使用 Triton 服务 Torch-TensorRT 模型

在讨论机器学习基础设施时，优化和部署是密切相关的。一旦完成网络级优化以获得最佳性能，下一步就是部署它。

然而，服务这个优化的模型也带来自身的一系列考虑因素和挑战，例如：构建支持并发模型执行的基础设施，支持基于 HTTP 或 gRPC 的客户端等等。

Triton 推理服务器 解决了上述问题以及更多问题。 让我们逐步讨论使用 Torch-TensorRT 优化模型、在 Triton 推理服务器上部署模型以及构建客户端来查询模型的过程。

步骤 1：使用 Torch-TensorRT 优化您的模型

大多数 Torch-TensorRT 用户都会熟悉此步骤。 为了演示目的，我们将使用 Torchhub 中的 ResNet50 模型。

我们将在 //examples/triton 目录中工作，该目录包含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帐户并从此处获取 API 密钥。 注册并使用您的密钥登录（注册后按照此处的说明进行操作）。

# 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

使用容器，我们可以将模型导出到 Triton 模型存储库中的正确目录中。 此导出脚本使用 Dynamo 前端进行 Torch-TensorRT，以将 PyTorch 模型编译为 TensorRT。 然后，我们使用 TorchScript 作为 Triton 支持的序列化格式来保存模型。

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脚本（从 //examples/triton 开始）

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 ResNet 模型的序列化 TorchScript 版本保存在模型存储库中正确的目录中。

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存储库。 模型存储库顾名思义，是推理服务器托管的模型的存储库。 虽然 Triton 可以服务于来自多个存储库的模型，但在本示例中，我们将讨论最简单的模型存储库形式。

此存储库的结构应如下所示

model_repository
|
+-- resnet50
    |
    +-- config.pbtxt
    +-- 1
        |
        +-- model.pt

Triton 需要两个文件来服务模型：模型本身和一个模型配置文件，该文件通常以 config.pbtxt 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，其中包含输入和输出层的名称和形状、数据类型、调度和批处理详细信息等详细信息。 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 以了解更多详细信息。

设置模型存储库后，我们可以继续使用下面的 docker 命令启动 Triton 服务器。 有关容器的拉取标签，请参阅此页面。

# 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 Triton 客户端来查询服务器

在继续之前，请确保手头有示例图像。 如果您没有，请下载示例图像以测试推理。 在本节中，我们将介绍一个非常基本的客户端。 有关各种更完善的示例，请参阅 Triton 客户端存储库

wget  -O img1.jpg "https://www.hakaimagazine.com/wp-content/uploads/header-gulf-birds.jpg"

然后，我们需要安装依赖项以构建 python 客户端。 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 的客户端存储库。

pip install torchvision
pip install attrdict
pip install nvidia-pyindex
pip install tritonclient[all]

让我们跳到客户端。 首先，我们编写一个小的预处理函数来调整大小并规范化查询图像。

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()

构建客户端需要三个基本点。 首先，我们建立与 Triton 推理服务器的连接。

# Setting up client
client = httpclient.InferenceServerClient(url="localhost:8000")

其次，我们指定模型的输入层和输出层的名称。 这可以在导出期间获得，并且应该已在您的 config.pbtxt 中指定

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']

此处的输出格式为 <confidence_score>:<classification_index>。 要了解如何将这些映射到标签名称等，请参阅 Triton 推理服务器的文档。

您可以尝试使用此客户端快速使用

# 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"