案例簡介

本案例中美團機器學習平臺使用 NVIDIA GPU 支持其多方面優(yōu)化策略，從而提高吞吐能力及降低響應(yīng)延遲。通過算子融合、計算圖等價替換等一系列優(yōu)化 ，相較于 CPU 在相同成本約束下，NVIDIA T4 GPU 大幅加速美團 CTR（Click-Through-Rate）模型預測性能，神經(jīng)網(wǎng)絡(luò)模型吞吐能力提升了 10 倍；同時在搜索精排場景中，端到端整體吞吐能力提升了一倍以上，助力美團 CTR 向新一代服務(wù)升級。

? 本案例為 NVIDIA GPU 推理加速互聯(lián)網(wǎng)行業(yè) CTR 模型的典型應(yīng)用

? 本案例主要應(yīng)用到 T4 GPU 和 NVIDIA 各 SDK 以及 CUDA 加速手段

客戶簡介及應(yīng)用背景

美團是一家集生活服務(wù)及商品零售的電商平臺，公司聚焦“零售+科技”戰(zhàn)略，以“吃”為核心，通過科技創(chuàng)新，服務(wù)于生活服務(wù)業(yè)需求側(cè)和供給側(cè)數(shù)字化升級。美團在中國業(yè)務(wù)涵蓋餐飲、配送、網(wǎng)約車、共享單車、酒店及旅游預訂、電影票務(wù)等 200 多個服務(wù)品類，覆蓋全國 2800 個市區(qū)縣，服務(wù) 6.7 億活躍用戶和 830 萬活躍商家。

伴隨著用戶規(guī)模的提升和業(yè)務(wù)的精細化運營，業(yè)務(wù)側(cè)對推薦系統(tǒng)的準確度、吞吐能力和時延都提出了新的挑戰(zhàn)，而 CTR 模型作為推薦系統(tǒng)的核心模型，其效果直接影響業(yè)務(wù)的收入。

客戶挑戰(zhàn)

美團的 CTR 模型過去一直在使用 CPU 推理的方式，但隨著用戶訪問量的提升和深度神經(jīng)網(wǎng)絡(luò)的引入，CTR 模型結(jié)構(gòu)趨于復雜，吞吐和計算量也越來越大，CPU 開始不能滿足模型對于算力的需求，而僅僅通過 CPU 服務(wù)器的堆疊帶來的性能提升性價比相較偏低。

而 GPU 擁有數(shù)以千計的計算核心，可以在單機內(nèi)提供密集的并行計算能力，特別適合深度學習場景，在行業(yè)內(nèi)已經(jīng)在 CV、NLP 等領(lǐng)域展示了強大的能力。通過 CUDA 及相關(guān) API，NVIDIA建立了完整的 GPU 生態(tài)系統(tǒng)。基于此，美團基礎(chǔ)研發(fā)平臺將 CTR 模型部署到 GPU 上，并通過一系列針對 CPU 與 GPU 的異構(gòu)系統(tǒng)并行計算設(shè)計、數(shù)據(jù)存儲方式和傳輸方式上的特定優(yōu)化，希望能通過 GPU 強大的計算力，協(xié)助美團在 CTR 預測的各業(yè)務(wù)場景中發(fā)揮出最大優(yōu)勢。

應(yīng)用方案

為了解決算力瓶頸及上述各種挑戰(zhàn)，美團機器學習平臺采用 NVIDIA AI 計算平臺，在繼 CV、NLP 及 CTR 訓練后，也使用了 NVIDIA T4來提供 CTR 預測支持，大幅提升用戶體驗與服務(wù)穩(wěn)定性。除此之外，時延也是業(yè)務(wù)側(cè)非常重視的性能指標，許多復雜模型縱有更好的準確度，但卻因響應(yīng)時間不達標而無法落地應(yīng)用，例如，在某搜索框自動補全的場景，由于天然的交互屬性，時延要求非常苛刻，一般來說無法使用復雜的模型。而在 GPU 能力的加持下，其復雜模型的平均響應(yīng)時間從 15 毫秒降低至 6~7 毫秒，足足縮短了一倍多，達到了上線要求。

使用效果及影響

通過 NVIDIA T4 深度優(yōu)化方案，成功為美團 CTR 模型創(chuàng)造更多應(yīng)用機會，不僅極大地提升了系統(tǒng)吞吐量，更進一步地提升了整個模型訓練的速度與降低訓練成本，落實 AI 框架在 GPU上性能推理的優(yōu)化實踐。

“在美團和英偉達的共同努力下，我們將 CTR 預測服務(wù)成功的遷移到 GPU 平臺上，在為業(yè)務(wù)提供更好的支撐的同時也獲得了更好的性價比；下一步，機器學習平臺計劃采用 NVIDIA Triton 推理服務(wù)框架和 NVIDIA Ampere A30，進一步提升美團推理服務(wù)的效率?！?/p>

審核編輯：郭婷