騰訊云 TI 平臺 TI-ONE 利用 NVIDIA Triton 推理服務(wù)器構(gòu)造高性能推理服務(wù)部署平臺，使用戶能夠非常便捷地部署包括 TNN 模型在內(nèi)的多種深度學(xué)習(xí)框架下獲得的 AI 模型，并且顯著提升推理服務(wù)的吞吐、提升 GPU 利用率。

騰訊云 TI 平臺（TencentCloud TI Platform）是基于騰訊先進 AI 能力和多年技術(shù)經(jīng)驗，面向開發(fā)者、政企提供的全棧式人工智能開發(fā)服務(wù)平臺，致力于打通包含從數(shù)據(jù)獲取、數(shù)據(jù)處理、算法構(gòu)建、模型訓(xùn)練、模型評估、模型部署、到 AI 應(yīng)用開發(fā)的產(chǎn)業(yè) + AI 落地全流程鏈路，幫助用戶快速創(chuàng)建和部署 AI 應(yīng)用，管理全周期 AI 解決方案，從而助力政企單位加速數(shù)字化轉(zhuǎn)型并促進 AI 行業(yè)生態(tài)共建。騰訊云 TI 平臺系列產(chǎn)品支持公有云訪問、私有化部署以及專屬云部署。

TI-ONE 是騰訊云 TI 平臺的核心產(chǎn)品之一，可為 AI 工程師打造的一站式機器學(xué)習(xí)平臺，為用戶提供從數(shù)據(jù)接入、模型訓(xùn)練、模型管理到模型服務(wù)的全流程開發(fā)支持。騰訊云 TI 平臺 TI-ONE 支持多種訓(xùn)練方式和算法框架，滿足不同 AI 應(yīng)用場景的需求。

通常我們在 AI 模型訓(xùn)練好之后，需要將其部署在云端形成 AI 服務(wù)，供應(yīng)用的客戶端進行調(diào)用。但如何高效地進行推理服務(wù)的部署無疑是 AI 推理平臺需要面對的挑戰(zhàn)。

一方面，推理服務(wù)部署平臺需要支持多種不同深度學(xué)習(xí)框架訓(xùn)練出來的模型，以滿足不同客戶對于不同框架的偏好，甚至需要支持一些自定義的推理框架，如 TNN［1］ 等。

另一方面，部署平臺需要盡可能提升推理服務(wù)的性能，包括提升吞吐、降低延時，以及提升硬件資源利用率等，這就要求平臺對模型的部署和調(diào)度進行高效的優(yōu)化。

最后，對于由前后處理、AI 模型等多個模塊組成的工作流，例如一些 AI 工作管線中除了深度學(xué)習(xí)模型之外還包含前后處理模塊，推理服務(wù)部署平臺也需要對各個模塊進行有條不紊且高效的串聯(lián)。以上這些需求，都需要對推理服務(wù)部署平臺進行精心的設(shè)計和實現(xiàn)。

針對以上挑戰(zhàn)，騰訊云 TI-ONE 充分利用 NVIDIA Triton 推理服務(wù)器構(gòu)建高性能的推理部署解決方案，為多個行業(yè)場景的推理工作負載提升效率。

騰訊云將 Triton 集成進 TI-ONE 的推理部署服務(wù)中。行業(yè)客戶僅需將需要推理的模型上傳至 TI-ONE 平臺上，并選擇使用 Triton 作為推理后端框架，TI-ONE 便能自動地在 Kubernetes 集群上自動拉起 Triton 容器。在容器內(nèi)，Triton 服務(wù)器將會啟動，并根據(jù)客戶選定的配置參數(shù)，自動地加載用戶上載的模型，以模型實例的方式管理起來，并對外提供推理服務(wù)請求的接口。

Triton 支持絕大部分主流深度學(xué)習(xí)框架的推理，包括 TensorRT， TensorFlow， PyTorch， ONNX Runtime 等。除此之外，Triton 還支持擴展自定義的推理框架 Backend。TNN 是騰訊自研的開源高性能、輕量級神經(jīng)網(wǎng)絡(luò)推理框架，被廣泛應(yīng)用于騰訊云行業(yè)解決方案的推理場景中。騰訊云遵循 Triton Backend API ［2］，實現(xiàn)了 Triton TNN Backend，使得 TNN 模型能夠直接被 Triton 推理服務(wù)器加載、管理以及執(zhí)行推理。

圖1. 加入 TNN Backend 的 Triton 推理服務(wù)器架構(gòu)示意圖

為了提升推理服務(wù)的性能、提升硬件資源利用率，騰訊云 TI-ONE 利用了 Triton 提供的 Dynamic Batching 功能。在部署推理服務(wù)時，用戶可選擇開啟該功能，Triton 則會自動地將到達服務(wù)端的零散推理請求（通常 batch size 較小）聚合成大的 batch，輸入對應(yīng)的模型實例中進行推理。如此，GPU 在執(zhí)行更大 batch size 的推理時能達到更高的利用率，從而提升服務(wù)的吞吐。且用戶可在 TI-ONE 平臺中設(shè)置將多個請求組合成 batch 的等待時長，以便在延時和吞吐之間權(quán)衡。不僅如此，TI-ONE 還利用 Triton 的 Concurrent Model Execution 功能，在每張 NVIDIA GPU 上同時部署相同或不同模型的多個模型實例，使得在單個模型較為輕量的情況下，通過多個模型實例的并行執(zhí)行來充分利用 GPU 的計算資源，在提升 GPU 利用率的同時獲得更高的吞吐。

圖2. Triton Dynamic Batching 機制示意圖

最后，針對需要部署由多個模塊組合的 AI 工作管線的應(yīng)用場景，TI-ONE 正與 NVIDIA 一起積極探索如何利用 Triton Ensemble Model 以及 Triton Python Backend，將前后處理模塊與 AI 模型有序地串聯(lián)在一起。其中，Triton Python Backend 能夠直接將現(xiàn)有的 Python 前后處理代碼封裝為可在 Triton 上部署的模塊；Triton Ensemble Model 是一種特殊的調(diào)度器，可通過配置文件定義多個模塊之間的連接關(guān)系，并自動地將推理請求在定義好的工作管線上進行有條不紊的調(diào)度。

目前，騰訊云 TI 平臺 TI-ONE 利用 NVIDIA Triton 已為多種不同的行業(yè)解決方案提供了高性能的推理服務(wù)，包括工業(yè)質(zhì)檢、自動駕駛等業(yè)務(wù)場景，涉及到的圖像分類、對象檢測、以及實例分割等 AI 任務(wù)。

通過 Triton 提供的多框架支持以及擴展的 TNN Backend，無論用戶使用何種框架訓(xùn)練 AI 模型，都能在 TI-ONE 上部署其推理服務(wù)，給了算法工程師更大的選擇自由度，節(jié)省了模型轉(zhuǎn)換的開銷。利用 Triton 的 Dynamic Batching 機制和 Concurrent Model Execution 功能， TI-ONE 在某一目標檢測場景部署 FasterRCNN ResNet50-FPN 模型，相比于使用 Tornado 部署框架在 NVIDIA T4 Tensor Core GPU 上最高可獲得 31.6% 的吞吐提升，如下圖所示：

圖 3. TI-ONE 中不同推理服務(wù)框架部署目標檢測模型時所實現(xiàn)的服務(wù)吞吐量對比

2022 騰訊云

此圖片依據(jù)由騰訊云提供數(shù)據(jù)所制作

在另一圖像分類業(yè)務(wù)中，TI-ONE 利用 Triton 的 Dynamic Batching 機制部署包含前后處理及模型推理的工作管線，結(jié)合 TNN 對推理的加速，在 1/2 T4 Tensor Core GPU 上，相比于 Python 實現(xiàn)的 HTTP Server 獲得最高 2.6 倍延時縮減及最高 2.5 倍吞吐的提升，如下表所示：

表 1. TI-ONE 中不同推理服務(wù)框架部署圖像分類模型時所實現(xiàn)的服務(wù)性能對比

2022 騰訊云

此表格依據(jù)由騰訊云提供數(shù)據(jù)所制作

未來，騰訊云 TI 平臺將與 NVIDIA 團隊繼續(xù)合作，探索利用 Triton 對復(fù)雜工作管線進行推理服務(wù)部署的解決方案，進一步為各個行業(yè)的 AI 推理場景提供更高效率、更低成本的推理平臺。