客戶簡介

? 本案例中通過TensorRT加速夸克瀏覽器視頻圖像相關模型的預測性能，比如待上線業(yè)務的相關流程整體性能達不到線上要求，通過對全流程的優(yōu)化以及使用NVIDIA TensorRT加速模型后，最終整體性能由10s級別降到400ms內(nèi)，其中模型性能加速1～3倍，顯存占用下降50%。

? 本案例主要應用到NVIDIA TensorRT、NVIDIA Nsight Systems

客戶簡介及應用背景

夸克瀏覽器是阿里旗下的一個搭載極速AI引擎的高速智能瀏覽器?？淇鸵詷O速智能搜索為定位，致力于為用戶提供交互更智能高效、內(nèi)容更專業(yè)權威的新一代搜索引擎，同時也在產(chǎn)品極致體驗上不斷實現(xiàn)突破。

夸克目前不僅提供極致的搜索體驗，也在探索以深度學習為基礎的AI工具，通過高效的算法效果和全流程的性能優(yōu)化，提供更好的用戶體驗。深度學習模型在實際應用的過程中，效果遠好于傳統(tǒng)模型，但由于算法復雜度過高，預測性能成為制約模型最終能否上線的核心問題。NVIDIA TensorRT通過計算圖的優(yōu)化、高效Kernel的實現(xiàn)及更高效硬件的利用加速模型預測耗時，使預測速度提升了1～3倍。

客戶挑戰(zhàn)

夸克瀏覽器為用戶提供智能相機功能，打開夸克APP后，通過相機入口（如下左圖紅框所示）進入智能相機功能，可以看到智能相機提供的具體功能（如下右圖所示），包括萬能掃描、學習輔導、萬物識別等功能，這些功能對實時性要求極高，不少功能的底層核心技術依賴OCR。作為核心一環(huán)，OCR需要承接巨大流量，其效果及性能影響整個上層業(yè)務的用戶體驗。

OCR全流程包含檢測、識別等多個模型以及復雜的前后處理，整體耗時10s級別，耗時過長嚴重影響用戶體驗，無法達到上線要求。主要影響性能的因素有以下三點：單個模型占用顯存過大導致全流程無法部署在同一個GPU上，需要在多個GPU上進行數(shù)據(jù)傳輸，多GPU部署導致GPU利用率不高；模型本身性能慢，涉及復雜的檢測和識別模型；全流程中模型前后處理復雜。

應用方案

對比目前性能優(yōu)化方案，夸克選擇了采用NVIDIA TensorRT作為模型優(yōu)化的底層框架對模型進行優(yōu)化。TensorRT提供完整端到端模型性能優(yōu)化工具，支持TF和ONNX等相關框架模型，使用后對模型性能帶來巨大提升。

TensorRT對模型結構進行優(yōu)化，使用高效KERNEL實現(xiàn)，并且支持FP16和INT8量化。部分模型通過使用TensorRt后，模型性能有2到3倍的提升，并且顯存降到原來的30%～50%。

有模型在使用FP16精度后，模型效果下降，夸克團隊在NVIDIA的工作人員的指導下，通過對模型設置混合精度后，模型的性能較FP16稍微下降，但是整體效果也達到要求。

對于部分轉(zhuǎn)TensorRT失敗的模型，我們對模型進行分析，把模型耗時的部分單獨抽取出來，單獨做模型優(yōu)化。

在使用TensorRT的過程中，通過Nsight Systems發(fā)現(xiàn)TensorRT OP在某些場景性能表現(xiàn)不盡人意，最后在NVIDIA工作人員指導下，通過調(diào)整OP的使用方式解決該問題。

使用效果及影響

通過使用NVIDIA TensorRT，夸克瀏覽器極大地提升了模型性能和降低模型本身顯存占用，提高了GPU的使用率。在對整體流程和模型進行優(yōu)化后，全部模型能夠部署在單個GPU上，并且整體耗時在400ms內(nèi)。

夸克技術人員表示：TensorRT文檔齊全，功能使用方便，用戶能夠以低門檻使用其帶來的優(yōu)化，無需手動編寫復雜模型轉(zhuǎn)換工具，大大地減少了用戶投入成本。對比其他模型優(yōu)化框架，TensorRT具有更好的通用性、易用性和性能。

通過這次對OCR全流程的性能優(yōu)化，夸克瀏覽器也積累了一套適合內(nèi)部使用的模型性能優(yōu)化方案，在遇到其他模型性能問題時也有的放矢。目前夸克已經(jīng)把TensorRT相關優(yōu)化工具集成到其瀏覽器的內(nèi)部平臺上，同時應用到其他業(yè)務的模型中，并取得良好的效果。

審核編輯：郭婷