找最優(yōu) CUDA kernel 等優(yōu)化操作;更重要的是，TensorRT 8.0 開始，添加了針對“偽量化”節(jié)點的自動化解析和融合功能，使 QAT 模型落地的門檻大大降低，讓 QAT 模型真正有可能在部署環(huán)境中展現(xiàn)出近似 INT8 后量化模型的極高推理性能。實踐中，采用 INT8-QAT 的模型做到了比單精度模型約 300% 的單位時間吞吐提升，極大提高了模型推理服務(wù)的效率;同時，量化模型更低的顯存占用也為模型部署帶來了更高的靈活性。

借助 NVIDIA 在高性能模型推理方面完善的軟硬件生態(tài)，螞蟻鏈團隊得以使用 INT8-QAT 技術(shù)大幅優(yōu)化螞蟻鏈版權(quán) AI 平臺中模型推理服務(wù)的效率，幫助系統(tǒng)整體降本增效。300% 的推理速度提升，以及算法指標(biāo)幾乎無損的特性，讓此項目的 AI 模型可以做到兼顧效果與性能，幫助螞蟻鏈版權(quán) AI 平臺在業(yè)界樹立技術(shù)優(yōu)勢。

“版權(quán)保護是一個富有挑戰(zhàn)的技術(shù)領(lǐng)域，互聯(lián)網(wǎng)內(nèi)容類型多樣、隱匿性強、易復(fù)制與編輯等特點對我們提出了諸多挑戰(zhàn)。螞蟻鏈從 2019 年發(fā)布鵲鑿版權(quán)保護平臺以來，在音視圖文的侵權(quán)檢索、侵權(quán)比對與定位方面做了大量深入的研究工作。我們 AIoT 團隊在 2022 年世界知識產(chǎn)權(quán)日向公眾發(fā)布了螞蟻鏈版權(quán) AI 計算引擎，可以對相似內(nèi)容的提取精確到幀，直接以秒為單位反饋比對結(jié)果。這種細顆粒度的識別能力極大提高了下游工作效率，同時也需要我們充分探索和利用 NVIDIA INT8-QAT 等加速技術(shù)，在效果和性能之間達到最佳平衡。接下去我們還會面向低成本高性能的版權(quán) AI 算法演進，讓技術(shù)普惠更多的普通創(chuàng)作者。”螞蟻鏈 AIoT 高級算法專家張曉博與錢烽表示。

審核編輯：湯梓紅