NVIDIA Triton助力騰訊構(gòu)建高性能推理服務(wù)

藉由 NVIDIAT4 GPU，通過 Ronda 平臺調(diào)用 NVIDIA Triton 以及 TensorRT ，整體提升開發(fā)和推理效能，幫助騰訊 PCG 的多個服務(wù)整體效能提升 2 倍，吞吐量最大提升 6 倍，同時降低了 40% 的延時。

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、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。

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。機(jī)器學(xué)習(xí)平臺部正服務(wù)于 PCG 所有業(yè)務(wù)產(chǎn)品。

而過往在項目執(zhí)行時，團(tuán)隊所面挑戰(zhàn)包含：

1. 業(yè)務(wù)繁多，場景復(fù)雜

業(yè)務(wù)開發(fā)語言包括C++/Python

模型格式繁多，包括ONNX、Pytorch、TensorFlow、TensorRT等

模型預(yù)處理涉及圖片下載等網(wǎng)絡(luò)IO

多模型融合流程比教復(fù)雜，涉及循環(huán)調(diào)用

支持異構(gòu)推理

2. 模型推理結(jié)果異常時，難以方便地調(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 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，大幅降低了服務(wù)成本。

NVIDIA Triton 是一款開源軟件，對于所有推理模式都可以簡化模型在任一框架中以及任何 GPU 或 CPU 上的運行方式，從而在生產(chǎn)環(huán)境中使用 AI。Triton 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。

基于 C++ 的基礎(chǔ)架構(gòu)、Dynamic-batch、以及對 TensorRT 的支持，同時配合 T4 的 GPU，將整體推理服務(wù)的吞吐能力最大提升 6 倍，延遲最大降低 40%，既滿足了業(yè)務(wù)的低延時需求，成本也降低了 20%-66%。

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 Backend 和 Custom Backend，用戶可以自由選擇使用 C++/Python 語言進(jìn)行二次開發(fā)。

Triton 的 Tracing 能力可以方便地捕捉執(zhí)行過程中的數(shù)據(jù)流狀態(tài)。結(jié)合 Metrics 和 Perf Analysis 等組件，可以快速定位開發(fā)調(diào)試，甚至是線上問題，對于開發(fā)和定位問題的效率有很大提升。

NVIDIA DALI 是 GPU 加速的數(shù)據(jù)增強(qiáng)和圖像加載庫。DALI Backend 可以用于替換掉原來的圖片解碼、resize 等操作。FIL Backend 也可以替代 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 Backend，以及 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)，同時更低的延遲降低了整條系統(tǒng)鏈路的響應(yīng)時間，優(yōu)化了用戶體驗。