推理識別是人工智能最重要的落地應(yīng)用，其他與深度學(xué)習(xí)相關(guān)的數(shù)據(jù)收集、標(biāo)注、模型訓(xùn)練等工作，都是為了得到更好的最終推理性能與效果。

幾乎每一種深度學(xué)習(xí)框架都能執(zhí)行個別的推理工作，包括 Tensorflow、Pytorch、MXNet 等通用型框架與 YOLO 專屬的 Darknet 框架，此外還有 ONNX 開發(fā)推理平臺、NVIDIA TensorRT 加速推理引擎，也提供推理相關(guān)的 C / C++ 與 Python 開發(fā)接口，這是大部分技術(shù)人員所熟悉的方法。

在垂直應(yīng)用方面，NVIDIA 的DeepStream智能分析工具是非常適合用在種類固定且需要長期統(tǒng)計(jì)分析的場景，包括各種交通場景的人 / 車流量分析、工業(yè)流水線質(zhì)量檢測等應(yīng)用，并且在早期視覺（Visualization）類推理功能之上，再添加對話（Conversation）類推理功能，讓使用范圍更加完整。

上述的推理方式通常適合在識別固定種類與固定輸入源的使用場景，在交通、工業(yè)自動化領(lǐng)域、無人設(shè)備等領(lǐng)域的使用比較普及。

但是這種方式并不適合在網(wǎng)絡(luò)相關(guān)的服務(wù)類應(yīng)用中使用，包括在線的產(chǎn)品推薦、圖像分類、聊天機(jī)器人等應(yīng)用，因?yàn)樵诰€服務(wù)需要同時(shí)面對未知數(shù)量與類型的數(shù)據(jù)源，并且透過 HTTP 協(xié)議進(jìn)行數(shù)據(jù)傳輸?shù)难舆t問題，也是嚴(yán)重影響用戶體驗(yàn)感的因素，這是絕大部分網(wǎng)路服務(wù)供應(yīng)商要導(dǎo)入 AI 智能識別技術(shù)所面臨的共同難題。

NVIDIA Triton推理服務(wù)器的最大價(jià)值，便是為服務(wù)類智能應(yīng)用提供一個完整的解決方案，因此首先需要解決以下的三大關(guān)鍵問題：

1. 高通用性：

(1) 廣泛支持多種計(jì)算處理器：包括具備 NVIDIA GPU 的 x86 與 ARM CPU 設(shè)備，也支持純 CPU 設(shè)備的推理計(jì)算。

(2) 廣泛支持各種訓(xùn)練框架的文件格式：包括 TensorFlow 1.x/2.x、PyTorch、ONNX、TensorRT、RAPIDS FIL（用于 XGBoost、Scikit-learn Random Forest、LightGBM）、OpenVINO、Python 等。

(3) 廣泛支持各種模型種類：包括卷積神經(jīng)網(wǎng)絡(luò) (CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò) (RNN)、決策樹、隨機(jī)森林和圖神經(jīng)網(wǎng)絡(luò)等算法。

2.部署便利：

(1) 可在橫向擴(kuò)展的云或數(shù)據(jù)中心、企業(yè)邊緣，甚至 NVIDIA Jetson 等嵌入式設(shè)備上運(yùn)行。

(2) 支持用于 AI 推理的裸機(jī)和虛擬化環(huán)境，包括 VMware vSphere 與基于 Docker 技術(shù)的 Kubernetes 管理機(jī)制。

(3) 可托管于多種人工智能云平臺，包括 Amazon SageMaker、Azure ML、Google Vertex AI、阿里巴巴 AI、騰訊 TI-EMS 等平臺。

3.性能優(yōu)化：

(1)動態(tài)批量處理：推理優(yōu)化的一個因素是批量大小，或者您一次處理多少個樣本，GPU 以更高的批量提供高吞吐量。然而，對于實(shí)時(shí)應(yīng)用程序，服務(wù)的真正限制不是批量大小甚至吞吐量，而是為最終客戶提供出色體驗(yàn)所需的延遲。

(2)模型并發(fā)執(zhí)行：GPU 是能夠同時(shí)執(zhí)行多個工作負(fù)載的計(jì)算設(shè)備，NVIDIA Triton 推理服務(wù)器通過在 GPU 上同時(shí)運(yùn)行多個模型來最大限度地提高性能并減少端到端延遲，這些模型可以是相同的，也可以是來自不同框架的不同模型。GPU 內(nèi)存大小是同時(shí)運(yùn)行模型數(shù)量的唯一限制，這會影響GPU利用率和吞吐量。

以上是 NVIDIA Triton 推理服務(wù)器的基本特性說明，要滿足上面所列的特性，是相對復(fù)雜的內(nèi)容，這是本系列文章所要為讀者逐一探索的內(nèi)容，不過在講解技術(shù)內(nèi)容之前，我們可以先看看有哪些比較具有代表性成功案例，能讓大家對于 Triton 推理服務(wù)器的使用場景有更進(jìn)一步的了解。

案例1：微軟 Teams 會議系統(tǒng)使用 Triton 提升生成實(shí)時(shí)字幕和轉(zhuǎn)錄性能

微軟 Teams是全球溝通和協(xié)作的重要工具，每月有近 2.5 億活躍用戶，其 Azure 認(rèn)知服務(wù)提供 28 種語言的字幕和轉(zhuǎn)錄，實(shí)時(shí)字幕功能幫助與會者實(shí)時(shí)跟蹤對話，轉(zhuǎn)錄功能方便與會者在日后回顧當(dāng)時(shí)的創(chuàng)意或回看未能參與的會議，實(shí)時(shí)字幕對聾啞人、聽力障礙者，或者異國與會者特別有用。

底層語音識別技術(shù)作為認(rèn)知服務(wù)中的一個 API，開發(fā)人員可以使用它定制和運(yùn)行自己的應(yīng)用程序，例如客服電話轉(zhuǎn)錄、智能家居控制或?yàn)榧本热藛T提供 AI 助手。認(rèn)知服務(wù)會生成 Teams 的轉(zhuǎn)錄和字幕，將語音轉(zhuǎn)換為文本，并識別說話人。同時(shí)也能夠識別專業(yè)術(shù)語 、姓名和其他會議背景，提高字幕的準(zhǔn)確性。

微軟 Teams 首席項(xiàng)目經(jīng)理 Shalendra Chhabra 表示：“這樣的 AI 模型非常復(fù)雜，需要數(shù)千萬個神經(jīng)網(wǎng)絡(luò)參數(shù)才能識別幾十種不同的語言。但模型越大，就越難以經(jīng)濟(jì)高效地實(shí)時(shí)運(yùn)行。”

為了提高服務(wù)質(zhì)量，微軟使用 NVIDIA Triton 開源推理服務(wù)軟件，來幫助 Teams 使用認(rèn)知服務(wù)優(yōu)化語音識別模型，以及認(rèn)知服務(wù)所支持的高度先進(jìn)語言模型，在極低的延遲狀態(tài)下提供高度準(zhǔn)確、個性化的語音轉(zhuǎn)文本結(jié)果，同時(shí)可以保證運(yùn)行這些語音轉(zhuǎn)文本模型的NVIDIA GPU充分發(fā)揮計(jì)算資源，在消耗更少計(jì)算資源的同時(shí)為客戶提供更高的吞吐量，進(jìn)而降低成本。

NVIDIA GPU 和 Triton 軟件能夠幫助微軟，在不犧牲低延遲的情況下，通過強(qiáng)大的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)高準(zhǔn)確性，確保語音-文本的實(shí)時(shí)轉(zhuǎn)換，當(dāng)啟用轉(zhuǎn)錄功能時(shí)，與會者可以在會議結(jié)束后輕松補(bǔ)上錯過的內(nèi)容。

Triton 推理服務(wù)器有助于簡化 AI 模型部署并解鎖高性能推理，用戶甚至可以為自己的應(yīng)用開發(fā)自定義后端。下面三種關(guān)鍵功能，是協(xié)助微軟將 Teams 的字幕和轉(zhuǎn)錄功能擴(kuò)展到更多會議和用戶的效能：

流推理：新型流推理功能—通過跟蹤語音上下語境，提高延遲、敏感性字幕的準(zhǔn)確度，協(xié)助 Azure 認(rèn)知服務(wù)合作定制語音轉(zhuǎn)文本的應(yīng)用程序。

動態(tài)批量處理：批量大小指神經(jīng)網(wǎng)絡(luò)同時(shí)處理的輸入樣本數(shù)量，通過 Triton 的動態(tài)批量處理功能，單項(xiàng)推理請求被自動組合成一個批次，因此能夠在不影響模型延遲的情況下更好地利用 GPU 資源。

并發(fā)模型執(zhí)行：實(shí)時(shí)字幕和轉(zhuǎn)錄需要同時(shí)運(yùn)行多個深度學(xué)習(xí)模型，Triton 使開發(fā)人員能夠在單個 GPU 上同時(shí)完成這些工作，包括使用不同深度學(xué)習(xí)框架的模型。

案例2：Triton 助力微信加速視覺應(yīng)用，提高可靠性

本案例中，通過 NVIDIA 的 GPU 執(zhí)行 Triton 推理服務(wù)器與TensorRT推理加速引擎， 幫助微信的二維碼光學(xué)識別（OCR）計(jì)算降低 46%時(shí)間，并將系統(tǒng)的失敗率降低 81%，同時(shí)減少 78% 的服務(wù)器使用數(shù)量。

騰訊微信是一款跨平臺的通訊工具，支持通過手機(jī)網(wǎng)絡(luò)發(fā)送語音、圖片、視頻和文字等。截至 2021 年 6 月，微信在全球擁有超過 12 億活躍用戶，是國內(nèi)活躍用戶最多的社交軟件。

微信識物是一款主打物品識別的 AI 產(chǎn)品，通過相機(jī)拍攝物品，更高效、更智能地獲取信息。2020 年微信識物拓展了更多識別場景，上線了微信版的圖片搜索，打開微信掃一掃，左滑切換到 “識物” 功能，對準(zhǔn)想要了解的物品正面，可以獲取對應(yīng)的物品信息，包括物品百科、相關(guān)資訊、相關(guān)商品。

2021 年 1 月，微信發(fā)布的 8.0 版本更新支持圖片文字提取的功能，用戶在聊天界面和朋友圈中長按圖片就可以提取圖片中文字，然后一鍵轉(zhuǎn)發(fā)、復(fù)制或收藏。

在識物的過程包含檢測、圖像召回、信息提煉等環(huán)節(jié)，其中二維碼掃描的使用頻率也是非常高，主要包括識別和檢測，這兩種應(yīng)用都有非常大的計(jì)算量。但原本使用 Pytorch 進(jìn)行模型的推理時(shí)，遇到以下三大問題：

請求的延遲很大，影響用戶體驗(yàn)感；

顯存占用很大，單張 NVIDIA T4 GPU 卡能部署的模型數(shù)比較少，導(dǎo)致推理請求的并發(fā)數(shù)上不去，請求失敗的概率太高，只能通過增加機(jī)器的方式來提高并發(fā)能力，業(yè)務(wù)部署成本較高。

使用的模型經(jīng)常變化，而業(yè)務(wù)需要更換后的模型需要能夠快速地加速和上線部署。

為了解決上述問題，微信團(tuán)隊(duì)使用 Triton 推理服務(wù)器結(jié)合 TensorRT 加速推理器的綜合方案，主要技術(shù)內(nèi)容如下：

通過使用 TensorRT 對微信識物和 OCR 的模型進(jìn)行加速，在都使用 FP32 的情況下，比 Pytorch 的延遲降低 50% 左右；

在 OCR 的識別和檢測階段，使用 TensorRT 結(jié)合 NVIDIA T4 GPU 的 FP16 Tensor Core，在保證精度的前提下，識別的延遲降低 50%、檢測的延遲降低 20%；

在微信識物的分類和檢測任務(wù)中，通過使用 NVIDIA T4 GPU 的 int8 Tensor Core 并結(jié)合 QAT，在滿足精度要求的前提下，進(jìn)一步大幅提升了性能；

通過使用 FP16 和 int8 低精度模式，在大幅降低推理延遲的同時(shí)，大大減少了顯存的占用，在 FP16 模式下，單模型顯存占用僅占 FP32 模式的 40%–50%， 而在 int8 模式下，單模型顯存占用僅占 FP32 模式的 30% 左右。在提高單張 T4 卡上部署的模型數(shù)量的同時(shí)，大幅提高了單 GPU 的推理請求并發(fā)能力；

Triton 的動態(tài)批量處理（dynamic batch）和多實(shí)例等特性，幫助微信將在滿足延遲要求的同時(shí)，提高了系統(tǒng)整體的并發(fā)能力，將系統(tǒng)失敗降低了 81%；

TensorRT 對個別模型得到推理的加速，Triton 則對加速后的模型進(jìn)行快速的部署，滿足了業(yè)務(wù)對修改后的模型進(jìn)行快速部署的需求，也大大減少工程人員的工作量。

通過使用 NVIDIA 的 TensorRT 對微信識物和 OCR 的模型進(jìn)行加速，在降低單次推理延遲 50% 以上的同時(shí)，節(jié)約了多達(dá) 64% 的顯存。結(jié)合 Triton 的動態(tài)批量處理和多實(shí)例的功能，OCR 的整體時(shí)延降低了 46%，系統(tǒng)失敗率降低了 81%。大大提高了用戶的體驗(yàn)，并且服務(wù)器的數(shù)量減少了多達(dá) 78%，極大降低了服務(wù)的成本。

案例3：騰訊 PCG 使用 Triton 加速在線推理，提高設(shè)備效能

騰訊平臺與內(nèi)容事業(yè)群（簡稱 騰訊 PCG）負(fù)責(zé)公司互聯(lián)網(wǎng)平臺和內(nèi)容文化生態(tài)融合發(fā)展，整合 QQ 軟件、QQ 空間等社交平臺，和應(yīng)用寶、瀏覽器等流量平臺，以及新聞資訊、視頻、體育、直播、動漫、影業(yè)等內(nèi)容業(yè)務(wù)，推動 IP 跨平臺、多形態(tài)發(fā)展，為更多用戶創(chuàng)造海量的優(yōu)質(zhì)數(shù)字內(nèi)容體驗(yàn)。

騰訊 PCG 機(jī)器學(xué)習(xí)平臺部旨在構(gòu)建和持續(xù)優(yōu)化符合 PCG 技術(shù)中臺戰(zhàn)略的機(jī)器學(xué)習(xí)平臺和系統(tǒng)，提升 PCG 機(jī)器學(xué)習(xí)技術(shù)應(yīng)用效率和價(jià)值，建設(shè)業(yè)務(wù)領(lǐng)先的模型訓(xùn)練系統(tǒng)和算法框架，提供涵蓋數(shù)據(jù)標(biāo)注、模型訓(xùn)練、評測、上線的全流程平臺服務(wù)，實(shí)現(xiàn)高效率迭代，在內(nèi)容理解和處理領(lǐng)域，輸出業(yè)界領(lǐng)先的元能力和智能策略庫。

這個機(jī)器學(xué)習(xí)平臺服務(wù)于 PCG 所有業(yè)務(wù)產(chǎn)品，面對上述所提到的綜合需求，有以下三大挑戰(zhàn)：

1.業(yè)務(wù)繁多，場景復(fù)雜：

(1) 業(yè)務(wù)開發(fā)語言包括 C++ 與 Python；

(2)模型格式繁多，包括 ONNX、Pytorch、TensorFlow、TensorRT 等；

(3)模型預(yù)處理涉及圖片下載等網(wǎng)絡(luò) io；

(4)多模型融合流程比教復(fù)雜，涉及循環(huán)調(diào)用；

(5)支持異構(gòu)推理；

2.模型推理結(jié)果異常時(shí)，難以便利地調(diào)試定位問題；

3.需要與公司內(nèi)現(xiàn)有協(xié)議 / 框架 / 平臺進(jìn)行融合。

基于以上挑戰(zhàn)，騰訊 PCG 選擇了采用 NVIDIA 的 Triton 推理服務(wù)器，以解決新場景下模型推理引擎面臨的挑戰(zhàn)，在提升用戶研效的同時(shí)，也大幅降低了服務(wù)成本。

NVIDIA 的 Triton 推理服務(wù)器是一款開源軟件，對于所有推理模式都可以簡化在任一框架中以及任何 GPU 或 CPU 上的運(yùn)行方式，從而在生產(chǎn)環(huán)境中使用推理計(jì)算，并且支持多模型 ensemble，以及 TensorFlow、PyTorch、ONNX 等多種深度學(xué)習(xí)模型框架，可以很好的支持多模型聯(lián)合推理的場景，構(gòu)建起視頻、圖片、語音、文本整個推理服務(wù)過程，大大降低多個模型服務(wù)的開發(fā)和維護(hù)成本。

通過將 Triton 編譯為動態(tài)鏈接庫，可以方便地鏈入公司內(nèi)部框架，對接公司的平臺治理體系，符合 C 語言規(guī)范的 API 也極大降低了用戶的接入成本，借助 Python 后端和自定義后端，用戶可以自由選擇使用 C++ 或 Python 語言進(jìn)行二次開發(fā)。

NVIDIA DALI是 GPU 加速的數(shù)據(jù)增強(qiáng)和圖像加載庫，使用 Triton 的 DALI 后端可以替換掉原來的圖片解碼、縮放等操作，Triton 的 FIL 后端可以替代 Python XGBoost 模型推理，進(jìn)一步提升服務(wù)端推理性能。

借助 NVIDIA Triton 推理框架，配合 DALI / FIL / Python 等后端與 TensorRT，整體推理服務(wù)的吞吐能力最大提升 6 倍，延遲最大降低 40%。幫助騰訊 PCG 各業(yè)務(wù)場景中，以更低的成本構(gòu)建了高性能的推理服務(wù)，同時(shí)更低的延遲降低了整條系統(tǒng)鏈路的響應(yīng)時(shí)間，優(yōu)化了用戶體驗(yàn)，也降低了 20%-66% 總成本。

透過以上三個成功案例，就能很明顯看出，Triton 推理服務(wù)器在面對復(fù)雜的智能識別應(yīng)用場景時(shí)，能發(fā)揮非常有效的整合功能，特別是模型來自不同訓(xùn)練平臺時(shí)，以及面對不同前端開發(fā)語言時(shí)，更能體現(xiàn)其便利性。

在后面的文章會帶著大家，先從宏觀的角度來了解 Triton 推理服務(wù)器的應(yīng)用架構(gòu)以及所需要的配套資源，接著搭建 Triton 的使用環(huán)境，包括建立模型倉、安裝服務(wù)端/用戶端軟件，然后執(zhí)行一些實(shí)用性強(qiáng)的基礎(chǔ)范例，以及結(jié)合 NVIDIA 的 TensorRT 與 DeepStream 等推理工具，讓更多開發(fā)人員能利用 Triton 整合更多 AI 推理資源。

審核編輯：湯梓紅