AI 助理
备案控制台
文档
输入文档关键字查找
首页 人工智能平台 PAI 操作指南 AI开发 模型在线服务（EAS） 场景化部署 Triton Inference Server镜像部署

Triton Inference Server镜像部署

更新时间：
产品详情
相关技术圈
我的收藏

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

  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. 进入模型在线服务（EAS）页面。

      1. 登录PAI控制台。

      2. 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。

      3. 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。image

    2. 在模型在线服务（EAS）页面，单击部署服务。

    3. 在场景化模型部署区域，单击Triton部署。

    4. 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/。

    5. （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": "/"
}

    6. 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

上一篇：大模型RAG对话系统下一篇：TensorFlow Serving镜像部署
文档推荐