人工智能平台 PAI：Triton Inference Server镜像部署

部署服务：单模型

1. 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。

2. 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：

   1. 登录PAI控制台，在页面上方选择目标地域，并在右侧选择目标工作空间，然后单击进入EAS。

   2. 在模型在线服务（EAS）页面，单击部署服务，然后在场景化模型部署区域，单击Triton部署。

   3. 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/。

   4. （可选）单击页面右侧的切换为自定义部署，修改环境信息区域的端口号为8001，同时您需要在服务配置中添加以下配置。

      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": "/"
      }

   5. 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。

1. 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。

2. 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。