Triton教程 --- 优化-Toy模板网

这篇具有很好参考价值的文章主要介绍了Triton教程 --- 优化。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Triton教程 — 优化

Triton教程 --- 优化

Triton系列教程:

快速开始
利用Triton部署你自己的模型
Triton架构
模型仓库
存储代理
模型设置
优化
动态批处理

Triton 推理服务器具有许多功能，您可以使用这些功能来减少延迟并增加模型的吞吐量。本节讨论这些功能并演示如何使用它们来提高模型的性能。作为先决条件，您应该按照 QuickStart 获取 Triton 和使用示例模型存储库运行的客户端示例。

本节重点了解单个模型的延迟和吞吐量权衡。模型分析器部分介绍了一种工具，可帮助您了解模型的 GPU 内存利用率，以便您决定如何在单个 GPU 上最好地运行多个模型。

除非您已经拥有适合在 Triton 上测量模型性能的客户端应用程序，否则您应该熟悉性能分析器。性能分析器是优化模型性能的重要工具。

作为演示优化功能和选项的运行示例，我们将使用 TensorFlow Inception 模型，您可以按照快速入门获得该模型。作为基线，我们使用 perf_analyzer 使用不启用任何性能特征的基本模型配置来确定模型的性能。

$ perf_analyzer -m inception_graphdef --percentile=95 --concurrency-range 1:4
...
Inferences/Second vs. Client p95 Batch Latency
Concurrency: 1, throughput: 62.6 infer/sec, latency 21371 usec
Concurrency: 2, throughput: 73.2 infer/sec, latency 34381 usec
Concurrency: 3, throughput: 73.2 infer/sec, latency 50298 usec
Concurrency: 4, throughput: 73.4 infer/sec, latency 65569 usec

结果表明，我们未优化的模型配置提供了每秒约 73 个推理的吞吐量。请注意，从一个并发请求到两个并发请求，吞吐量如何显着增加，然后吞吐量趋于平稳。对于一个并发请求，Triton 在响应返回给客户端和服务器接收到下一个请求期间处于空闲状态。吞吐量随着并发数的增加而增加，因为 Triton 将一个请求的处理与另一个请求的通信重叠。因为我们在与 Triton 相同的系统上运行 perf_analyzer，所以两个请求足以完全隐藏通信延迟。

优化设置

对于大多数模型，提供最大性能改进的 Triton 功能是动态批处理。这个例子更清楚地说明了概念细节。如果您的模型不支持批处理，那么您可以跳到模型实例。

动态批处理程序

动态批处理程序将单个推理请求组合成一个更大的批处理，这通常比单独执行单个请求的执行效率更高。要启用动态批处理程序停止 Triton，请将以下行添加到 inception_graphdef 模型配置文件的末尾，然后重新启动 Triton。

dynamic_batching { }

动态批处理程序允许 Triton 处理更多的并发请求，因为这些请求被组合起来进行推理。要查看此运行 perf_analyzer，并发请求从 1 到 8。

$ perf_analyzer -m inception_graphdef --percentile=95 --concurrency-range 1:8
...
Inferences/Second vs. Client p95 Batch Latency
Concurrency: 1, throughput: 66.8 infer/sec, latency 19785 usec
Concurrency: 2, throughput: 80.8 infer/sec, latency 30732 usec
Concurrency: 3, throughput: 118 infer/sec, latency 32968 usec
Concurrency: 4, throughput: 165.2 infer/sec, latency 32974 usec
Concurrency: 5, throughput: 194.4 infer/sec, latency 33035 usec
Concurrency: 6, throughput: 217.6 infer/sec, latency 34258 usec
Concurrency: 7, throughput: 249.8 infer/sec, latency 34522 usec
Concurrency: 8, throughput: 272 infer/sec, latency 35988 usec

对于八个并发请求，与不使用动态批处理程序相比，动态批处理程序允许 Triton 每秒提供 272 次推理，而不会增加延迟。

我们可以使用一些简单的规则，而不是让 perf_analyzer 收集一系列请求并发值的数据，这些规则通常适用于 perf_analyzer 与 Triton 在同一系统上运行的情况。第一条规则是为了实现最小延迟，将请求并发设置为 1 并禁用动态批处理程序并仅使用一个模型实例。第二条规则是，对于最大吞吐量，将请求并发设置为 2 * <maximum batch size> * <model instance count>。我们将在下面讨论模型实例，目前我们正在处理一个模型实例。因此，对于 maximum-batch-size 4，我们希望以 2 * 4 * 1 = 8 的请求并发运行 perf_analyzer。

$ perf_analyzer -m inception_graphdef --percentile=95 --concurrency-range 8
...
Inferences/Second vs. Client p95 Batch Latency
Concurrency: 8, throughput: 267.8 infer/sec, latency 35590 usec

模型实例

Triton 允许您指定要为推理提供的每个模型的副本数量。默认情况下，您会获得每个模型的一个副本，但您可以使用实例组在模型配置中指定任意数量的实例。通常，拥有一个模型的两个实例会提高性能，因为它允许内存传输操作（例如，CPU 到/从 GPU）与推理计算重叠。多个实例还通过允许在 GPU 上同时执行更多推理工作来提高 GPU 利用率。较小的模型可能受益于两个以上的实例；您可以使用 perf_analyzer 进行实验。

要指定 inception_graphdef 模型的两个实例：停止 Triton，删除您之前可能添加到模型配置中的任何动态批处理设置（我们在下面讨论结合动态批处理程序和多个模型实例），将以下行添加到模型配置的末尾文件，然后重新启动 Triton。

instance_group [ { count: 2 }]

现在使用与基线相同的选项运行 perf_analyzer。

$ perf_analyzer -m inception_graphdef --percentile=95 --concurrency-range 1:4
...
Inferences/Second vs. Client p95 Batch Latency
Concurrency: 1, throughput: 70.6 infer/sec, latency 19547 usec
Concurrency: 2, throughput: 106.6 infer/sec, latency 23532 usec
Concurrency: 3, throughput: 110.2 infer/sec, latency 36649 usec
Concurrency: 4, throughput: 108.6 infer/sec, latency 43588 usec

在这种情况下，与一个实例相比，拥有两个模型实例可将吞吐量从每秒约 73 个推理增加到每秒约 110 个推理。

可以同时启用动态批处理程序和多个模型实例，例如，更改模型配置文件以包含以下内容。

dynamic_batching { }
instance_group [ { count: 2 }]

当我们使用与上述动态批处理程序相同的选项运行 perf_analyzer 时。

$ perf_analyzer -m inception_graphdef --percentile=95 --concurrency-range 16
...
Inferences/Second vs. Client p95 Batch Latency
Concurrency: 16, throughput: 289.6 infer/sec, latency 59817 usec

我们看到，与仅使用动态批处理程序和一个实例相比，两个实例在增加延迟的同时并没有提高吞吐量。发生这种情况是因为对于此模型，单独的动态批处理程序能够充分利用 GPU，因此添加额外的模型实例不会提供任何性能优势。一般来说，动态批处理程序和多个实例的好处是特定于模型的，因此您应该尝试使用 perf_analyzer 来确定最能满足您的吞吐量和延迟要求的设置。

特定于框架的优化

Triton 有几个优化设置，仅适用于受支持模型框架的一个子集。这些优化设置由模型配置优化策略控制。访问本指南以进行端到端的讨论。

带有 TensorRT 优化的 ONNX (ORT-TRT)

一个特别强大的优化是将 TensorRT 与 ONNX 模型结合使用。作为应用于 ONNX 模型的 TensorRT 优化示例，我们将使用 ONNX DenseNet 模型，您可以按照快速入门获得该模型。作为基线，我们使用 perf_analyzer 使用不启用任何性能特征的基本模型配置来确定模型的性能。

$ perf_analyzer -m densenet_onnx --percentile=95 --concurrency-range 1:4
...
Inferences/Second vs. Client p95 Batch Latency
Concurrency: 1, 113.2 infer/sec, latency 8939 usec
Concurrency: 2, 138.2 infer/sec, latency 14548 usec
Concurrency: 3, 137.2 infer/sec, latency 21947 usec
Concurrency: 4, 136.8 infer/sec, latency 29661 usec

要为模型启用 TensorRT 优化：停止 Triton，将以下行添加到模型配置文件的末尾，然后重新启动 Triton。

optimization { execution_accelerators {
  gpu_execution_accelerator : [ {
    name : "tensorrt"
    parameters { key: "precision_mode" value: "FP16" }
    parameters { key: "max_workspace_size_bytes" value: "1073741824" }
    }]
}}

当 Triton 启动时，您应该检查控制台输出并等待 Triton 打印“Staring endpoints”消息。启用 TensorRT 优化后，ONNX 模型加载速度可能会明显变慢。在生产中，您可以使用模型预热来避免此模型启动/优化速度减慢。现在使用与基线相同的选项运行 perf_analyzer。

$ perf_analyzer -m densenet_onnx --percentile=95 --concurrency-range 1:4
...
Inferences/Second vs. Client p95 Batch Latency
Concurrency: 1, 190.6 infer/sec, latency 5384 usec
Concurrency: 2, 273.8 infer/sec, latency 7347 usec
Concurrency: 3, 272.2 infer/sec, latency 11046 usec
Concurrency: 4, 266.8 infer/sec, latency 15089 usec

TensorRT 优化提供了 2 倍的吞吐量改进，同时将延迟减少了一半。 TensorRT 提供的好处会因模型而异，但总的来说它可以提供显着的性能提升。

具有 OpenVINO 优化的 ONNX

在 CPU 上运行的 ONNX 模型也可以使用 OpenVINO 进行加速。要为 ONNX 模型启用 OpenVINO 优化，请将以下行添加到模型配置文件的末尾。

optimization { execution_accelerators {
  cpu_execution_accelerator : [ {
    name : "openvino"
  }]
}}

TensorFlow 与 TensorRT 优化 (TF-TRT)

应用于 TensorFlow 模型的 TensorRT 优化与上述 TensorRT 和 ONNX 的工作方式类似。要启用 TensorRT 优化，您必须适当地设置模型配置。对于 TensorFlow 模型的 TensorRT 优化，您可以启用多个选项，包括选择计算精度。

optimization { execution_accelerators {
  gpu_execution_accelerator : [ {
    name : "tensorrt"
    parameters { key: "precision_mode" value: "FP16" }}]
}}

这些选项在模型配置 protobuf 的 ModelOptimizationPolicy 部分中有详细描述。

作为应用于 TensorFlow 模型的 TensorRT 优化示例，我们将使用 TensorFlow Inception 模型，您可以按照快速入门获得该模型。作为基线，我们使用 perf_analyzer 使用不启用任何性能特征的基本模型配置来确定模型的性能。

$ perf_analyzer -m inception_graphdef --percentile=95 --concurrency-range 1:4
...
Inferences/Second vs. Client p95 Batch Latency
Concurrency: 1, throughput: 62.6 infer/sec, latency 21371 usec
Concurrency: 2, throughput: 73.2 infer/sec, latency 34381 usec
Concurrency: 3, throughput: 73.2 infer/sec, latency 50298 usec
Concurrency: 4, throughput: 73.4 infer/sec, latency 65569 usec

要为模型启用 TensorRT 优化：停止 Triton，将上面的行添加到模型配置文件的末尾，然后重新启动 Triton。当 Triton 启动时，您应该检查控制台输出并等待服务器打印“Staring endpoints”消息。现在使用与基线相同的选项运行 perf_analyzer。请注意，第一次运行 perf_analyzer 可能会超时，因为 TensorRT 优化是在收到推理请求时执行的，并且可能需要很长时间。在生产中，您可以使用模型预热来避免此模型启动/优化速度减慢。现在，如果发生这种情况，只需再次运行 perf_analyzer。

$ perf_analyzer -m inception_graphdef --percentile=95 --concurrency-range 1:4
...
Inferences/Second vs. Client p95 Batch Latency
Concurrency: 1, throughput: 140 infer/sec, latency 8987 usec
Concurrency: 2, throughput: 195.6 infer/sec, latency 12583 usec
Concurrency: 3, throughput: 189 infer/sec, latency 19020 usec
Concurrency: 4, throughput: 191.6 infer/sec, latency 24622 usec

TensorRT 优化提供了 2.5 倍的吞吐量改进，同时将延迟减少了一半以上。 TensorRT 提供的好处会因模型而异，但总的来说它可以提供显着的性能提升。

TensorFlow JIT 图优化

Tensorflow 允许其用户在通过 GlobalJitLevel 设置运行模型图时指定优化级别。有关详细信息，请参阅 config.proto。在 Triton 中运行 TensorFlow 模型时，用户可以通过提供如下图级别来提供此设置：

optimization {
  graph { level: 1
}}

用户还可以在启动 Triton 之前通过设置 TF_XLA_FLAGS 环境变量来利用 XLA 优化。使用 GPU 和 CPU 自动集群启动 Triton 的示例：

$ TF_XLA_FLAGS="--tf_xla_auto_jit=2 --tf_xla_cpu_global_jit" tritonserver --model-repository=...

与上述 TensorRT 优化的情况一样，这些优化发生在第一个推理请求运行时。要缓解生产系统中模型启动速度减慢的情况，您可以使用模型预热。

TensorFlow 自动 FP16 优化

TensorFlow 有一个选项可以提供可以在模型配置中启用的 FP16 优化。与上述 TensorRT 优化一样，您可以使用 gpu_execution_accelerator 属性启用此优化。

optimization { execution_accelerators {
  gpu_execution_accelerator : [
    { name : "auto_mixed_precision" }
  ]
}}

模型配置 protobuf 的 ModelOptimizationPolicy 部分详细描述了这些选项。

您可以按照上面针对 TensorRT 描述的步骤，通过使用 perf_analyzer 来评估模型在优化和不优化的情况下的性能，从而了解这种自动 FP16 优化如何使模型受益。

NUMA优化

许多现代 CPU 由多个内核、内存和互连组成，它们根据线程和数据的分配方式展现不同的性能特征。 Triton 允许您为您的系统设置描述此 NUMA 配置的主机策略，然后将模型实例分配给不同的主机策略以利用这些 NUMA 属性。

主机策略

Triton 允许您在启动时指定与策略名称关联的主机策略。如果使用实例组中的主机策略字段指定了具有相同策略名称的实例，则主机策略将应用于模型实例。请注意，如果未指定，主机策略字段将根据实例属性设置为默认名称。

要指定主机策略，您可以在命令行选项中指定以下内容：

--host-policy=<policy_name>,<setting>=<value>

目前，支持的设置如下：

numa-node：主机策略将绑定到的 NUMA 节点 ID，主机策略将内存分配限制到指定的节点。
cpu-cores：要运行的 CPU 核心，设置了此主机策略的实例将在其中一个 CPU 核心上运行。

假设系统配置为将 GPU 0 与 NUMA 节点 0 绑定，NUMA 节点 0 的 CPU 核心数为 0 到 15，下面显示了为“gpu_0”设置 numa-node 和 cpu-cores 策略：文章来源地址https://www.toymoban.com/news/detail-511014.html

$ tritonserver --host-policy=gpu_0,numa-node=0 --host-policy=gpu_0,cpu-cores=0-15 ...

到了这里，关于Triton教程 --- 优化的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

Triton教程 --- 优化