一、前言
隨著深度學習在影像、語言、廣告點選率預估等各個領域不斷髮展，很多團隊開始探索深度學習技術在業務層面的實踐與應用。而在廣告CTR預估方面，新模型也是層出不窮： Wide and Deep[1]、DeepCross Network[2]、DeepFM[3]、xDeepFM[4]，美團很多篇深度學習部落格也做了詳細的介紹。但是，當離線模型需要上線時，就會遇見各種新的問題： 離線模型效能能否滿足線上要求、模型預估如何鑲入到原有工程系統等等。只有準確的理解深度學習框架，才能更好地將深度學習部署到線上，從而相容原工程系統、滿足線上效能要求。
本文首先介紹下美團平臺使用者增長組業務場景及離線訓練流程，然後主要介紹我們使用TensorFlow Serving部署WDL模型到線上的全過程，以及如何優化線上服務效能，希望能對大家有所啟發。
二、業務場景及離線流程
2.1 業務場景
在廣告精排的場景下，針對每個使用者，最多會有幾百個廣告召回，模型會根據使用者特徵與每一個廣告相關特徵，分別預估該使用者對每條廣告的點選率，從而進行排序。由於廣告交易平臺（AdExchange）對於DSP的超時時間限制，我們的排序模組平均響應時間必須控制在10ms以內，同時美團DSP需要根據預估點選率參與實時競價，因此對模型預估效能要求比較高。
2.2 離線訓練
離線資料方面，我們使用Spark生成TensorFlow[5]原生態的資料格式tfrecord，加快資料讀取。
模型方面，使用經典的Wide and Deep模型，特徵包括使用者維度特徵、場景維度特徵、商品維度特徵。Wide 部分有 80多特徵輸入，Deep部分有60多特徵輸入，經過Embedding輸入層大約有600維度，之後是3層256等寬全連線，模型引數一共有35萬引數，對應匯出模型檔案大小約11M。
離線訓練方面，使用TensorFlow同步 + Backup Workers[6]的分散式框架，解決非同步更新延遲和同步更新效能慢的問題。
在分散式ps引數分配方面，使用GreedyLoadBalancing方式，根據預估引數大小分配引數，取代Round Robin取模分配的方法，可以使各個PS負載均衡。
計算裝置方面，我們發現只使用CPU而不使用GPU，訓練速度會更快，這主要是因為儘管GPU計算上效能可能會提升，但是卻增加了CPU與GPU之間資料傳輸的開銷，當模型計算並不太複雜時，使用CPU效果會更好些。
同時我們使用了Estimator高階API，將資料讀取、分散式訓練、模型驗證、TensorFlow Serving模型匯出進行封裝。
使用Estimator的主要好處在於：
單機訓練與分散式訓練可以很簡單的切換，而且在使用不同裝置：CPU、GPU、TPU時，無需修改過多的程式碼。
Estimator的框架十分清晰，便於開發者之間的交流。
初學者還可以直接使用一些已經構建好的Estimator模型：DNN模型、XGBoost模型、線性模型等。
三、TensorFlow Serving及效能優化
3.1 TensorFlow Serving介紹
TensorFlow Serving是一個用於機器學習模型Serving的高效能開源庫，它可以將訓練好的機器學習模型部署到線上，使用gRPC作為介面接受外部呼叫。TensorFlow Serving支援模型熱更新與自動模型版本管理，具有非常靈活的特點。
下圖為TensorFlow Serving整個框架圖。Client端會不斷給Manager傳送請求，Manager會根據版本管理策略管理模型更新，並將最新的模型計算結果返回給Client端。
圖1. TensorFlow Serving架構，圖片來源於TensorFlow Serving官方文件
美團內部由資料平臺提供專門TensorFlow Serving通過YARN分散式地跑在叢集上，其週期性地掃描HDFS路徑來檢查模型版本，並自動進行更新。當然，每一臺本地機器都可以安裝TensorFlow Serving進行試驗。
在我們站外廣告精排的場景下，每來一位使用者時，線上請求端會把該使用者和召回所得100個廣告的所有資訊，轉化成模型輸入格式，然後作為一個Batch傳送給TensorFlow Serving，TensorFlow Serving接受請求後，經過計算得到CTR預估值，再返回給請求端。
部署TensorFlow Serving的第一版時，QPS大約200時，打包請求需要5ms，網路開銷需要固定3ms左右，僅模型預估計算需要10ms，整個過程的TP50線大約18ms，效能完全達不到線上的要求。接下來詳細介紹下我們效能優化的過程。
3.2 效能優化
3.2.1 請求端優化
線上請求端優化主要是對一百個廣告進行並行處理，我們使用OpenMP多執行緒並行處理資料，將請求時間效能從5ms降低到2ms左右。
#pragma omp parallel for
for (int i = 0; i < request->ad_feat_size(); ++i) {
tensorflow::Example example;
data_processing();
}
3.2.2 構建模型OPS優化
在沒有進行優化之前，模型的輸入是未進行處理的原格式資料，例如，渠道特徵取值可能為：'渠道1'、'渠道2' 這樣的string格式，然後在模型裡面做One Hot處理。
最初模型使用了大量的高階tf.feature_column對資料進行處理， 轉為One Hot和embedding格式。 使用tf.feature_column的好處是，輸入時不需要對原資料做任何處理，可以通過feature_column API在模型內部對特徵做很多常用的處理，例如：tf.feature_column.bucketized_column可以做分桶，tf.feature_column.crossed_column可以對類別特徵做特徵交叉。但特徵處理的壓力就放在了模型裡。
為了進一步分析使用feature_column的耗時，我們使用tf.profiler工具，對整個離線訓練流程耗時做了分析。在Estimator框架下使用tf.profiler是非常方便的，只需加一行程式碼即可。
with tf.contrib.tfprof.ProfileContext(job_dir + ‘/tmp/train_dir’) as pctx:
estimator = tf.estimator.Estimator(model_fn=get_model_fn(job_dir),
config=run_config,
params=hparams)
下圖為使用tf.profiler，網路在向前傳播的耗時分佈圖，可以看出使用feature_column API的特徵處理耗費了很大時間。
為了解決特徵在模型內做處理耗時大的問題，我們在處理離線資料時，把所有string格式的原生資料，提前做好One Hot的對映，並且把對映關係落到本地feature_index檔案，進而供線上線下使用。這樣就相當於把原本需要在模型端計算One Hot的過程省略掉，替代為使用詞典做O(1)的查詢。同時在構建模型時候，使用更多效能有保證的低階API替代feature_column這樣的高階API。下圖為效能優化後，前向傳播耗時在整個訓練流程的佔比。可以看出，前向傳播的耗時佔比降低了很多。
3.2.3 XLA，JIT編譯優化
TensorFlow採用有向資料流圖來表達整個計算過程，其中Node代表著操作（OPS），資料通過Tensor的方式來表達，不同Node間有向的邊表示資料流動方向，整個圖就是有向的資料流圖。
XLA（Accelerated Linear Algebra）是一種專門對TensorFlow中線性代數運算進行優化的編譯器，當開啟JIT（Just In Time）編譯模式時，便會使用XLA編譯器。整個編譯流程如下圖所示：
首先TensorFlow整個計算圖會經過優化，圖中冗餘的計算會被剪掉。HLO（High Level Optimizer）會將優化後的計算圖生成HLO的原始操作，XLA編譯器會對HLO的原始操作進行一些優化，最後交給LLVM IR，進而根據不同的後端裝置，生成不同的機器程式碼。
JIT的使用，有助於LLVM IR根據 HLO原始操作生成更高效的機器碼；同時，對於多個可融合的HLO原始操作，會融合成一個更加高效的計算操作。但是JIT的編譯是在程式碼執行時進行編譯，這也意味著執行程式碼時會有一部分額外的編譯開銷。
上圖顯示為不同網路結構，不同Batch Size下使用JIT編譯後與不使用JIT編譯的耗時之比。可以看出，較大的Batch Size效能優化比較明顯，層數與神經元個數變化對JIT編譯優化影響不大。
在實際的應用中，具體效果會因網路結構、模型引數、硬體裝置等原因而異。
3.2.4 最終效能
經過上述一系列的效能優化，模型預估時間從開始的10ms降低到1.1ms，請求時間從5ms降到2ms。整個流程從打包傳送請求到收到結果，耗時大約6ms。
圖6. 模型計算時間相關引數：QPS:1308，50line:1.1ms，999line:3.0ms。下面四個圖分別為：耗時分佈圖顯示大部分耗時控制在1ms內；請求次數顯示每分鐘請求大約8萬次，摺合QPS為1308；平均耗時時間為1.1ms；成功率為100%
3.3 模型切換毛刺問題
通過監控發現，當模型進行更新時，會有大量的請求超時。如下圖所示，每次更新都會導致有大量請求超時，對系統的影響較大。通過TensorFlow Serving日誌和程式碼分析發現，超時問題主要源於兩個方面，一方面，更新、載入模型和處理TensorFlow Serving請求的執行緒共用一個執行緒池，導致切換模型時無法處理請求；另一方面，模型載入後，計算圖採用Lazy Initialization方式，導致第一次請求需要等待計算圖初始化。
問題一主要是因為載入和解除安裝模型執行緒池配置問題，在原始碼中：
uint32 num_load_threads = 0; uint32 num_unload_threads = 0;
這兩個引數預設為 0，表示不使用獨立執行緒池，和Serving Manager在同一個執行緒中執行。修改成1便可以有效解決此問題。
模型載入的核心操作為RestoreOp，包括從儲存讀取模型檔案、分配記憶體、查詢對應的Variable等操作，其通過呼叫Session的run方法來執行。而預設情況下，一個程式內所有Session的運算均使用同一個執行緒池。所以導致模型載入過程中載入操作和處理Serving請求的運算使用同一執行緒池，導致Serving請求延遲。解決方法是通過配置檔案設定，可構造多個執行緒池，模型載入時指定使用獨立的執行緒池執行載入操作。
對於問題二，模型首次執行耗時較長的問題，採用在模型載入完成後提前進行一次Warm Up運算的方法，可以避免在請求時運算影響請求效能。這裡使用Warm Up的方法是，根據匯出模型時設定的Signature，拿出輸入資料的型別，然後構造出假的輸入資料來初始化模型。
通過上述兩方面的優化，模型切換後請求延遲問題得到很好的解決。如下圖所示，切換模型時毛刺由原來的84ms降低為4ms左右。
四、總結與展望
本文主要介紹了使用者增長組基於Tensorflow Serving在深度學習線上預估的探索，對效能問題的定位、分析、解決；最終實現了高效能、穩定性強、支援各種深度學習模型的線上服務。
在具備完整的離線訓練與線上預估框架基礎之後，我們將會加快策略的快速迭代。在模型方面，我們可以快速嘗試新的模型，嘗試將強化學習與競價結合；在效能方面，結合工程要求，我們會對TensorFlow的圖優化、底層操作運算元、操作融合等方面做進一步的探索；除此之外，TensorFlow Serving的預估功能可以用於模型分析，谷歌也基於此推出What-If-Tools來幫助模型開發者對模型深入分析。最後，我們也會結合模型分析，對資料、特徵再做重新的審視。
參考文獻
[1] Cheng, H. T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., … & Anil, R. (2016, September). Wide & deep learning for recommender systems. In Proceedings of the 1st Workshop on Deep Learning for Recommender Systems (pp. 7-10). ACM.
[2] Wang, R., Fu, B., Fu, G., & Wang, M. (2017, August). Deep & cross network for ad click predictions. In Proceedings of the ADKDD'17 (p. 12). ACM.
[3] Guo, H., Tang, R., Ye, Y., Li, Z., & He, X. (2017). Deepfm: a factorization-machine based neural network for ctr prediction. arXiv preprint arXiv:1703.04247.
[4] Lian, J., Zhou, X., Zhang, F., Chen, Z., Xie, X., & Sun, G. (2018). xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems. arXiv preprint arXiv:1803.05170.
[5] Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., … & Kudlur, M. (2016, November). TensorFlow: a system for large-scale machine learning. In OSDI (Vol. 16, pp. 265-283).
[6] Goyal, P., Dollár, P., Girshick, R., Noordhuis, P., Wesolowski, L., Kyrola, A., … & He, K. (2017). Accurate, large minibatch SGD: training imagenet in 1 hour. arXiv preprint arXiv:1706.02677.
[7] Neill, R., Drebes, A., Pop, A. (2018). Performance Analysis of Just-in-Time Compilation for Training TensorFlow Multi-Layer Perceptrons.
作者簡介
仲達，2017年畢業於美國羅徹斯特大學資料科學專業，後在加州灣區Stentor Technology Company工作，2018年加入美團，主要負責使用者增長組深度學習、強化學習落地業務場景工作。
鴻傑，2015年加入美團點評。美團平臺與酒旅事業群使用者增長組演算法負責人，曾就職於阿里，主要致力於通過機器學習提升美團點評平臺的活躍使用者數，作為技術負責人，主導了美團DSP廣告投放、站內拉新等專案的演算法工作，有效提升營銷效率，降低營銷成本。
廷穩，2015年加入美團點評。在美團點評離線計算方向先後從事YARN資源排程及GPU計算平臺建設工作。