Triton Inference Server教程2

本文介绍如何编写一个config文件，config.pbtxt文件中包含哪些可以配置的参数，这些参数又会对triton server产生什么影响。

必须指定的模型参数

platform/backend：模型要在什么backend上面运行，可以用两种参数指定，一个是platform，一个是backend，对于某些模型，两个参数二选一即可，某些模型必须从中选一个指定，具体的规则如下：

图中TensorRT，onnx RT，PyTorch三种模型可以platform或者backend随便指定一个即可；对于Tensorflow，platform平台是必须指定的，backend平台是可选的；对于OpenVINO、python、DALI，backend是必须指定的
max batch size 模型执行推理最大的batch是多少，这个参数主要是限制推理中模型参数不会超过模型显存，或者gpu内存，保证推理服务不会因为爆显存而挂掉
input and output：指定输入输出名称
特别的，当模型是由TensorRT、Tensorflow、onnx生成的，且设置strict-model-config=false时，可以不需要config.pbtxt文件。
配置文件示例说明

配置1：
指定platform：
max batch size = 8：注意，若max batch size大于0,默认网络的batch大小可以是动态调整的，在网络输入维度dims参数可以不指定batch大小。
输入输出参数：包括名称、数据类型、维度
配置2：
指定platform：
max batch size = 0：此时，这个维度不支持可变长度，网络输入维度dims参数必须显式指定每个维度的大小，这里也可以设置batch大于0，比如维度【2，3，224，224】。
输入输出参数：包括名称、数据类型、维度
配置3：
指定platform：pytorch_libtorch
max batch size = 8：这个维度支持可变长度。
输入输出参数：
包括名称、数据类型、**格式、**维度。
对于pytorch_libtorch的模型，不包含输入输出的具体信息，因此，对于输入输出名称，有特殊的格式：字符串+两个下划线+数字，必须是这种结构。
若模型支持可变维度，则可变的维度可以设置为-1。
配置4：
reshape应用：
max batch size = 0：维度不包含batch维度，但是若模型要求包含这个维度，就可以使用reshape，将其reshape成[1,3,224,224]，就可以满足应用需求

可选的配置参数

除上述参数，配置文件中还可以设置其他参数。

1. version_policy：配置版本信息
model repository可以包含多个多个版本模型，因此，在配置文件中可以设定具体执行哪个模型。

如上图所示，version_policy可以有3种配置
All:表示model repository中所有模型都可以加载，若使用该配置，执行的时候model repository中所有模型都会加载。
Latest:只执行最新的版本，最新指版本数字最大的，若使用该配置，则只选择最新的模型加载。
Specific：执行指定版本。若使用该配置，需设定指定的版本号，加载时只加载指定的相应版本。

2. Instance_group：它对应triton一个重要的feature：concurrent model inference，就是在一个Triton server上对同一个模型开启多个execution instance，可以并行的在GPU上执行，从而提高GPU的利用率，增加模型的吞吐。

Instance_group：表示运行在同一设备上的一组model instance。
count：指定每个设备上的instance数量
kind：定义设备类型，可以是cpu，也可以是GPU
gpus：定义使用哪个GPU，若不指定，默认会在每一个GPU上都运行。
Instance_group中可以指定多个group 运行在多个设备上。

3. scheduling and batching：定义Triton应使用哪种调度测量来调度客户端的请求。调度策略也是Triton一个非常重要的feature，它也可以提高GPU的利用率，增加模型的吞吐。因为如果推理的batchsize越大，GPU的利用率越高。
Triton有多种调度器：

default scheduler：默认scheduler，若不对这个参数做设置，则执行默认测量。不做batching，即模型送进来的batch是多少，则推理的batch就设定多少。
dynamic batcher：它可以在服务端将多个batchsize比较小的request组合成一个batchsize大的input tensor，从而提升GPU利用率，增加吞吐。它只对stateless 模型有效，对于streaming视频音频流处理模型不适用（需要使用sequence模型）。它有两个关键参数需要指定：
1）preferred_batch_size：期望达到的batchsize大小，可以是一个数，也可以是一个数组，通常会在里面设置多个值。
2）max_queue_delay_microseconds：单位是微秒，打batch的时间限制，超过该时间会停止batch，超过该时间会将以打包的batch送走。
3）其他高级设置：preserve ordering：确保输出的顺序和请求送进来的顺序一致。
priority_level：可以设置优先级，
queue policy：设置排队的策略，比如时限超时则停止推理
sequence batcher：处理sequence请求。能够保证同一个streaming序列的请求送到同一个model instance执行，从而能够保证model instance的状态。
ensemble scheduler：可以组合不同的模块，形成一个pipeline

4. optimization policy
Triton中提供两种优化方式：分别针对onnx模型和tensorflow模型，可以使用下图的设置开启tensorrt加速。具体可以设置名称、tensorrt加速的精度等。

5. model warmup
有些模型在刚初始化的短时间内，执行推理时性能是不太稳定的，可能会比较慢，所以需要一个热身的过程使得推理趋于稳定。
Triton通过指定model warmup字段去定义热身过程。字段内可以指定batchsize大小、请求是如何生成的，比如随机数生成，还有数据维度、数据类型等。这样，Triton刚刚加载某个模型时候，会向模型发送热身请求。model在warmup过程中，Triton无法对外提供服务，导致模型加载较慢，完成后，client端才能使用模型推理