引言
近些年来，随着GPU等计算设备算力的飞速提升，对算力要求较高的深度学习模型逐步开始在网购、医疗、音视频领域有了越来越广泛的应用。如何结合深度学习框架，用好高算力的GPU设备，是我们在AI基础建设中遇到的一个至关重要的问题。英伟达公司从硬件厂商的角度出发推出了Trition推理服务器，阿里云PAI平台从云原生服务角度出发，推出了PAI-EAS云原生弹性推理服务平台，目的都是为了更好地帮助用户更好更方便地部署深度学习，提供优质的在线预测服务。
首先我们来了解一下Triton和EAS具体是什么，以及我们为什么要将两者进行有机的结合。
什么是Triton？
Triton推理服务器（NVIDIA Triton Inference Server) 是英伟达公司推出的开源推理框架，为用户提供在云和边缘推理上部署的解决方案。下图为Triton的架构图：
Triton Inference Server具有以下的特性：
·支持多种开源框架的部署，包括TensorFlow/PyTorch/ONNX Runtime/TensorRT等，同时也支持用户提供自定义的服务后端(backend)；
·支持多个模型同时运行在GPU上，以提高GPU设备的利用率；
·支持HTTP/gRPC通信协议，提供二进制格式扩展来压缩发送请求大小；
·支持Dynamic Batching功能，提升服务的吞吐；
·支持兼容KFServing的API标准。
什么是PAI-EAS？
阿里云机器学习平台PAI，旨在为阿里云的用户提供轻量化、高性价比的云原生机器学习。为了帮助用户打通模型训练到模型部署的通路，针对在线推理场景提供了新一代AI推理平台：PAI-EAS（Elastic Algorithm Service），
目前已经稳定支持阿里巴巴集团多个BU的深度学习模型预测服务以及大量公有云客户的在线预测服务。
下图为PAI-EAS总体架构：
从图中可以看出PAI-EAS支持以下特性：
·支持基于异构硬件（CPU和GPU）的模型部署；
·支持通用机器学习/深度学习框架模型一键部署成在线服务，也提供兼容开源Serving的服务部署方式；
·与云原生产品深度整合，支持模型服务管理，服务监控，日志采集查询，网络链路优化等功能；
·自研的高性能服务引擎，对下层异构推理引擎透明支持模型预热，自动Batch，流量镜像等能力；
·分层架构设计，可提供简单易用的微服务开发接口，用户可用多种语言开发自定义的推理业务逻辑。
为什么将Triton部署在EAS上
将Triton Inference Server部署在EAS上，一方面可以使EAS的用户能够方便的使用Triton在NVIDIA GPU设备上多框架多模型部署的能力。另一方面可以充分利用EAS在云原生产品上的深度整合，借助基于云原生的负载均衡，服务管理，网络链路优化，资源弹性伸缩等能力。两方面相结合，获得了1+1>2的效果，使得用户可以方便地获取稳定且性能优异的预测服务，支持多种多样的使用场景，未来还可以使用我们集成到EAS中的针对不同框架模型的通用优化能力，例如Blade等。
如何使用Triton on EAS
使用准备工作
1.使用Triton github repo中提供的脚本，下载Inception模型，同时准备好以下的配置文件来声明部署模型的输入输出等信息，并将模型文件、配置文件以及模型对应的label文件都放置在一个目录中；
name: "inception_graphdef"
platform: "tensorflow_graphdef"
max_batch_size: 128
input [
{
name: "input"
data_type: TYPE_FP32
format: FORMAT_NHWC
dims: [ 299, 299, 3 ]
}
]
output [
{
name: "InceptionV3/Predictions/Softmax"
data_type: TYPE_FP32
dims: [ 1001 ]
label_filename: "inception_labels.txt"
}
]
2.开通阿里云对象存储服务对象存储服务OSS，完成配置后，使用ossutil将准备好的模型文件夹整个上传到特定的OSS路径中；
./ossutil cp inception_graphdef/ oss://triton-model-repo/models
3.开通EAS的专属资源组，目前只有专属资源组支持部署Triton服务。
在做完前置的准备工作之后，先要在EAS上部署Triton服务，然后再去请求已经部署好的服务，获取推理预测的结果。
如何在EAS上部署Triton服务
Triton部署于EAS采用了内置processor的部署形式，processor是EAS服务的必要元素，一般意义下是包含了服务对请求的完整处理逻辑。相比于一般的EAS内置processor部署方式，除了指定processor类型为"triton"以外，只需要新增一个processor_params字段将Triton启动时支持的参数传入即可。
下面为我们创建一个Triton服务时使用的配置文件的示例：
{
"name": "triton_test",
"processor": "triton",
"processor_params": [
"--model-repository=oss://triton-model-repo/models",
"--allow-http=true",
],
"metadata": {
"instance": 1,
"cpu": 4,
"gpu": 1,
"memory": 10000,
"resource":"<your resource id>"
}
}
注意：
1.model-repository参数需要直接传入OSS路径，但是目前不支持直接从用户bucket根目录直接加载模型，推荐将模型上传到bucket下的某个目录中。
2.当前仅支持使用EASCMD创建Triton服务
下面是使用EASCMD创建服务时，我们可以命令行中看到的输出，最后可以看到服务的URL以及token，以及服务创建过程中的状态变化
./eascmd create triton.config
[RequestId]: AECDB6A4-CB69-4688-AA35-BA1E020C39E6
+-------------------+------------------------------------------------------------------------------------------------+
| Internet Endpoint | http://****************.cn-shanghai.pai-eas.aliyuncs.com/api/predict/test_triton_processor |
| Intranet Endpoint | http://****************.vpc.cn-shanghai.pai-eas.aliyuncs.com/api/predict/test_triton_processor |
| Token | MmY3M2ExZG***********************WM1ZTBiOWQ3MGYxZGNkZQ== |
+-------------------+------------------------------------------------------------------------------------------------+
[OK] Service is now deploying
[OK] Successfully synchronized resources
[OK] Waiting [Total: 1, Pending: 1, Running: 0]
[OK] Waiting [Total: 1, Pending: 1, Running: 0]
[OK] Running [Total: 1, Pending: 0, Running: 1]
[OK] Service is running
如何访问EAS上的Triton服务
Triton on EAS完全兼容Triton社区提供的Python Client，下面我们以社区提供的Inception模型为例，说明如何来向部署在EAS上的Triton服务发起请求。首先我们按照Triton官方提供的方式，来安装Python Client。
pip3 install nvidia-pyindex
pip3 install tritonclient[all]
完成Triton服务部署之后，如果没有保存EASCMD命令行中输出的URL以及token，还可以在PAI控制台--模型部署--EAS-模型在线服务页面可以看到类似以下的服务详情，其中也可以查到服务的URL以及访问服务需要使用的授权token。
填充代码中的URL以及token，即可使用使用这个demo，对Triton的服务中的Inception模型发起请求。
import numpy as np
import time
import tritonclient.http as httpclient
from tritonclient.utils import InferenceServerException
URL = "<servcice url>"
HEADERS = {"Authorization": "<service token>"}
input_img = httpclient.InferInput("input", [1, 299, 299, 3], "FP32")
rand_img = np.random.rand(1, 299, 299, 3).astype(np.float32)
input_img.set_data_from_numpy(rand_img, binary_data=True)
output = httpclient.InferRequestedOutput(
"InceptionV3/Predictions/Softmax", binary_data=True
)
triton_client = httpclient.InferenceServerClient(url=URL, verbose=False)
start = time.time()
for i in range(10):
results = triton_client.infer(
"inception_graphdef", inputs=[input_img], outputs=[output], headers=HEADERS
)
res_body = results.get_response()
elapsed_ms = (time.time() - start) * 1000
if i == 0:
print("model name: ", res_body["model_name"])
print("model version: ", res_body["model_version"])
print("output name: ", res_body["outputs"][0]["name"])
print("output shape: ", res_body["outputs"][0]["shape"])
print("[{}] Avg rt(ms): {:.2f}".format(i, elapsed_ms))
start = time.time()
执行之后，我们可以获得以下的输出，在第一次运行时，还额外打印了模型以及输出的相应信息，确认了对模型的调用请求是如我们期望的。
model name: inception_graphdef
model version: 1
output name: InceptionV3/Predictions/Softmax
output shape: [1, 1001]
[0] Avg rt(ms): 76.29
[1] Avg rt(ms): 43.45
[2] Avg rt(ms): 37.30
[3] Avg rt(ms): 34.17
[4] Avg rt(ms): 32.26
[5] Avg rt(ms): 30.52
[6] Avg rt(ms): 30.34
[7] Avg rt(ms): 29.13
[8] Avg rt(ms): 23.56
[9] Avg rt(ms): 23.42
结语
目前Triton on EAS已经在上海区域开始公测，欢迎大家在阿里云官网搜索“机器学习平台PAI”来踊跃试用。我们也将基于Triton，提供更多的深度学习在线部署能力给用户。Triton on EAS将支持更多的功能，保证用户在EAS上使用Triton的体验：
·支持gRPC协议，支持Java Client（Coming very soon！）
·支持Blade优化接入Triton
