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，神經網絡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 向新一代服務升級。

? 本案例為 NVIDIA GPU 推理加速互聯網行業(yè) CTR 模型的典型應用

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

客戶簡介及應用背景

美團是一家集生活服務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，服務于生活服務業(yè)需求側和供給側數字化升級。美團在中國業(yè)務涵蓋餐飲、配送、網約車、共享單車、酒店及旅游預訂、電影票務等 200 多個服務品類，覆蓋全國 2800 個市區(qū)縣，服務 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)務的精細化運營，業(yè)務側對推薦系統的準確度、吞吐能力和時延都提出了新的挑戰(zhàn)，而 CTR 模型作為推薦系統的核心模型，其效果直接影響業(yè)務的收入。

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網絡的引入，CTR 模型結構趨于復雜，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 服務器的堆疊帶來的性能提升性價比相較偏低。

而 GPU 擁有數以千計的計算核心，可以在單機內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)內已經在 CV、NLP 等領域展示了強大的能力。通過 CUDA 及相關 API，NVIDIA建立了完整的 GPU 生態(tài)系統。基于此，美團基礎研發(fā)平臺將 CTR 模型部署到 GPU 上，并通過一系列針對 CPU 與 GPU 的異構系統并行計算設計、數據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，協助美團在 CTR 預測的各業(yè)務場景中發(fā)揮出最大優(yōu)勢。

應用方案

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穩(wěn)定性。除此之外，時延也是業(yè)務側非常重視的性能指標，許多復雜模型縱有更好的準確度，但卻因響應時間不達標而無法落地應用，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)造更多應用機會，不僅極大地提升了系統吞吐量，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 預測服務成功的遷移到 GPU 平臺上，在為業(yè)務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 推理服務框架和 NVIDIA Ampere A30，進一步提升美團推理服務的效率。”

審核編輯：郭婷