在部署前，参考 FastDeploy SDK安装文档 安装 FastDeploy Python SDK。
本目录下分别提供 infer_demo.py 快速完成在 CPU/GPU 的车载语音场景下的口语理解（Spoken Language Understanding，SLU）任务的 Python 部署示例，并展示使用 FastTokenizer 后，端到端预测性能的 Benchmark。
直接执行以下命令安装部署示例的依赖。
# 安装fast_tokenizer以及GPU版本fastdeploy
pip install fast-tokenizer-python fastdeploy-gpu-python -f https://www.paddlepaddle.org.cn/whl/fastdeploy.html
以下示例可通过命令行参数--device以及--backend指定运行在不同的硬件以及推理引擎后端，并使用--model_dir参数指定运行的模型，具体参数设置可查看下面参数说明。示例中的模型是按照ERNIE 3.0 Tiny 训练文档导出得到的部署模型，其模型目录为model_zoo/ernie-tiny/output/BS64_LR5e-5_20EPOCHS_WD0.01_WR0.1/（用户可按实际情况设置）。
# 在GPU上使用paddle_inference后端，模型目录可按照实际模型路径设置
python infer_demo.py --device gpu --backend paddle --model_dir ../../output/BS64_LR5e-5_20EPOCHS_WD0.01_WR0.1 --slot_label_path ../../data/slot_label.txt --intent_label_path ../../data/intent_label.txt
# 在CPU上使用paddle_inference后端，模型目录可按照实际模型路径设置
python infer_demo.py --device cpu --backend paddle --model_dir ../../output/BS64_LR5e-5_20EPOCHS_WD0.01_WR0.1 --slot_label_path ../../data/slot_label.txt --intent_label_path ../../data/intent_label.txt
运行完成后返回的结果如下：
[INFO] fastdeploy/runtime.cc(596)::Init Runtime initialized with Backend::PDINFER in Device::GPU.
No. 0 text = 来一首周华健的花心
{'intent': 'music.play', 'confidence': 0.99833965, 'slot': [{'slot': 'singer', 'entity': '周华健', 'pos': [3, 5]}, {'slot': 'song', 'entity': '花心', 'pos': [7, 8]}]}
No. 1 text = 播放我们都一样
{'intent': 'music.play', 'confidence': 0.9985164, 'slot': [{'slot': 'song', 'entity': '我们都一样', 'pos': [2, 6]}]}
No. 2 text = 到信阳市汽车配件城
{'intent': 'navigation.navigation', 'confidence': 0.998626, 'slot': [{'slot': 'destination', 'entity': '信阳市汽车配件城', 'pos': [1, 8]}]}
该示例支持部署 Paddle INT8 新格式量化模型，仅需在--model_dir参数传入量化模型路径，并且在对应硬件上选择可用的推理引擎后端，即可完成量化模型部署。在 GPU 上部署量化模型时，可选后端为paddle_tensorrt、tensorrt；在CPU上部署量化模型时，可选后端为paddle、onnx_runtime。下面将展示如何使用该示例完成量化模型部署，示例中的模型是按照 ERNIE 3.0 Tiny 训练文档 压缩量化后导出得到的量化模型。
# 在 GPU 上使用 tensorrt 后端，模型目录可按照实际模型路径设置
python infer_demo.py --device gpu --backend tensorrt --model_prefix int8 --model_dir ../../output/BS64_LR5e-5_20EPOCHS_WD0.01_WR0.1 --slot_label_path ../../data/slot_label.txt --intent_label_path ../../data/intent_label.txt
# 在 CPU 上使用 paddle_inference 后端，模型目录可按照实际模型路径设置
python infer_demo.py --device cpu --backend paddle --model_prefix int8 --model_dir ../../output/BS64_LR5e-5_20EPOCHS_WD0.01_WR0.1_quant --slot_label_path ../../data/slot_label.txt --intent_label_path ../../data/intent_label.txt
运行完成后返回的结果如下：
[INFO] fastdeploy/runtime.cc(517)::Init Runtime initialized with Backend::TRT in Device::GPU.
No. 0 text = 来一首周华健的花心
{'intent': 'music.play', 'confidence': 0.99706995, 'slot': [{'slot': 'singer', 'entity': '周华健', 'pos': [3, 5]}, {'slot': 'song', 'entity': '花心', 'pos': [7, 8]}]}
No. 1 text = 播放我们都一样
{'intent': 'music.play', 'confidence': 0.9973666, 'slot': [{'slot': 'song', 'entity': '我们都一样', 'pos': [2, 6]}]}
No. 2 text = 到信阳市汽车配件城
{'intent': 'navigation.navigation', 'confidence': 0.99799216, 'slot': [{'slot': 'destination', 'entity': '信阳市汽车配件城', 'pos': [1, 8]}]}
除了以上示例的命令行参数，还支持更多命令行参数的设置。以下为各命令行参数的说明。
| 参数 | 参数说明 |
|---|---|
| --device | 运行的设备，可选范围: ['cpu', 'gpu']，默认为'cpu' |
| --backend | 支持的推理后端，可选范围: ['onnx_runtime', 'paddle', 'openvino', 'tensorrt', 'paddle_tensorrt']，默认为'paddle' |
| --model_dir | 指定部署模型的目录。支持传入 Paddle INT8 新格式量化模型。 |
| --slot_label_path | 指定的 slot label 文件路径 |
| --intent_label_path | 指定的 intent label 文件路径 |
| --batch_size | 最大可测的 batch size，默认为 1 |
| --max_length | 最大序列长度，默认为 128 |
| --use_trt_fp16 | 是否使用 FP16 模式进行推理。使用 TensorRT 和 Paddle TensorRT 后端时可开启，默认为 False |
| --use_fast | 是否使用 FastTokenizer 加速分词阶段。默认为 True |
| --model_prefix | 模型文件前缀。前缀会分别与'.pdmodel'和'.pdiparams'拼接得到模型文件名和参数文件名。默认为 'infer_model' |
FastDeploy 在 Python 端上，提供 fastdeploy.RuntimeOption.use_xxx() 以及 fastdeploy.RuntimeOption.use_xxx_backend() 接口支持开发者选择不同的硬件、不同的推理引擎进行部署。在不同的硬件上部署 ERNIE 3.0 Tiny 模型，需要选择硬件所支持的推理引擎进行部署，下表展示如何在不同的硬件上选择可用的推理引擎部署 ERNIE 3.0 Tiny模型。
符号说明: (1) ✅: 已经支持; (2) ❔: 正在进行中; (3) N/A: 暂不支持;
| 硬件 | 硬件对应的接口 | 可用的推理引擎 | 推理引擎对应的接口 | 是否支持 ERNIE 3.0 Tiny 模型 | 是否支持 Paddle 新格式量化模型 | 是否支持FP16模式 |
| CPU | use_cpu() | Paddle Inference | use_paddle_infer_backend() | ✅ | ✅ | N/A |
| ONNX Runtime | use_ort_backend() | ✅ | ✅ | N/A | ||
| OpenVINO | use_openvino_backend() | ✅ | ❔ | N/A | ||
| GPU | use_gpu() | Paddle Inference | use_paddle_infer_backend() | ✅ | ✅ | N/A |
| ONNX Runtime | use_ort_backend() | ✅ | ✅ | ❔ | ||
| Paddle TensorRT | use_trt_backend() + enable_paddle_to_trt() | ✅ | ✅ | ✅ | ||
| TensorRT | use_trt_backend() | ✅ | ✅ | ✅ | ||
| 昆仑芯 XPU | use_kunlunxin() | Paddle Lite | use_paddle_lite_backend() | ✅ | N/A | ✅ |
| 华为 昇腾 | use_ascend() | Paddle Lite | use_paddle_lite_backend() | ✅ | ❔ | ✅ |
| Graphcore IPU | use_ipu() | Paddle Inference | use_paddle_infer_backend() | ❔ | ❔ | N/A |
在 Python 端上，以往会使用纯 Python 实现的 Tokenizer 进行分词，在处理大规模文本下往往会显得十分低效。为了解决这个问题，我们使用 PaddleNLP 的 FastTokenizer 工具，该工具使用 C++ 实现，并集成了 Google 提出的 Fast WordPiece Tokenization 快速分词算法，可以大大提升分词阶段性能。开发者安装 FastTokenizer 后，可以使用 PaddleNLP 提供的 AutoTokenizer.from_pretrained 加载 Tokenizer，并通过传入 use_fast=True 的参数使用 FastTokenizer。下面对比使用 FastTokenizer 前后，FP32 模型与量化 INT8 模型在 GPU 上使用 Paddle Inference 以及 Paddle TensorRT 后端预测的预测性能。
| GPU型号 | A10 |
| CUDA版本 | 11.6 |
| cuDNN版本 | 8.4.0 |
| CPU型号 | Intel(R) Xeon(R) Gold 6271C CPU @ 2.60GHz |
batch size = 32，max length = 16。
测试文本长度15。
使用 Paddle Inference 后端预测。
| 切词方式 | 端到端延时（ms） | Runtime延时（ms） | Tokenizer延时（ms） | PostProcess延时（ms） |
| FastTokenizer | 2.5047 | 0.9702 | 1.1807 | 0.3538 |
| Python Tokenizer | 8.9028 | 0.9987 | 7.5499 | 0.3541 |
使用 Paddle TensorRT 后端预测。
| 切词方式 | 端到端延时（ms） | Runtime延时（ms） | Tokenizer延时（ms） | PostProcess延时（ms） |
| FastTokenizer | 2.5707 | 1.0858 | 1.1233 | 0.3616 |
| Python Tokenizer | 9.2509 | 1.0543 | 7.8407 | 0.3559 |
结论：在此 ERNIE 3.0 Tiny 模型部署场景下，使用 FastTokenizer 可以大大加速分词阶段，分词阶段性能加速比为 6.39x~6.98x，端到端性能加速比为 3.56x~3.59x 。