华泰量化交易中的深度学习模型高性能推理部署
(为了保护代码没有上传最终版本)
为了简化、加速和优化深度学习模型在推理任务的部署,即,兼顾兼容性、易用性和时效性。我们选择了同一将模型转换为ONNX格式,并使用在ONNX Runtime推理框架进行了优化和部署。
一、模型转换
For any system:
环境配置:
1. python -m pip install -U tensorflow onnxruntime tf2onnx
转换:
1. cd model
2. python -m tf2onnx.convert --saved-model 'fintech_model' --output 'fintech_model.onnx' --tag serve
二、推理
For Linux:
环境配置:
1. sudo apt update
2. sudo apt upgrade
3. sudo apt install build-essential gcc g++ cmake make
4. wget "https://github.com/microsoft/onnxruntime/releases/download/v1.18.1/onnxruntime-linux-x64-1.18.1.tgz"
5. tar zxvf onnxruntime-linux-x64-1.18.1.tgz && rm -f onnxruntime-linux-x64-1.18.1.tgz
从源代码构建:
1. mkdir build && cd build
2. cmake .. -DONNXRUNTIME_ROOTDIR=./onnxruntime-linux-x64-1.18.1.tgz && make
3. ./huatai ../model/fintech_model.onnx 16
测试预构建与生成的可执行文件:
1. ./huatai model/fintech_model.onnx 16
量化交易中的深度学习模型高性能推理部署 - 解码赛道(技术方向) 背景:
随着金融科技的快速发展,量化交易已成为金融市场的重要组成部分。量化交易依赖于先进的算法和模型,通过数据分析和预测来制定交易策略。近年来,深度学习模型因其和模式识别方面的优越性能,被广泛应用于量化交易中。然而,深度学习模型通常需要强大的计算资源和优化的部署策略,以确保在实时交易中的高效推理。
挑战:
在本赛题中,要求参赛选手设计和实现一个高性能的实时深度学习模型推理方案。该方案需要基于提供的深度学习模型,并能够在有限的计算资源下,实现高效、低延迟的推理性能。参赛选手需考虑如何优化模型的推理速度,同时确保模型的预测准确性,
课题内容:
根据提供的深度学习模型,基于C或C++等语言实现推理方案。须在确保推理结果正确的同时,尽可能地提升单样本下的推理速度。
成果要求:
基于C或C++等语言实现推理方案,可以采用现有开源引擎,但更推荐自研框架。测试和性能评价环境为Intel(R) Xeon(R) Platinum 8268 CPU、128GB内存。
成果形式要求: 1、推理代码和依赖库,并提供运行示例。
2、提供作品介绍:展示推理方案的设计思路、优势亮点、优化前后的性能提升等。形式及篇幅不限,视频/音频/文档/PPT等形式均可,表述清晰即可。
课题参考资料下载: 【量化交易中的深度学习模型高性能推理部署】课题参考资料.zip