Amazon Ads 使用 PyTorch、TorchServe 和 AWS Inferentia 将推理成本降低 71%，并推动横向扩展。
Amazon Ads 帮助公司建立品牌，并通过在亚马逊商店内外（包括网站、应用程序和 15 个以上国家/地区的流媒体电视内容）展示的广告与购物者建立联系。各种规模的企业和品牌，包括注册卖家、供应商、图书供应商、Kindle Direct Publishing (KDP) 作者、应用程序开发者和代理商，都可以上传自己的广告素材，其中可以包括图片、视频、音频，当然还有在亚马逊上销售的产品。
为了促进准确、安全和愉快的购物体验，这些广告必须符合内容准则。例如，广告不能闪烁，产品必须在适当的上下文中展示，图像和文字应适合普通受众。为了帮助确保广告符合要求的政策和标准，我们需要开发可扩展的机制和工具。
作为解决方案，我们使用机器学习 (ML) 模型来发现可能需要修改的广告。随着深度神经网络在过去十年中蓬勃发展，我们的数据科学团队开始探索更通用的深度学习 (DL) 方法，这些方法能够以最少的人工干预处理文本、图像、音频或视频。为此，我们使用 PyTorch 构建了计算机视觉 (CV) 和自然语言处理 (NLP) 模型，以自动标记可能不合规的广告。PyTorch 直观、灵活且用户友好，使我们能够无缝过渡到使用 DL 模型。在 基于 AWS Inferentia 的 Amazon EC2 Inf1 实例上部署这些新模型，而不是在基于 GPU 的实例上部署，使我们的推理延迟降低了 30%，并且在相同工作负载下，推理成本降低了 71%。
过渡到深度学习
我们的 ML 系统将经典模型与词嵌入配对以评估广告文本。但是我们的要求不断发展，并且随着提交量的持续扩大，我们需要一种足够灵活的方法来随着我们的业务一起扩展。此外，我们的模型必须快速，并在毫秒内投放广告，以提供最佳的客户体验。
在过去十年中，深度学习在众多领域（包括自然语言、视觉和音频）中变得非常流行。由于深度神经网络通过许多层通道传输数据集（提取逐渐更高层次的特征），因此它们可以做出比经典 ML 模型更细致的推断。例如，深度学习模型不仅仅是检测违禁语言，还可以拒绝发布虚假声明的广告。
此外，深度学习技术是可转移的——为一个任务训练的模型可以适应执行相关任务。例如，可以优化预训练的神经网络来检测图像中的对象，然后对其进行微调以识别不允许在广告中显示的特定对象。
深度神经网络可以自动化经典 ML 中两个最耗时的步骤：特征工程和数据标记。与传统的监督学习方法（需要探索性数据分析和手工设计的特征）不同，深度神经网络直接从数据中学习相关特征。深度学习模型还可以分析非结构化数据，如文本和图像，而无需 ML 中必要的预处理。深度神经网络可以随着更多数据有效地扩展，并且在涉及大型数据集的应用中表现特别出色。
我们选择 PyTorch 来开发我们的模型，因为它帮助我们最大限度地提高了系统的性能。借助 PyTorch，我们可以在更好地为客户服务的同时，利用 Python 最直观的概念。PyTorch 中的编程是面向对象的：它将处理函数与它们修改的数据分组在一起。因此，我们的代码库是模块化的，我们可以在不同的应用程序中重用代码片段。此外，PyTorch 的 eager 模式允许循环和控制结构，因此可以在模型中进行更复杂的操作。Eager 模式使原型设计和迭代我们的模型变得容易，并且我们可以处理各种数据结构。这种灵活性帮助我们快速更新模型以满足不断变化的业务需求。
“在此之前，我们尝试过其他‘Pythonic’框架，但 PyTorch 显然是我们的首选。”应用科学家 Yashal Kanungo 说。“使用 PyTorch 很简单，因为该结构感觉是 Python 编程原生的，数据科学家对此非常熟悉”。
训练管道
如今，我们完全在 PyTorch 中构建我们的文本模型。为了节省时间和金钱，我们通常跳过训练的早期阶段，而是微调预训练的 NLP 模型以进行语言分析。如果我们需要新的模型来评估图像或视频，我们首先浏览 PyTorch 的 torchvision 库，该库为图像和视频分类、对象检测、实例分割和姿势估计提供预训练选项。对于专门的任务，我们从头开始构建自定义模型。PyTorch 非常适合这样做，因为 eager 模式和用户友好的前端使试验不同的架构变得容易。
要了解如何在 PyTorch 中微调神经网络，请访问 本教程。
在开始训练之前，我们优化模型的超参数，这些变量定义了网络架构（例如，隐藏层的数量）和训练机制（例如学习率和批次大小）。选择合适的超参数值至关重要，因为它们将塑造模型的训练行为。我们依靠 SageMaker 中的贝叶斯搜索功能，AWS 的 ML 平台，用于此步骤。贝叶斯搜索将超参数调整视为回归问题：它提出可能产生最佳结果的超参数组合，并运行训练作业以测试这些值。在每次试验之后，回归算法确定要测试的下一组超参数值，并且性能逐渐提高。
我们使用 SageMaker Notebooks 对我们的模型进行原型设计和迭代。Eager 模式使我们能够通过为每个训练批次构建新的计算图来快速设计模型原型；操作顺序可以从迭代到迭代进行更改，以适应不同的数据结构或与中间结果保持一致。这使我们能够在训练期间调整网络，而无需从头开始。这些动态图对于基于可变序列长度的递归计算特别有价值，例如广告中通过 NLP 分析的单词、句子和段落。
当我们最终确定模型架构后，我们在 SageMaker 上部署训练作业。PyTorch 通过同时运行许多训练作业，帮助我们更快地开发大型模型。PyTorch 的 分布式数据并行 (DDP) 模块在 SageMaker 内的多台互连机器上复制单个模型，并且所有进程都在其自身唯一的数据集部分上同时运行前向传递。在反向传递期间，该模块平均所有进程的梯度，因此每个本地模型都使用相同的参数值进行更新。
模型部署管道
当我们在生产环境中部署模型时，我们希望确保在不影响预测准确性的情况下降低推理成本。PyTorch 的几个功能和 AWS 服务帮助我们解决了这一挑战。
动态图的灵活性丰富了训练，但在部署中，我们希望最大限度地提高性能和可移植性。在 PyTorch 中开发 NLP 模型的一个优势是，它们可以通过 TorchScript（Python 的子集，专门用于 ML 应用程序）开箱即用地跟踪到静态操作序列中。Torchscript 将 PyTorch 模型转换为更高效、更适合生产的中间表示 (IR) 图，该图易于编译。我们通过模型运行示例输入，TorchScript 记录在前向传递期间执行的操作。生成的 IR 图可以在高性能环境（包括 C++ 和其他多线程无 Python 上下文）中运行，并且诸如运算符融合之类的优化可以加快运行时速度。
Neuron SDK 和 AWS Inferentia 驱动的计算
我们将模型部署在由 AWS Inferentia 驱动的 Amazon EC2 Inf1 实例上，AWS Inferentia 是亚马逊首款旨在加速深度学习推理工作负载的 ML 芯片。与基于 Amazon EC2 GPU 的实例相比，Inferentia 已显示可将推理成本降低高达 70%。我们使用 AWS Neuron SDK（一组与 Inferentia 一起使用的软件工具）来编译和优化我们的模型，以便在 EC2 Inf1 实例上部署。
下面的代码片段展示了如何使用 Neuron 编译 Hugging Face BERT 模型。与 torch.jit.trace() 类似，neuron.trace() 记录模型在示例输入上的操作，以便在前向传递期间构建静态 IR 图。
import torch
from transformers import BertModel, BertTokenizer
import torch.neuron
tokenizer = BertTokenizer.from_pretrained("path to saved vocab")
model = BertModel.from_pretrained("path to the saved model", returned_dict=False)
inputs = tokenizer ("sample input", return_tensor="pt")
neuron_model = torch.neuron.trace(model,
example_inputs = (inputs['input_ids'], inputs['attention_mask']),
verbose = 1)
output = neuron_model(*(inputs['input_ids'], inputs['attention_mask']))
自动类型转换和重新校准
在底层，Neuron 通过将我们的模型自动类型转换为较小的数据类型来优化其性能。默认情况下，大多数应用程序以 32 位单精度浮点 (FP32) 数字格式表示神经网络值。将模型自动类型转换为 16 位格式（半精度浮点 (FP16) 或 Brain Floating Point (BF16)）可减少模型的内存占用和执行时间。在我们的案例中，我们决定使用 FP16 来优化性能，同时保持高精度。
在某些情况下，自动类型转换为较小的数据类型可能会触发模型预测的细微差异。为了确保模型的准确性不受影响，Neuron 会比较 FP16 和 FP32 模型的性能指标和预测。当自动类型转换降低模型的准确性时，我们可以告诉 Neuron 编译器仅将权重和某些数据输入转换为 FP16，而将剩余的中间结果保留在 FP32 中。此外，我们经常使用训练数据运行几次迭代来重新校准我们的自动类型转换模型。此过程比原始训练强度低得多。
部署
为了分析多媒体广告，我们运行了一组深度学习模型。所有上传到亚马逊的广告都通过专门的模型运行，这些模型评估它们包含的每种类型的内容：图像、视频和音频、标题、文本、背景，甚至语法、语法和潜在的不当语言。我们从这些模型收到的信号表明广告是否符合我们的标准。
部署和监控多个模型非常复杂，因此我们依赖于 TorchServe，SageMaker 的默认 PyTorch 模型服务库。TorchServe 由 Facebook 的 PyTorch 团队和 AWS 联合开发，旨在简化从原型设计到生产的过渡，帮助我们大规模部署经过训练的 PyTorch 模型，而无需编写自定义代码。它为推理、管理、指标和解释提供了一组安全的 REST API。凭借多模型服务、模型版本控制、集成支持和自动批处理等功能，TorchServe 非常适合支持我们庞大的工作负载。您可以在这篇 博客文章中阅读有关使用本机 TorchServe 集成在 SageMaker 上部署 Pytorch 模型的更多信息。
在某些用例中，我们利用 PyTorch 的面向对象编程范例将多个深度学习模型包装到一个父对象（PyTorch nn.Module）中，并将它们作为一个整体提供服务。在其他情况下，我们使用 TorchServe 在单独的 SageMaker 端点上为各个模型提供服务，这些端点在 AWS Inf1 实例上运行。
自定义处理程序
我们特别赞赏 TorchServe 允许我们将我们的模型初始化、预处理、推理和后处理代码嵌入到单个 Python 脚本 handler.py 中，该脚本位于服务器上。此脚本（处理程序）预处理来自广告的未标记数据，通过我们的模型运行该数据，并将生成的推理传递到下游系统。TorchServe 提供了几个默认处理程序，用于加载权重和架构并准备模型以在特定设备上运行。我们可以将所有其他必需的工件（如词汇表文件或标签映射）与模型捆绑在一个存档文件中。
当我们需要部署具有复杂初始化过程或源自第三方库的模型时，我们在 TorchServe 中设计自定义处理程序。这些处理程序使我们能够加载任何模型，从任何库加载，并使用任何必需的进程。以下代码片段展示了一个简单的处理程序，该处理程序可以在任何 SageMaker 托管端点实例上为 Hugging Face BERT 模型提供服务。
import torch
import torch.neuron
from ts.torch_handler.base_handler import BaseHandler
import transformers
from transformers import AutoModelForSequenceClassification,AutoTokenizer
class MyModelHandler(BaseHandler):
def initialize(self, context):
self.manifest = ctx.manifest
properties = ctx.system_properties
model_dir = properties.get("model_dir")
serialized_file = self.manifest["model"]["serializedFile"]
model_pt_path = os.path.join(model_dir, serialized_file)
self.tokenizer = AutoTokenizer.from_pretrained(
model_dir, do_lower_case=True
)
self.model = AutoModelForSequenceClassification.from_pretrained(
model_dir
)
def preprocess(self, data):
input_text = data.get("data")
if input_text is None:
input_text = data.get("body")
inputs = self.tokenizer.encode_plus(input_text, max_length=int(max_length), pad_to_max_length=True, add_special_tokens=True, return_tensors='pt')
return inputs
def inference(self,inputs):
predictions = self.model(**inputs)
return predictions
def postprocess(self, output):
return output
批处理
硬件加速器针对并行性进行了优化，而批处理（在单个步骤中向模型馈送多个输入）有助于饱和所有可用容量，通常会产生更高的吞吐量。但是，过高的批次大小可能会增加延迟，而吞吐量几乎没有提高。试验不同的批次大小有助于我们确定模型和硬件加速器的最佳点。我们运行实验来确定模型大小、有效负载大小和请求流量模式的最佳批次大小。
Neuron 编译器现在支持可变批次大小。以前，跟踪模型会对预定义的批次大小进行硬编码，因此我们必须填充数据，这会浪费计算资源、降低吞吐量并加剧延迟。Inferentia 经过优化，可最大限度地提高小批次的吞吐量，从而通过减轻系统负载来减少延迟。
并行性
多核上的模型并行性还可以提高吞吐量和延迟，这对于我们的繁重工作负载至关重要。每个 Inferentia 芯片包含四个 NeuronCore，它们可以同时运行单独的模型，也可以形成管道来流式传输单个模型。在我们的用例中，数据并行配置以最低的成本提供了最高的吞吐量，因为它扩展了并发处理请求。
数据并行
模型并行
监控
监控我们在生产环境中的推理准确性至关重要。最初做出良好预测的模型最终可能会在部署中退化，因为它们暴露于更广泛的数据。这种现象称为模型漂移，通常发生在输入数据分布或预测目标发生变化时。
我们使用 SageMaker Model Monitor 来跟踪训练数据和生产数据之间的奇偶校验。当生产环境中的预测开始偏离训练和验证结果时，Model Monitor 会通知我们。感谢这种早期预警，我们可以在广告客户受到影响之前恢复准确性（如有必要，可以通过重新训练模型）。为了实时跟踪性能，Model Monitor 还向我们发送有关预测质量的指标，例如准确率、F 分数和预测类别的分布。
为了确定我们的应用程序是否需要扩展，TorchServe 会定期记录 CPU、内存和磁盘的资源利用率指标；它还会记录收到的请求数与已服务的请求数。对于自定义指标，TorchServe 提供了 Metrics API。
令人欣慰的结果
我们在 PyTorch 中开发并在 Inferentia 上部署的深度学习模型加快了我们的广告分析速度，同时降低了成本。从我们对深度学习的首次探索开始，在 PyTorch 中编程感觉很自然。其用户友好的功能帮助我们顺利地从早期实验过渡到多模态集成的部署。PyTorch 使我们能够快速设计原型和构建模型，这在我们不断发展和扩展的广告服务中至关重要。还有一个额外的好处是，PyTorch 可以与 Inferentia 和我们的 AWS ML 堆栈无缝协作。我们期待使用 PyTorch 构建更多用例，以便我们能够继续为客户提供准确的实时结果。
