使用 Triton 服务 Torch-TensorRT 模型¶
在讨论机器学习基础设施时，优化和部署是相辅相成的。一旦完成网络级别的优化以获得最大性能，下一步就是部署它。
然而，服务这个优化后的模型也带来了其自身的考量和挑战，例如：构建支持并发模型执行的基础设施、通过 HTTP 或 gRPC 支持客户端等等。
Triton 推理服务器 解决了上述以及更多问题。让我们一步一步地讨论如何使用 Torch-TensorRT 优化模型，将其部署在 Triton 推理服务器上，并构建一个客户端来查询模型。
步骤 1：使用 Torch-TensorRT 优化您的模型¶
大多数 Torch-TensorRT 用户都会熟悉这一步。在本演示中，我们将使用来自 Torchhub 的 ResNet50 模型。
我们将在 //examples/triton 目录中工作，该目录包含了本教程中使用的脚本。
首先，拉取 NGC PyTorch Docker 容器。您可能需要创建一个账户并从这里获取 API 密钥。注册并使用您的密钥登录（注册后请按照此处的说明操作）。
# YY.MM is the yy:mm for the publishing tag for NVIDIA's Pytorch
# container; eg. 24.08
# NOTE: Use the publishing tag for both the PyTorch container and the Triton Containers
docker run -it --gpus all -v ${PWD}:/scratch_space nvcr.io/nvidia/pytorch:YY.MM-py3
cd /scratch_space
使用该容器，我们可以将模型导出到 Triton 模型仓库中的正确目录。此导出脚本使用 Torch-TensorRT 的 Dynamo 前端将 PyTorch 模型编译为 TensorRT。然后我们使用 Triton 支持的序列化格式 TorchScript 保存模型。
import torch
import torch_tensorrt as torchtrt
import torchvision
import torch
import torch_tensorrt
torch.hub._validate_not_a_forked_repo=lambda a,b,c: True
# load model
model = torch.hub.load('pytorch/vision:v0.10.0', 'resnet50', pretrained=True).eval().to("cuda")
# Compile with Torch TensorRT;
trt_model = torch_tensorrt.compile(model,
inputs= [torch_tensorrt.Input((1, 3, 224, 224))],
enabled_precisions= {torch_tensorrt.dtype.f16}
)
ts_trt_model = torch.jit.trace(trt_model, torch.rand(1, 3, 224, 224).to("cuda"))
# Save the model
torch.jit.save(ts_trt_model, "/triton_example/model_repository/resnet50/1/model.pt")
您可以使用以下命令运行该脚本（从 //examples/triton 目录运行）
docker run --gpus all -it --rm -v ${PWD}:/triton_example nvcr.io/nvidia/pytorch:YY.MM-py3 python /triton_example/export.py
这会将序列化的 TorchScript 版本的 ResNet 模型保存在模型仓库中的正确目录。
步骤 2：设置 Triton 推理服务器¶
如果您是 Triton 推理服务器的新手，并想了解更多信息，我们强烈建议您查看我们的 Github 仓库。
要使用 Triton，我们需要创建一个模型仓库。顾名思义，模型仓库是推理服务器托管的模型的存储库。虽然 Triton 可以从多个仓库服务模型，但在本例中，我们将讨论模型仓库最简单的形式。
这个仓库的结构应该如下所示
model_repository
|
+-- resnet50
|
+-- config.pbtxt
+-- 1
|
+-- model.pt
Triton 服务模型需要两个文件：模型本身和一个模型配置文件，该文件通常以 config.pbtxt 的形式提供。对于我们在步骤 1 中准备的模型，可以使用以下配置
name: "resnet50"
backend: "pytorch"
max_batch_size : 0
input [
{
name: "x"
data_type: TYPE_FP32
dims: [ 1, 3, 224, 224 ]
}
]
output [
{
name: "output0"
data_type: TYPE_FP32
dims: [1, 1000]
}
]
config.pbtxt 文件用于描述确切的模型配置，包括输入和输出层的名称和形状、数据类型、调度和批处理细节等。如果您是 Triton 的新手，我们强烈建议您查看我们文档的这一部分以获取更多详细信息。
在模型仓库设置好后，我们可以使用下面的 docker 命令来启动 Triton 服务器。请参考此页面获取容器的拉取标签。
# Make sure that the TensorRT version in the Triton container
# and TensorRT version in the environment used to optimize the model
# are the same. Roughly, like publishing tags should have the same TensorRT version
docker run --gpus all --rm -p 8000:8000 -p 8001:8001 -p 8002:8002 -v ${PWD}:/triton_example nvcr.io/nvidia/tritonserver:YY.MM-py3 tritonserver --model-repository=/triton_example/model_repository
这应该会启动一个 Triton 推理服务器。下一步，构建一个简单的 http 客户端来查询服务器。
步骤 3：构建一个 Triton 客户端来查询服务器¶
在继续之前，请确保手边有一张示例图片。如果您没有，请下载一张示例图片以测试推理。在本节中，我们将介绍一个非常基础的客户端。有关各种更完善的示例，请参阅 Triton 客户端仓库。
wget -O img1.jpg "https://www.hakaimagazine.com/wp-content/uploads/header-gulf-birds.jpg"
然后我们需要为构建 python 客户端安装依赖项。这些依赖项会因客户端而异。有关 Triton 支持的所有语言的完整列表，请参阅 Triton 的客户端仓库。
pip install torchvision
pip install attrdict
pip install nvidia-pyindex
pip install tritonclient[all]
让我们开始构建客户端。首先，我们编写一个小型的预处理函数来调整和归一化查询图像。
import numpy as np
from torchvision import transforms
from PIL import Image
import tritonclient.http as httpclient
from tritonclient.utils import triton_to_np_dtype
# preprocessing function
def rn50_preprocess(img_path="/triton_example/img1.jpg"):
img = Image.open(img_path)
preprocess = transforms.Compose(
[
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
]
)
return preprocess(img).unsqueeze(0).numpy()
transformed_img = rn50_preprocess()
构建一个客户端需要三个基本要点。首先，我们与 Triton 推理服务器建立连接。
# Setting up client
client = httpclient.InferenceServerClient(url="localhost:8000")
其次，我们指定模型的输入和输出层的名称。这些信息可以在导出时获取，并且应该已经在您的 config.pbtxt 文件中指定了。
inputs = httpclient.InferInput("x", transformed_img.shape, datatype="FP32")
inputs.set_data_from_numpy(transformed_img, binary_data=True)
outputs = httpclient.InferRequestedOutput("output0", binary_data=True, class_count=1000)
最后，我们向 Triton 推理服务器发送一个推理请求。
# Querying the server
results = client.infer(model_name="resnet50", inputs=[inputs], outputs=[outputs])
inference_output = results.as_numpy('output0')
print(inference_output[:5])
输出应如下所示
[b'12.468750:90' b'11.523438:92' b'9.664062:14' b'8.429688:136'
b'8.234375:11']
这里的输出格式是 <置信度分数>:<分类索引>。要了解如何将这些映射到标签名称等更多信息，请参阅 Triton 推理服务器的文档。
您可以使用以下命令快速尝试此客户端
# Remember to use the same publishing tag for all steps (e.g. 24.08)
docker run -it --net=host -v ${PWD}:/triton_example nvcr.io/nvidia/tritonserver:YY.MM-py3-sdk bash -c "pip install torchvision && python /triton_example/client.py"
