广告深度学习计算：阿里妈妈智能创意服务优化
✍🏻本文作者：雨行、列宁、阿洛、腾冥、枭骑、无蹄、少奇、持信等
一、阿里妈妈智能创意服务介绍
随着短视频逐渐成为人们表达自我和生活的主流媒介之一，各大短视频平台也得到了迅猛发展，短视频流量已经成长为互联网优质流量阵地之一，短视频的供给和消费都呈现出爆发式增长。在这个背景下，阿里妈妈智能创意服务，借助当前主流的深度学习算法，自动高效的为商品产出创意视频，大大丰富了广告的表现形式，既有视觉美学价值，还能提高用户的点击率，提升投放效果。目前，该服务已经在阿里妈妈各个广告业务场景中得到大量应用，其中包括搜索直通车、淘宝直播、抖音快手外投等。下面就是智能创意广告的部分展示场景。
为实现上述功能，需要许多深度学习模型来支持，主要包括视频和文本两大类，具体如下：
1.视频类：
- 3D Convs Net ： 单模态视频模型 ，主要采用三维卷积算子，提取视频前后帧之间的信息。
- Visual Transformer ： 多模态视频处理模型 ，能够将图片、文本等信息融入视频语义理解中。
2.文本类：
- Transformer / GPT-2 ： 文本生成模型 。使用场景如商品介绍文案自动生成，"这是一款保暖舒适的被子，选用了轻盈纤维棉，蓬松轻柔且透气性好，有效锁住热量，让被身更加轻盈保暖。加上轻柔的结构，让你的体重轻松达到零负担，更加舒适。"
为淘宝海量的商品自动生成创意视频，是个巨大的工程。而现有的服务性能以及GPU数量，不足以处理全量的商品，因此对智能创意服务的优化需求非常迫切。通过对现有服务架构的分析，我们决定进行两方面的优化：一是从服务流程的角度进行优化，二是对视频和文本两大类模型自身进行优化。下面我们以实时创意短视频生成服务（以下简称短视频生成服务）为例，介绍我们在智能创意服务的优化工作。
短视频生成服务，是从一个商品介绍视频中抽取出5秒的精彩瞬间。该服务根据商品主图、商品描述，从广告主上传的视频中，计算出相似度最高5秒。比如下面这个场景：
商品描述 ："316儿童可爱保温杯子吸管幼儿园小学生上学男女高颜值壶宝宝水杯"
商品主图 :
选取出的宽高比1:1的5秒精彩短视频如下：
当商家新建一个推广计划时，如果商品中有视频内容，那么系统会自动触发调用一次短视频生成服务，基本流程如下图：
其中，虚线框内部分是短视频生成服务的主体。该服务接收到商品id后，下载商品的创意视频、介绍文案以及商品主图，经过多模态视频检索模型，找出创意视频中与商品主图、介绍文案相似度最高的一个时间片段，再将该片段经过主体位置检测模型后，裁剪出不同宽高比的视频，如1:1, 2:3等以适配不同的终端。如果视频出现了介绍文字，还要经过OCR模型检测出文字的位置，避免文字的部分被裁剪掉。最后生成一个完整的精彩短视频。
在框架语言选择方面，虽然C++比Python更适合服务端开发，但是我们还是决定使用Python作为开发语言，主要考虑以下几个因素：
- 视频类模型需要对图片进行复杂的预处理和后处理操作，Python相较于C++开发更加便利，有利于算法同学自助开发上线；
- 目前业务正处于快速迭代期，而学术界最新的研究成果都是通过Pytorch+Python的方式公开，使用Python能够降低迭代周期。
但是直接使用PyTorch+Python进行部署的缺点也很明显，PyTorch的灵活性的代价是性能优化方面的劣势，性能比较差。这就给我们提出了优化PyTorch模型的业务需求，在追求计算性能的同时，还需要兼顾灵活性、易用性。
在服务框架选择方面，我们选取了Tornado V6.0版本，以HTTP接口形式对外提供服务。业务初期采用了Tornado的单线程的模型，每个服务同一时刻只能处理一条请求。但这种使用模式处理能力太低，因此我们首先尝试将单线程的服务升级为多线程服务，在T4显卡的性能如下表所示：
|
| 单并发 | 4并发 | |
|---|---|---|
| 吞吐:视频/分钟 | 6 | 12 |
| Latency | 9.6秒 | 18.9秒 |
| 模型推理Latency | 3秒 | 9秒 |
| GPU利用率 | 16% | 30% |
从上表可以看出两个问题：
- 单并发模式下，模型推理(GPU计算)只占全流程的31%，因此至少采用4并发才有可能使GPU利用率达到100%；
- 采用4并发后，模型推理延时从3秒增长至9秒，几乎是呈线性增长的，而此时GPU Util依然很低，极限压力下仅为30%。
因此，当前使用Python框架直接加载PyTorch模型，存在一个很严重的问题： GPU资源无法充分利用，导致单卡服务能力很低 。接下来的章节我们将分析GPU利用率低的原因，并从服务层面、深度学习算子层面给出我们的解决方案。
二、GPU利用率低原因分析
先说结论，有兴趣的同学可以看下面的详细分析过程。
- Python GIL全局锁导致kernel launch线程被“频繁”挂起 。多线程模式下，CPU逻辑处理线程和kernel launch在同一进程内。由于Python GIL全局锁的存在，导致kernel launch线程的执行时间被“抢占”，无法及时向GPU 提交kernel任务，致使GPU空闲等待。
- PyTorch模型没有kernel fusion 。大量琐碎的算子导致kernel launch开销太大，同时无法有效利用GPU片上缓存，每次kernel run都需要将数据从GPU显存中加载。
- 数据传输与计算串行使得GPU SM空闲 。PyTorch tensor.cuda()方法，默认使用与kernel launch相同的stream，导致数据传输与计算串行，数据传输的时候GPU SM空闲。
下面我们逐个分析上述三个问题。
2.1 Python GIL全局锁问题
使用Python语言，GIL全局锁是一个绕不开的概念。首先需要明确的是，GIL不是Python的特性，而是Python解释器(CPython)引入的概念。因为CPython是Python默认的执行环境，所以我们一般把CPython的GIL问题也当做是Python的问题。
GIL在进行任务调度的时候，所有的线程共享一个全局锁，抢到全局锁的线程执行任务，执行结束后释放全局锁，其他线程再继续竞争全局锁。如下图所示：
这种模型在单核处理器上问题不大，但是发展到多核处理器时，GIL会大大降低多核处理器的优势。我们分析了单线程和4线程情况下，一次完整的GPU 模型推理耗时如下图所示：
从上表可以看出，从单并发增加至4并发，执行相同数目的kernel，总的GPU kernel的时间相同，但是CPU调度开销增加，导致总的延时增加了。这说明一个问题， GPU并没有到性能瓶颈，只是kernel执行的更加“稀疏”了 。
由于全局锁的存在，导致Python的多线程是“假多线程”，而我们的服务主要线程为 16 (CPU图片预处理线程) + 1 (kernel launch线程)，这17个线程在反复的争夺GIL锁，这就造成了两个问题：
- kernel launch线程的执行时间不足；
- kernel launch线程反复进入“休眠”->“激活”状态，而这个过程中，会造成线程在过个CPU核上反复切换，造成额外的开销。如下图所示。
上图左右两部分别是4并发和单并发条件下，CPU Core的使用情况。
先看左侧中间红框标出的彩色区域，区域中颜色的变化代表了kernel launch线程所在的CPU Core，可以很明显的看出，4线程工作时，kernel launch线程频繁的在多个CPU Core上切换，导致了kernel launch线程效率低下，无法为GPU“分配”足够的工作，致使GPU大部分时间在空闲等待。该时刻一次模型推理耗时为84~145ms。
右侧是单并发的情况，相对应的中间区域是同一种颜色，表明当前kernel launch在同一CPU Core中进行，没有CPU上下文切换，一次模型推理耗时仅为44ms。
2.2 kernel launch开销
GPU可以做大规模的并行计算，一次计算的基本单位就是“kernel”。我们知道，GPU本身并不能主动执行kernel，需要Host端发起一次kernel调用，也就是一次kernel launch，来触发GPU执行Kernel对应的计算任务。这个过程中设计到三个方面的开销： a) Host 执行kernel launch开销 。我们知道，P100/T4/V100每秒分别可以执行11w/34w/24w次kernel launch，这就决定了kernel 数目不宜太多。b) 从GPU显存中加载数据至GPU片上缓存。c) 将计算结果从GPU片上缓存写回GPU显存。
因此，kernel的多少对于模型推理Latency有着非常重要的影响。常见的深度学习框架，如XLA、TVM、TensorRT等，都在kernel fusion上做了很大优化，而PyTorch作为一款流量的深度学习框架，在易用性方面非常优秀，但在kernel fusion方面提供的能力很有限，虽然提供了trace model等功能，但我们在实际测试中发现，trace model的性能并没有明显提升。因此，将PyTorch用于线上服务时，必须进行kernel fusion方面的优化，否则性能很难满足性能要求。
2.3 数据传输与计算串行
CUDA Stream可以看做是CPU与GPU的“通信管道”，CPU将一系列CUDA指令通过Stream依次发送给GPU，而GPU则顺序执行Stream中的指令。由于同一Stream中的操作是顺序执行的，所以当GPU执行数据传输指令时，GPU SM计算单元闲置，使得GPU利用率为0。这种情况如下图所示：
从上图看出，当CPU线程调用cudaMemcpyAsync拷贝数据至GPU时，会阻塞正常的kernel launch(也就是上图中的unrolled_elementwise_kernel，图中第一行的浅蓝色柱子表示GPU利用率，柱子越高代表当前时刻GPU利用率越高）。
短视频服务最主要的多模态视频检索模型采用VisualTransformer, 模型一次输入20张3通道的图片进行处理，输入Tensor为[20, 3, 224, 224],类型为float32，大小为12MB，而PCIe 3.0的标准传输速度为16GB/秒，理论上需要0.75ms的时间，实测发现拷贝时间是2ms。单并发时一次Inference耗时约44ms，数据拷贝占总时长的5%。所以如果不能将数据拷贝与计算并行起来，理论上GPU利用率的天花板只能达到95%。
当服务采用4并发模式时，每个并发又采用4个线程读取视频并将数据拷贝至GPU，因此一次Inferece最多可能会被多次HtoD memcpy阻塞。因此随着并发数的增多，HtoD memcpy对GPU利用率的影响也越大。
三、服务层面优化
3.1 CPU/GPU分离的多进程架构
由于Python GIL全局锁是进程层面的，因此可以通过多进程的方式绕开GIL全局锁。我们将服务kernel launch的部分拆分成独立的GPU进程，同时创建多个CPU进程，每个进程处理一条request请求，整体系统架构如下图所示：
拆分后的CPU进程专注于视频下载、图像预处理等任务，而GPU进程只负责模型推理任务，双方通过共享内存(Shared Memory)交互数据。该过程的主要步骤包括：
- CPU进程将处理后的视频数据写入共享内存，获得任务id，该任务id与共享内存名称一一对应
- CPU进程将任务id、tensor shape、优先级等信息写入任务队列（torch.multiprocessing.Queue），同步等待结果返回
- GPU进程将任务按照优先级排序
- GPU进程取出当前优先级最高的任务id
- GPU进程根据任务id，从共享内存中读取视频数据
- GPU进行模型推理
- GPU进程将计算结果写入共享内存Output区，返回结果id
- GPU进程将结果id、输出tensor的shape信息写入消息队列
- CPU进程被激活，从消息队列中取出结果id
- CPU进程根据结果id从共享内存中读出计算结果。
这其中涉及到几个重要问题，接下来一一讨论。
3.1.1 为什么不使用Tornado自带多线程和多进程？
通过第二章的分析，我们得出提高GPU利用率最重要的措施： GPU kernel launch线程不被其他线程“打断”。 通过将kernel launch线程拆成独立进程，保证其能够占有足够的CPU执行时间，提高GPU利用率。
Tornado单进程多线程模式不足很明显，所有的线程抢占Python GIL全局锁，理论上只能使用1个核(实际上由于部分并行计算，也会临时使用多个核)，优势是省显存，可以多路并发，如下图左一所示。
Tornado多进程模式能够使用多个核，每个进程各自执行kernel launch，间接提高了GPU利用率。但这个有点“乱枪打鸟”的感觉，哪个进程kernel launch成功了，都会提高GPU利用率。但这种用法存在几个致命的问题：
- 进程间没有通信，可能导致多个进程同时kernel launch，造成latency变长；
- 每个进程加载一份模型参数至GPU，会占用过多的显存资源，导致开启的进程数有限。
对于第一个Latency变长的问题，我们后面在 3.1.3任务优先级队列 中详细分析，现在主要看一下第二个显存占用的问题。
我们知道，显存的占用主要包括三部分： 1.模型参数；2.中间计算结果；3.Cuda Context占用 。在多进程模式下，进程之间是不能共享显存的，所以每个进程必须加载一份模型参数，并且为自己的中间计算结果分配显存空间，以保证计算之间不受影响。如下图所示：
因此在Tornado多进程模式下，每新增一个CPU处理进程，就需要为其分配一块GPU显存用于存储模型参数。这就决定了能够创建的进程数是受限于GPU显存和模型权重大小。
针对Tornado多线程和多进程模式的不足，我们开发了 CPU/GPU分离的多进程架构 。多个CPU进程用于图片数据预处理操作，之后将计算任务发送给GPU进程。独立的GPU进程只需加载一份模型参数，其职能是将CPU提交的计算任务下发至GPU，从而使得kernel launch不被打断。由于CPU进程不加载模型，因此理论上进程数不受显存的约束。这种架构在充分利用多核CPU计算能力的前提下，大大降低了显存的消耗，并且使得GPU的性能得到充分发挥，尤其适用于V100S、A100等计算能力强的显卡。
3.1.2 进程间通信效率
CPU/GPU分离的多进程架构，必然存在tensor数据的在CPU进程和GPU进程间的传输，而这势必会带来额外的拷贝开销。因此，一个高效的进程间通信方式，就成为系统设计的关键。常见的进程间通信方式包括共享内存、消息队列、管道(pipe)、Socket等多种方式，但是每种方式的传输效率是不同的。在短视频生成场景下，一次模型推理传输的数据量大概为12MB(20张图片 * 3通道 * 高度 224 * 宽度 224 * float32占4Byte)，我们选取了以下两种常见的传输方式进行比较：
|
| 240 Bytes | 12M Bytes | |
|---|---|---|
| 共享内存(Shared Memory) | 8e-4 ms | 1.4 ms |
| 消息队列(torch.multiprocessing.Queue) | 0.02ms | 12ms |
由于共享内存是通过虚拟地址的方式，将同一块物理内存映射到多个进程中，因此使用共享内存传输大块的数据是效率最高的。但是共享内存无法保证进程间读写同步，因此必须配合其他方式使用。从上表中可以看出，在传输字节量比较小的时候，消息队列的开销可以忽略，所以我们使用消息队列在各个进程间同步共享内存的读写信息。
3.1.3 任务优先级队列
在创意短视频生成时，我们会把长视频拆分成若干个5秒短视频，然后将这些5秒短视频依次送入Visual Transformer模型，与商品主图和商品描述进行相似度计算，选取出得分最高的一个，如下图所示：
假设视频长度为n秒，实际会进行n-4次模型推理，也就是说，CPU进程会向GPU进行提交n-4次任务，如下图所示：
假设n秒视频处理时间为T，则上述情况下，每个进程的时间都会变成 3*T。除了影响Latency之外，还会造成各个进程同时占用GPU、同时占用CPU的情况，不利用硬件资源的均衡使用，最坏的情况如下图所示：
为了达到“First Come First Serve”的效果，我们给GPU进程增加了一个带优先级的消息队列，接收到任务后先按照优先级排序，每个进程以第一次提交任务的时间为优先级，保证了先提交的任务具有最高的优先级。修改后的执行顺序如下图所示：
由于CPU进程1在时刻T就完成了GPU任务，因此会先于进程2和进程3开始CPU后处理任务，也会先于进程2和进程3再次提交GPU任务，从而保证了各进程分时复用GPU和CPU资源，提升系统资源利用率和QPS。最理想的情况会达到如下流水线效果：
可以看到蓝色区域的GPU推理占满了整个时间线，GPU利用率理论上可以达到100%。
3.2 加速效果
经过上面的优化，我们使用100条线上真实流量数据进行测试，测试显卡为T4，CPU为16核32G内存。
可以看出：
- 在单并发时，优化前和优化后效果相差并大，说明使用“共享内存+消息队列”的方式，并没有造成太大的系统开销。
- 随着并发数的增多，优化后的CPU/GPU分离的多进程架构，性能明显优于Tornado自带的多线程模式，最终吞吐了提升75%，GPU利用率提升了41%。
四、深度学习算子层面优化
深度学习算子优化的核心就是进行kernel fusion，通过减少kernel的数目来减少kernel launch的开销，同时使得中间计算结果尽量的复用GPU Cache，降低GPU内存带宽的压力。
4.1 三维卷积(Conv3D)优化
在视频模型里面，Conv3D+BN+MaxPool3D是一个很重要的算子组合，其性能直接影响整个模型的性能。
由于Conv3D为计算密集型算子，因此我们尝试使用TensorCore来加速，但是实际发现性能并没有明显的提升。经过分析，问题出现在图片通道转换上。PyTorch的Conv3D和BN算子仅支持Channels First格式输入，而TencorCore的Conv3D必须是Channels Last格式，这就是造成了如果使用TensorCore加速Conv3D，就会自动插入Channels First到Channels Last通道转算算子，如下图所示：
中间的kernel就是Conv3D，在其前后分别插入两个通道转换算子，使得TensorCore加速的收益被通道转换抵消掉了。
为了兼容TensorCore的Channels Last格式，我们需要把整个模型都改成该格式，才能保证模型从头至尾不需要通道转换。因此我们修改了PyTorch的Conv3D和BN算子，使其支持Channels Last格式，但是PyTorch自带的MaxPool3D算子在Channels Last格式下性能很低，直接使用的话会抵消掉前面的优化。
经过调研，发现Cudnn的MaxPool3D算子性能满足要求，但是功能不满足，该算子只能输出最大值，却不输出最大值的Index信息。而Index信息在接下来的MaxUnpool3D使用。
经过反复分析，我们发现MaxUnpool的过程，其实和Pooling的backward过程是相同的，因此我们采用了CudnnPoolingBackward方法来代替MaxUnpool3D，同时给backward方法传入Pooling前后的值，以使其推算Index信息，替换后的效果如下：
经过上述优化，在TASED-Net模型上Latency降低了 15% 。
4.2 TensorRT
TensorRT是英伟达提供的高性能推理引擎，在性能方面表现出色，但是支持的算子有限，制约了其大范围的应用。我们在实际应用中，解决了大量算子不兼容的问题，使其能够在GPT-2场景下使用。
通过将PyTorch模型转换成TensorRT，GPT-2模型一次推理的时间从 1秒降低到了0.5秒， 获得了1倍的性能提升。
五、其他优化
5.1 视频读取加速
分析视频的第一步是读取视频，但是在分析视频时，并不需要每一帧都分析，而是按照一定频率采样，比如1/5。如果使用OpenCV提供的read接口读入每一帧，会造成80%的读取是无意义的，浪费宝贵的内存并造成延时增大。
经过分析OpenCV的文档，发现read方法其实是分两步来实现的，1.移动指针至下一帧位置；2.对视频内容进行解析。如下图：
而步骤1指针移动的速度非常快，耗时几乎可以忽略，而步骤2视频解析才是大头。因此，我们可以使用OpenCV的一对组合函数, grab和retrieve来加速视频读取，对于未采样的帧只grap，对于采样的帧才进行retrieve解码。如下图所示：
经过测试，在1/5采样率的情况下，grab + retrieve方法读取一个视频的时间是read的 1/5。
除了上述方面，对于超大时长的视频，还可以使用多线程同时读取。每个线程设置各自读取的起始帧，就可以达到把1个视频拆分成N个视频同时读取的效果。如下图所示：
六、展望与总结
易用性与高性能，一直是多媒体服务优化领域的难题。一方面，我们要保留PyTorch在动态图的易用性优势；另一方面，为了满足在线服务对低延时的严苛要求，还要对模型进行类似静态图的高效优化。目前业界已经进行了一些尝试，比如Pytorch-XLA等Lazy Tensor的技术，后续我们也会在这方面进行深入研究，形成适用于多媒体服务的高性能框架。
另外，针对视频、NLP等创意模型的编译优化，也是我们接下来工作的重点之一。我们之前针对展示广告模型常用的MatMul、Attention等结构，在GPU上做了比较深入的研究，但是针对智能创意模型中常用的Conv3D，Transformer等结构的研究还比较少。同时新的硬件如A10，NPU等，也为我们优化工作提供了新的平台，后续我们会持续投入优化。
