接下来要介绍的triton就是目前比较优秀的一个模型推理框架。
接下来手把手教你跑通triton，让你明白triton到底是干啥的。
NGC可以理解是NV的一个官方软件仓库，里面有好多编译好的软件、docker镜像等。我们要注册NGC并生成相应的api key，这个api key用于在docker上登录ngc并下载里面的镜像。
注册申请流程可以参考官方教程
命令行界面输入docker login nvcr.io
然后输入用户名和你上一步生成的key，用户名就是$oauthtoken，不要忘记$符号，不要使用自己的用户名。
最后会出现Login Succeeded字样，就代表登录成功了。
docker pull nvcr.io/nvidia/tritonserver:22.04-py3
你也可以选择拉取其他版本的triton。镜像大概有几个G，需耐心等待，这个镜像不区分gpu和cpu，是通用的。
执行命令mkdir -p /home/triton/model_repository/fc_model_pt/1。
其中/home/triton/model_repository就是你的模型仓库，所有的模型都在这个模型目录中。启动容器时会将其映射到容器中的/model文件夹上，fc_model_pt可以理解为是某一个模型的存放目录，比如一个用于情感分类的模型，名字则没有要求，最好见名知义，1代表版本是1
模型仓库的目录结构如下：
<model-repository-path>/# 模型仓库目录 <model-name>/ # 模型名字 [config.pbtxt] # 模型配置文件 [<output-labels-file> ...] # 标签文件，可以没有 <version>/ # 该版本下的模型 <model-definition-file> <version>/ <model-definition-file> ... <model-name>/ [config.pbtxt] [<output-labels-file> ...] <version>/ <model-definition-file> <version>/ <model-definition-file> ... ... 创建一个torch模型，并使用torchscript保存：
import torch import torch.nn as nn class SimpleModel(nn.Module): def __init__(self): super(SimpleModel, self).__init__() self.embedding = nn.Embedding(100, 8) self.fc = nn.Linear(8, 4) self.fc_list = nn.Sequential(*[nn.Linear(8, 8) for _ in range(4)]) def forward(self, input_ids): word_emb = self.embedding(input_ids) output1 = self.fc(word_emb) output2 = self.fc_list(word_emb) return output1, output2 if __name__ == "__main__": model = SimpleModel() ipt = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.long) script_model = torch.jit.trace(model, ipt, strict=True) torch.jit.save(script_model, "model.pt") 生成模型后拷贝到刚才建立的目录中,注意要放到版本号对应的目录，且模型文件名必须是model.pt。
triton支持很多模型格式，这里只是拿了torch举例。
为了让框架识别到刚放入的模型，我们需要编写一个配置文件config.pbtxt，具体内容如下：
name: "fc_model_pt" # 模型名，也是目录名 platform: "pytorch_libtorch" # 模型对应的平台，本次使用的是torch，不同格式的对应的平台可以在官方文档找到 max_batch_size : 64 # 一次送入模型的最大bsz，防止oom input [ { name: "input__0" # 输入名字，对于torch来说名字于代码的名字不需要对应，但必须是<name>__<index>的形式，注意是2个下划线，写错就报错 data_type: TYPE_INT64 # 类型，torch.long对应的就是int64,不同语言的tensor类型与triton类型的对应关系可以在官方文档找到 dims: [ -1 ] # -1 代表是可变维度,虽然输入是二维的，但是默认第一个是bsz,所以只需要写后面的维度就行(无法理解的操作，如果是[-1,-1]调用模型就报错) } ] output [ { name: "output__0" # 命名规范同输入 data_type: TYPE_FP32 dims: [ -1, -1, 4 ] }, { name: "output__1" data_type: TYPE_FP32 dims: [ -1, -1, 8 ] } ] 这个模型配置文件估计是整个triton最复杂的地方，上线模型的大部分工作估计都在写配置文件，我这边三言两语难以解释清楚，只能给大家简单介绍下，具体内容还请参考官方文档。注意配置文件不要放到版本号的目录里，放到模型目录里，也就是说config.pbtxt和版本号目录是平级的。
关于输入shape默认第一个是bsz的官方说明：
As discussed above, Triton assumes that batching occurs along the first dimension which is not listed in in the input or output tensor dims. However, for shape tensors, batching occurs at the first shape value. For the above example, an inference request must provide inputs with the following shapes.
执行命令：
docker run --rm -p8000:8000 -p8001:8001 -p8002:8002 -v /home/triton/model_repository/:/models nvcr.io/nvidia/tritonserver:22.04-py3 tritonserver --model-repository=/models 如果你的系统有一个可用的gpu，那你可以加上如下参数 --gpus=1来让推理框架使用GPU加速，这个参数要放到run的后面。
如果你按照我的教程一步一步走下去，那么肯定可以成功启动容器，下面我们可以写段代码测试下接口是否是通的，调用地址是：
http:\localhost:8000/v2/models/{model_name}/versions/{version}/infer
测试代码如下：
import requests if __name__ == "__main__": request_data = { "inputs": [{ "name": "input__0", "shape": [2, 3], "datatype": "INT64", "data": [[1, 2, 3],[4,5,6]] }], "outputs": [{"name": "output__0"}, {"name": "output__1"}] } res = requests.post(url="http://localhost:8000/v2/models/fc_model_pt/versions/1/infer",json=request_data).json() print(res) 执行代码后会得到相应的输出：
{ 'model_name': 'fc_model_pt', 'model_version': '1', 'outputs': [{ 'name': 'output__0', 'datatype': 'FP32', 'shape': [2, 3, 4], 'data': [1.152763843536377, 1.1349767446517944, -0.6294105648994446, 0.8846281170845032, 0.059508904814720154, -0.06066855788230896, -1.497096061706543, -1.192716121673584, 0.7339693307876587, 0.28189709782600403, 0.3425392210483551, 0.08894850313663483, 0.48277992010116577, 0.9581012725830078, 0.49371692538261414, -1.0144696235656738, -0.03292369842529297, 0.3465275764465332, -0.5444514751434326, -0.6578375697135925, 1.1234807968139648, 1.1258794069290161, -0.24797165393829346, 0.4530307352542877] }, { 'name': 'output__1', 'datatype': 'FP32', 'shape': [2, 3, 8], 'data': [-0.28994596004486084, 0.0626179575920105, -0.018645435571670532, -0.3376324474811554, -0.35003775358200073, 0.2884367108345032, -0.2418503761291504, -0.5449661016464233, -0.48939061164855957, -0.482677698135376, -0.27752232551574707, -0.26671940088272095, -0.2171783447265625, 0.025355860590934753, -0.3266356587409973, -0.06301657110452652, -0.1746724545955658, -0.23552510142326355, 0.10773542523384094, -0.4255935847759247, -0.47757795453071594, 0.4816707670688629, -0.16988427937030792, -0.35756853222846985, -0.06549499928951263, -0.04733048379421234, -0.035484105348587036, -0.4210450053215027, -0.07763291895389557, 0.2223128080368042, -0.23027443885803223, -0.4195460081100464, -0.21789231896400452, -0.19235755503177643, -0.16810789704322815, -0.34017443656921387, -0.05121977627277374, 0.08258339017629623, -0.2775516211986542, -0.27720844745635986, -0.25765007734298706, -0.014576494693756104, 0.0661710798740387, -0.38623639941215515, -0.45036202669143677, 0.3960753381252289, -0.20757021009922028, -0.511818528175354] }] } 不知道是不是我的用法有问题，就使用体验来看，这个推理接口有些让我不适应：
除了像我这样直接写代码调用，还可以使用他们提供的官方库pip install tritonclient[http],地址如下：https://github.com/triton-inference-server/client。
上一小节的教程只是用到了triton的基本功能，所以段位只能说是个黄金，下面介绍下一些triton的高级特性。
模型并行可以指同时启动多个模型或单个模型的多个实例。实现起来并不复杂，通过修改配置参数就可以。在默认情况下，triton会在每个可用的gpu上都部署一个该模型的实例从而实现并行。
接下来我会对多种情况进行测试，以让你们清楚模型并行所带来的效果，本人的配置是2块3060(租的)用于测试多模型的情况。
压测命令使用ab -k -c 5 -n 500 -p ipt.json http://localhost:8000/v2/models/fc_model_pt/versions/1/infer
这条命令的意思是5个进程反复调用接口共500次。
测试配置及对应的QPS如下：
结论如下：多卡性能有提升；多个实例能进一步提升并发能力；加入CPU会拖累速度，主要是因为CPU速度太慢。
下面是上述测试对应的配置项，直接复制了放到config.pbtxt中就行
#共2个卡；每个卡运行2个实例 instance_group [ { count: 2 kind: KIND_GPU gpus: [ 0 ] }, { count: 2 kind: KIND_GPU gpus: [ 1 ] } ] # 共2个卡；每个卡运行2个实例；同时在CPU上放2个实例 instance_group [ { count: 2 kind: KIND_GPU gpus: [ 0 ] }, { count: 2 kind: KIND_GPU gpus: [ 1 ] }, { count: 2 kind: KIND_CPU } ] 至于选择使用几张卡，则通过创建容器时的--gpus来指定
动态batch的意思是指, 对于一个请求,先不进行推理,等个几毫秒，把这几毫秒的所有请求拼接成一个batch进行推理，这样可以充分利用硬件，提升并行能力，当然缺点就是个别用户等待时间变长，不适合低频次请求的场景。使用动态batch很简单，只需要在config.pbtxt加上 dynamic_batching { }，具体参数细节大家可以去看文档，我的这种简单写法，组成的bsz上限就是max_batch_size，本人压测的结果是约有50%QPS提升，反正就是有效果就对了。
PS：这种优化方式对于压测来说简直就是作弊。。。
所谓自定义backend就是自己写推理过程，正常情况下整个推理过程是通过模型直接解决的，但是有一些推理过程还会包含一些业务逻辑，比如：整个推理过程需要2个模型，其中要对第一个模型的输出结果做一些逻辑判断然后修改输出才能作为第二个模型的输入，最简单的做法就是我们调用两次triton服务，先调用第一个模型获取输出然后进行业务逻辑判断和修改，然后再调用第二个模型。不过在triton中我们可以自定义一个backend把整个调用过程写在里面，这样就简化调用过程，同时也避免了一部分http传输时延。
我举的例子其实是一个包含了业务逻辑的pipline，这种做法NV叫做BLS(Business Logic Scripting)。
要实现自定义的backend也很简单，与上文讲的放torch模型流程基本一样，首先建立模型文件夹，然后在文件夹里新建config.pbtxt,然后新建版本文件夹，然后放入model.py，这个py文件里就写了推理过程。为了说明目录结构，我把构建好的模型仓库目录树打印出来展示一下：
model_repository/ # 模型仓库 |-- custom_model # 我们的自定义backend模型目录 | |-- 1 # 版本 | | |-- model.py # 模型Py文件，里面主要是推理的逻辑 | `-- config.pbtxt # 配置文件 `-- fc_model_pt # 上一小节介绍的模型 |-- 1 | `-- model.pt `-- config.pbtxt 如果上一小节你看明白了，那么你就会发现自定义backend的模型目录设置和正常目录设置是一样的，唯一不同的就是模型文件由网络权重变成了自己写的代码而已。下面说下config.pbtxt和model.py的文件内容，大家可以直接复制粘贴：
# model.py import json import numpy as np import triton_python_backend_utils as pb_utils class TritonPythonModel: """Your Python model must use the same class name. Every Python model that is created must have "TritonPythonModel" as the class name. """ def initialize(self, args): """`initialize` is called only once when the model is being loaded. Implementing `initialize` function is optional. This function allows the model to intialize any state associated with this model. Parameters ---------- args : dict Both keys and values are strings. The dictionary keys and values are: * model_config: A JSON string containing the model configuration * model_instance_kind: A string containing model instance kind * model_instance_device_id: A string containing model instance device ID * model_repository: Model repository path * model_version: Model version * model_name: Model name """ # You must parse model_config. JSON string is not parsed here self.model_config = model_config = json.loads(args['model_config']) # Get output__0 configuration output0_config = pb_utils.get_output_config_by_name( model_config, "output__0") # Get output__1 configuration output1_config = pb_utils.get_output_config_by_name( model_config, "output__1") # Convert Triton types to numpy types self.output0_dtype = pb_utils.triton_string_to_numpy(output0_config['data_type']) self.output1_dtype = pb_utils.triton_string_to_numpy(output1_config['data_type']) def execute(self, requests): """ requests : list A list of pb_utils.InferenceRequest Returns ------- list A list of pb_utils.InferenceResponse. The length of this list must be the same as `requests` """ output0_dtype = self.output0_dtype output1_dtype = self.output1_dtype responses = [] # Every Python backend must iterate over everyone of the requests # and create a pb_utils.InferenceResponse for each of them. for request in requests: # 获取请求数据 in_0 = pb_utils.get_input_tensor_by_name(request, "input__0") # 第一个输出结果自己随便造一个假的，就假装是有逻辑了 out_0 = np.array([1, 2, 3, 4, 5, 6, 7, 8]) # 为演示方便先写死 out_tensor_0 = pb_utils.Tensor("output__0", out_0.astype(output0_dtype)) # 第二个输出结果调用fc_model_pt获取结果 inference_request = pb_utils.InferenceRequest( model_name='fc_model_pt', requested_output_names=['output__0', 'output__1'], inputs=[in_0]) inference_response = inference_request.exec() out_tensor_1 = pb_utils.get_output_tensor_by_name(inference_response, 'output__1') inference_response = pb_utils.InferenceResponse(output_tensors=[out_tensor_0, out_tensor_1]) responses.append(inference_response) return responses def finalize(self): """`finalize` is called only once when the model is being unloaded. Implementing `finalize` function is OPTIONAL. This function allows the model to perform any necessary clean ups before exit. """ print('Cleaning up...') config.pbtxt的文件内容：
name: "custom_model" backend: "python" input [ { name: "input__0" data_type: TYPE_INT64 dims: [ -1, -1 ] } ] output [ { name: "output__0" data_type: TYPE_FP32 dims: [ -1, -1, 4 ] }, { name: "output__1" data_type: TYPE_FP32 dims: [ -1, -1, 8 ] } ] 待上述工作都完成后，就可以启动程序查看运行结果了，大家可以直接复制我的代码进行测试：
import requests if __name__ == "__main__": request_data = { "inputs": [{ "name": "input__0", "shape": [1, 2], "datatype": "INT64", "data": [[1, 2]] }], "outputs": [{"name": "output__0"}, {"name": "output__1"}] } res = requests.post(url="http://localhost:8000/v2/models/fc_model_pt/versions/1/infer",json=request_data).json() print(res) res = requests.post(url="http://localhost:8000/v2/models/custom_model/versions/1/infer",json=request_data).json() print(res) 运行结果可以发现2次的输出中，ouput__0是不一样，而output__1是一样的，这和咱们写的model.py的逻辑有关系，我这里就不多解释了。
PS：自定义backend避免了需要反复调用NLG模型进行生成而产生的传输时延
如果上面的教程你完整的走了一遍，相信你对triton的使用方法和相关特性会有一个大概的了解，王者不敢保证，黄金段位肯定是有了，后面去学习使用triton的其他特性想必也会非常顺利.
如果你在使用过程中遇到了问题可以私信或者评论，我们一起学习交流。
最后如果有需要租用GPU机器的同学，可以考虑featurize，我做的实验就是在这上面租了机器，大家如果需要租用请使用我的邀请链接，也算是给我做实验回本了，谢谢各位，注册链接：https://featurize.cn?s=7b59a59ea4574318b0504dff01728f95
![[Blazor] 一文理清 Blazor Identity 鉴权验证](http://www.itfaba.com/wp-content/themes/kemi/timthumb.php?src=http://www.itfaba.com/wp-content/themes/kemi/img/random/1.jpg&w=218&h=124&zc=1)
