Triton Inference Server是一个适用于深度学习与机器学习模型的推理服务引擎，支持将TensorRT、TensorFlow、PyTorch或ONNX等多种AI框架的模型部署为在线推理服务，并支持多模型管理、自定义backend等功能。本文为您介绍如何通过镜像部署的方式部署Triton Inference Server模型服务。
部署服务：单模型
在OSS存储空间中创建模型存储目录，并根据模型存储目录格式要求配置模型文件与配置文件。具体操作请参见管理目录。
每个模型目录下都至少包含一个模型版本目录和一个模型配置文件：
模型版本目录：包含模型文件，且必须以数字命名，作为模型版本号，数字越大版本越新。
模型配置文件：用于提供模型的基础信息，通常命名为
config.pbtxt。
假设模型存储目录在
oss://examplebucket/models/triton/路径下，模型存储目录的格式如下：triton └──resnet50_pt ├── 1 │ └── model.pt ├── 2 │ └── model.pt ├── 3 │ └── model.pt └── config.pbtxt其中：config.pbtxt 为配置文件，文件内容示例如下：
name: "resnet50_pt" platform: "pytorch_libtorch" max_batch_size: 128 input [ { name: "INPUT__0" data_type: TYPE_FP32 dims: [ 3, -1, -1 ] } ] output [ { name: "OUTPUT__0" data_type: TYPE_FP32 dims: [ 1000 ] } ] # 使用GPU推理 # instance_group [ # { # kind: KIND_GPU # } # ] # 模型版本配置 # version_policy: { all { }} # version_policy: { latest: { num_versions: 2}} # version_policy: { specific: { versions: [1,3]}}config.pbtxt文件中关键配置说明如下：
参数
是否必选
描述
name
否
默认为模型存储目录名。如果指定了名称，也必须与模型存储目录名称保持一致。
platform/backend
是
platform与backend至少配置一项：
platform：用于指定模型框架。常用的模型框架包含：tensorrt_plan、onnxruntime_onnx、pytorch_libtorch、tensorflow_savedmodel、tensorflow_graphdef等。
backend：用于指定模型框架或使用Python代码自定义推理逻辑。
可指定的模型框架与platform完全一样，只是设置的名称不同，框架包含：tensorrt、onnxruntime、pytorch、tensorflow等。
使用Python代码自定义推理逻辑，具体操作，请参见部署服务：使用backend。
max_batch_size
是
用于指定模型请求批处理的最大数量，若不开启批处理功能，则将该项设置为0。
input
是
用于指定以下属性：
name：输入数据的名称。
data_type：数据类型。
dims：维度。
output
是
用于指定以下属性：
name：输入数据的名称。
data_type：数据类型。
dims：维度。
instance_group
否
当资源配置中有GPU资源时，默认使用GPU进行模型推理，否则默认使用CPU。您也可以通过配置instance_group参数，来显式指定模型推理使用的资源，配置格式如下：
instance_group [ { kind: KIND_GPU } ]其中kind可配置为KIND_GPU或KIND_CPU。
version_policy
否
用于指定模型版本，配置示例如下：
version_policy: { all { }} version_policy: { latest: { num_versions: 2}} version_policy: { specific: { versions: [1,3]}}不配置该参数：默认加载版本号最大的模型版本。示例中resnet50_pt模型会加载模型版本3。
all{}：表示加载该模型所有版本。示例中resnet50_pt会加载模型版本1、2和3。
latest{num_versions:}：例如配置为
num_versions: 2，示例中resnet50_pt会加载最新的2个模型版本，即版本2和3。specific{versions:[]}：表示加载指定版本。示例中resnet50_pt会加载模型版本1和3。
部署Triton Inference Server服务。
Triton Inference Server支持配置以下两种端口，在场景化模型部署中，系统默认使用8000端口，若您需要使用8001端口，则需要执行步骤e，否则忽略步骤e即可。
8000（端口）：支持HTTP请求，在8000端口启动HTTP服务。
8001：支持gRPC请求，在8001端口启动gRPC服务。
具体操作步骤如下：
进入模型在线服务（EAS）页面。
登录PAI控制台。
在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。
在工作空间页面的左侧导航栏选择模型部署>模型在线服务（EAS），进入模型在线服务（EAS）页面。
在模型在线服务（EAS）页面，单击部署服务。
在场景化模型部署区域，单击Triton部署。
在Triton部署页面，配置以下关键参数，其他参数配置说明，请参见服务部署：控制台。
参数
描述
服务名称
自定义配置服务名称。
模型配置
在本方案中，配置类型选择按对象存储（OSS），将OSS配置为步骤1中已准备的模型所在的OSS存储路径，例如
oss://example/models/triton/。（可选）单击页面右侧的切换为自定义部署，修改模型服务信息区域的运行命令，将端口号修改为8001，同时您需要在对应配置编辑中添加以下配置。
说明服务默认在8000端口启动HTTP服务，支持HTTP请求。若您需要该服务支持gRPC请求，您需要将端口号修改为8001，系统会在8001端口启动gRPC服务。
"metadata": { "enable_http2": true }, "networking": { "path": "/" }参数配置完成后，单击部署。
部署服务：多模型
EAS部署多模型服务的方式与部署单模型服务相同，您只需创建如下所示的多个模型存储目录即可，服务会加载所有的模型，并部署在同一个服务中。具体部署方式请参见部署服务：单模型。
triton
├── resnet50_pt
| ├── 1
| │ └── model.pt
| └── config.pbtxt
├── densenet_onnx
| ├── 1
| │ └── model.onnx
| └── config.pbtxt
└── mnist_savedmodel
├── 1
│ └── model.savedmodel
│ ├── saved_model.pb
| └── variables
| ├── variables.data-00000-of-00001
| └── variables.index
└── config.pbtxt部署服务：使用backend
backend是模型推理计算的具体实现部分，它既可以调用现有的模型框架（如TensorRT、ONNX Runtime、PyTorch、TensorFlow等），也可以自定义模型推理逻辑（如模型预处理、后处理）。
backend支持 C++、Python两种语言，与C++相比， Python使用起来更加灵活方便，因此以下内容主要介绍Python backend的使用方式。
更新模型目录结构
以PyTorch为例，使用Python backend自定义模型的计算逻辑，模型目录结构示例如下：
resnet50_pt ├── 1 │ ├── model.pt │ └── model.py └── config.pbtxt与常规的模型目录结构相比，backend需要在模型版本目录下新增一个model.py文件，用于自定义模型的推理逻辑，并且配置文件config.pbtxt内容也需要做相应修改。
自定义推理逻辑
model.py文件需要定义名为TritonPythonModel的类，并实现initialize、execute、finalize三个关键的接口函数。该文件内容示例如下：
import json import os import torch from torch.utils.dlpack import from_dlpack, to_dlpack import triton_python_backend_utils as pb_utils class TritonPythonModel: """必须以 "TritonPythonModel" 为类名""" def initialize(self, args): """ 初始化函数，可选实现，在加载模型时被调用一次，可用于初始化与模型属性、模型配置相关的信息。 Parameters ---------- args : 字典类型，其中keys和values都为string 类型，具体包括: * model_config：JSON格式模型配置信息。 * model_instance_kind：设备型号。 * model_instance_device_id：设备ID。 * model_repository：模型仓库路径。 * model_version：模型版本。 * model_name：模型名。 """ # 将JSON字符串类型的模型配置内容转为Python的字典类型。 self.model_config = model_config = json.loads(args["model_config"]) # 获取模型配置文件中的属性。 output_config = pb_utils.get_output_config_by_name(model_config, "OUTPUT__0") # 将Triton types转为numpy types。 self.output_dtype = pb_utils.triton_string_to_numpy(output_config["data_type"]) # 获取模型仓库的路径。 self.model_directory = os.path.dirname(os.path.realpath(__file__)) # 获取模型推理使用的设备，本例中使用GPU。 self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu") print("device: ", self.device) model_path = os.path.join(self.model_directory, "model.pt") if not os.path.exists(model_path): raise pb_utils.TritonModelException("Cannot find the pytorch model") # 通过.to(self.device)将pytorch模型加载到GPU上。 self.model = torch.jit.load(model_path).to(self.device) print("Initialized...") def execute(self, requests): """ 模型执行函数，必须实现；每次请求推理都会调用该函数，若设置了 batch 参数，还需由用户自行实现批处理功能 Parameters ---------- requests : pb_utils.InferenceRequest类型的请求列表。 Returns ------- pb_utils.InferenceResponse 类型的返回列表。列表长度必须与请求列表一致。 """ output_dtype = self.output_dtype responses = [] # 遍历request列表，并为每个请求都创建对应的response。 for request in requests: # 获取输入tensor。 input_tensor = pb_utils.get_input_tensor_by_name(request, "INPUT__0") # 将Triton tensor转换为Torch tensor。 pytorch_tensor = from_dlpack(input_tensor.to_dlpack()) if pytorch_tensor.shape[2] > 1000 or pytorch_tensor.shape[3] > 1000: responses.append( pb_utils.InferenceResponse( output_tensors=[], error=pb_utils.TritonError( "Image shape should not be larger than 1000" ), ) ) continue # 在GPU上进行推理计算。 prediction = self.model(pytorch_tensor.to(self.device)) # 将Torch output tensor转换为Triton tensor。 out_tensor = pb_utils.Tensor.from_dlpack("OUTPUT__0", to_dlpack(prediction)) inference_response = pb_utils.InferenceResponse(output_tensors=[out_tensor]) responses.append(inference_response) return responses def finalize(self): """ 模型卸载时调用，可选实现，可用于模型清理工作。 """ print("Cleaning up...")重要如果使用GPU进行推理计算，此时在模型配置文件config.pbtxt中指定
instance_group.kind为GPU的方式无效，需要通过model.to(torch.device("cuda"))将模型加载到GPU，并在请求计算时调用pytorch_tensor.to(torch.device("cuda"))将模型输入Tensor分配到GPU。您只需要在部署服务时配置GPU资源，即可使用GPU进行推理计算。如果使用批处理功能，此时在模型配置文件config.pbtxt中设置max_batch_size参数的方式无效，您需要自行在execute函数中实现请求批处理的逻辑。
request与response必须一一对应，每一个request都要返回一个对应的response。
更新配置文件
配置文件config.pbtxt内容示例如下：
name: "resnet50_pt" backend: "python" max_batch_size: 128 input [ { name: "INPUT__0" data_type: TYPE_FP32 dims: [ 3, -1, -1 ] } ] output [ { name: "OUTPUT__0" data_type: TYPE_FP32 dims: [ 1000 ] } ] parameters: { key: "FORCE_CPU_ONLY_INPUT_TENSORS" value: {string_value: "no"} }其中关键参数说明如下，其余配置与之前保持一致即可。
backend：需指定为python。
parameters：可选配置，当模型推理使用GPU时，可将FORCE_CPU_ONLY_INPUT_TENSORS参数设置为no，来避免推理计算时输入Tensor在CPU与GPU之间来回拷贝产生不必要的开销。
部署服务。
使用Python backend必须设置共享内存，最后通过如下配置创建模型服务，即可实现自定义模型推理逻辑。关于如何使用客户端创建模型服务，请参见服务部署：EASCMD或DSW。
{ "metadata": { "name": "triton_server_test", "instance": 1, }, "cloud": { "computing": { "instance_type": "ml.gu7i.c8m30.1-gu30", "instances": null } }, "containers": [ { "command": "tritonserver --model-repository=/models", "image": "eas-registry-vpc.<region>.cr.aliyuncs.com/pai-eas/tritonserver:23.02-py3", "port": 8000, "prepare": { "pythonRequirements": [ "torch==2.0.1" ] } } ], "storage": [ { "mount_path": "/models", "oss": { "path": "oss://oss-test/models/triton_backend/" } }, { "empty_dir": { "medium": "memory", // 配置共享内存为1 GB。 "size_limit": 1 }, "mount_path": "/dev/shm" } ] }其中：
name：需要自定义模型服务名称。
storage.oss.path：更新为您的模型存储目录所在的OSS Bucket路径。
containers.image：将<region>替换为当前地域，例如：华东2（上海）为cn-shanghai。
调用服务：发送服务请求
您可以通过客户端发送请求来使用模型服务，Python代码示例如下：
发送HTTP请求
端口号配置为8000时，服务支持发送HTTP请求。
import numpy as np import tritonclient.http as httpclient # url为EAS服务部署后生成的访问地址。 url = '1859257******.cn-hangzhou.pai-eas.aliyuncs.com/api/predict/triton_server_test' triton_client = httpclient.InferenceServerClient(url=url) image = np.ones((1,3,224,224)) image = image.astype(np.float32) inputs = [] inputs.append(httpclient.InferInput('INPUT__0', image.shape, "FP32")) inputs[0].set_data_from_numpy(image, binary_data=False) outputs = [] outputs.append(httpclient.InferRequestedOutput('OUTPUT__0', binary_data=False)) # 获取 1000 维的向量 # 指定模型名称、请求Token、输入输出。 results = triton_client.infer( model_name="<model_name>", model_version="<version_num>", inputs=inputs, outputs=outputs, headers={"Authorization": "<test-token>"}, ) output_data0 = results.as_numpy('OUTPUT__0') print(output_data0.shape) print(output_data0)其中关键参数配置说明如下：
参数
描述
url
配置服务访问地址，服务访问地址需要省略
http://。您可以在模型在线服务（EAS）页面，单击服务名称，然后在服务详情页签中单击查看调用信息，查看公网调用地址。model_name
配置模型目录名称，例如resnet50_pt。
model_version
配置实际的模型版本号，每次只能对一个模型版本发送请求。
headers
将<test-token>替换为服务Token，您可以在公网地址调用页签查看Token。
发送gRPC请求
端口号配置为8001，并添加gRPC相关配置后，服务支持发送gRPC请求。
#!/usr/bin/env python import grpc from tritonclient.grpc import service_pb2, service_pb2_grpc import numpy as np if __name__ == "__main__": # 定义服务的访问地址。 host = ( "service_name.115770327099****.cn-beijing.pai-eas.aliyuncs.com:80" ) # 服务Token，实际应用中应使用真实的Token。 token = "test-token" # 模型名称和版本。 model_name = "resnet50_pt" model_version = "1" # 创建gRPC元数据，用于Token验证。 metadata = (("authorization", token),) # 创建gRPC通道和存根，用于与服务器通信。 channel = grpc.insecure_channel(host) grpc_stub = service_pb2_grpc.GRPCInferenceServiceStub(channel) # 构建推理请求。 request = service_pb2.ModelInferRequest() request.model_name = model_name request.model_version = model_version # 构造输入张量，对应模型配置文件中定义的输入参数。 input = service_pb2.ModelInferRequest().InferInputTensor() input.name = "INPUT__0" input.datatype = "FP32" input.shape.extend([1, 3, 224, 224]) # 构造输出张量，对应模型配置文件中定义的输出参数。 output = service_pb2.ModelInferRequest().InferRequestedOutputTensor() output.name = "OUTPUT__0" # 创建输入请求。 request.inputs.extend([input]) request.outputs.extend([output]) # 构造随机数组并序列化为字节序列，作为输入数据。 request.raw_input_contents.append(np.random.rand(1, 3, 224, 224).astype(np.float32).tobytes()) #数值类型 # 发起推理请求，并接收响应。 response, _ = grpc_stub.ModelInfer.with_call(request, metadata=metadata) # 提取响应中的输出张量。 output_contents = response.raw_output_contents[0] # 假设只有一个输出张量。 output_shape = [1, 1000] # 假设输出张量的形状是[1, 1000]。 # 将输出字节转换为numpy数组。 output_array = np.frombuffer(output_contents, dtype=np.float32) output_array = output_array.reshape(output_shape) # 打印模型的输出结果。 print("Model output:\n", output_array)其中关键参数配置说明如下：
参数
描述
host
需要配置为服务访问地址，服务访问地址需要省略
http://并在末尾添加:80。您可以在模型在线服务（EAS）页面，单击服务名称，然后在服务详情页签中单击查看调用信息，查看公网调用地址。token
将<test-token>替换为服务Token，您可以在公网地址调用页签查看Token。
model_name
配置模型目录名称，例如resnet50_pt。
model_version
配置实际的模型版本号，每次只能对一个模型版本发送请求。
相关文档
如何基于TensorFlow Serving推理服务引擎部署EAS服务，请参见TensorFlow Serving镜像部署。
您也可以开发自定义镜像，使用自定义镜像部署EAS服务。具体操作，请参见服务部署：自定义镜像。
服务部署完成后，您可以通过自动压测工具，对部署的服务进行压测，从而了解EAS服务的使用性能。详情请参见服务自动压测。
场景化模型部署成功后，您可以调用该服务来验证模型效果，详情请参见EAS使用案例汇总。