模型部署架构，以Triton Inference Server（TensorRT）为例

本文概念存在偏差，混淆了几个概念
有点误人子弟，多谢评论区提醒
我花点时间再学些后再重新更新本文。打扰了

模型部署架构Triton Inference Server（TensorRT）

模型训练只是DeepLearning的一小部分，如《Hidden Technical Debt in Machine Learning Systems》NIPS2015机器学习系统的技术债
书中所说。

现有几种搭建框架

Python：TF+Flask+Funicorn+Nginx
FrameWork：TF serving，TorchServe，ONNX Runtime
Intel：OpenVINO，NVNN，QNNPACK（FB的）
NVIDIA：TensorRT Inference Server（Triton），DeepStream

主要说现阶段比较主流的

TensorRT
硬件T4的GPU（也可嵌入端等NVIDIA设备）
软件TensorRT （Triton）2020年TensorRT改名为Triton

T4上，相对CPU ResNet-50jiasu 快27倍

输入可以是TF，MXNet，Pytorch等

主要优化技术

1. 混合精度
2. 图优化，层融合
3. 动态显存管理
4. 多种输入同时执行（多输入合在一起，多模型并发等）

图优化部分：
垂直层融合，水平也层融合，近乎减少一半显存和计算（V100GPU）
VGG Net从43层融合到27层
V100上测试比普通Tensorflow快几十倍，ResNet50控制在7ms

Triton Inference Server

最大化GPU运行时间
单GPU多模型
可异构加入别的框架
可以Docker等环境
开源，可定制化

主要功能

1. 密集输入时自动合成batch，平衡延迟latency和吞吐量。自动并发小模型（不会有多进程交流的困难）

2. 支持CPU推理，可集成OpenVINO等其他异构

3. 原生支持多种模型，可以原生TF+Pytorch模型同时来

4. 内存共享，库版本管理机制。
   model-ensemble多个模型串联，模型A输出给模型B输入的优化

Triton推断服务结构

通过Http返回json，内部gRPC等调用方式
（自动合并batch输入即动态分批，多卡自动分配任务，多种后端，热更新模型，收集运行信息，支持Python、C++,等。。。）

模型控制与配置
platform
input
output
vresion_policy
等，格式和protobuf类似
配置文件控制模型model-ensemble的pipeline

缺：推出比较晚，文档，生态还在完善中

后记

看完这些，希望你已经没有想看源码的冲动了。
如果是这样的话，不妨点个赞吧。

为何要点赞？

如果本文解决了你的困惑，不妨点个赞鼓励一下。
不管你信不信，也不管你同不同意，实际上，你的每一次点赞都标志着你自身的进步。而打赏乃是点赞的高级形式
曾经有无数个点赞的机会，但是我都没有好好珍惜，假如时光可以倒流，我一定为他们也为自己点赞。