Press "Enter" to skip to content

开源 | dl_inference更新：增加TensorRT、MKL集成，提高深度学习模型推理速度

2021年12月7日

 

 

01

 

背 景

 

dl_inference是58同城推出的通用深度学习推理服务，可在生产环境中快速上线由TensorFlow、PyTorch、Caffe等框架训练出来的深度学习模型。dl_inference于2020年3月26号发布，可参见
《开源｜dl_inference：通用深度学习推理服务》
。

 

我们在2021年11月对dl_inference再次进行更新，从发布至今新增如下Features：

 

1、集成TensorRT加速深度学习推理，支持将TensorFlow-SavedModel模型、PyTorch-Pth模型进行自动优化，转换为TensorRT模型后部署，提高模型在GPU上的推理速度。

 

2、集成Intel Math Kernel Library库的TensorFlow Serving推理框架，加速TensorFlow模型CPU上推理。

 

3、支持Caffe模型推理，提供丰富的模型应用示例。

 

02

 

使用TensorRT加速深度学习推理

 

深度学习模型推理阶段对算力和时延具有很高的要求，如果将训练好的神经网络直接部署到推理端，很有可能出现算力不足无法运行或者推理时间较长等问题，因此我们需要对训练好的神经网络进行一定的优化。TensorRT是NVIDIA推出的一款基于CUDA和cuDNN的神经网络推理加速引擎，能从以下几个方面来提升模型在GPU上的推理性能：

 

权重与激活精度校准：支持将模型量化为FP16/INT8精度，提高吞吐量的同时保持高准确度。

 

层与张量融合：TensorRT可以做计算图优化，通过kernel融合，减少数据拷贝等手段，生成网络的优化计算图。

 

内核自动调整：TensorRT可以自动选取最优kernel。同样是矩阵乘法，在不同GPU架构上以及不同矩阵大小，最优的GPU kernel的实现方式不同，TensorRT可以把它优选出来。

 

动态张量显存：更大限度减少显存占用，高效地为张量重复利用显存。

 

多流执行：并行处理多个输入流的可扩展设计。

 

同时NVIDIA提供了Triton Inference Server（以下简称TIS）框架支持多种模型的推理服务部署。TIS是NVIDIA针对旗下GPU推出的高性能在线推理解决方案，可通过HTTP或gRPC端点提供服务，为模型部署方案提供更多灵活性的同时可以充分发挥GPU的并行计算能力。

 

dl_inference基于TensorRT 7.1.3版本和TIS 20.08版本实现GPU推理加速功能，支持将TensorFlow和PyTorch框架训练出来的模型通过TensorRT引擎自动进行优化，转换为TensorRT格式模型，然后通过TIS推理框架进行服务化部署。使用dl_inference的GPU推理加速功能包括模型转换和模型部署两步，详细介绍如下。

 

1、 模型转换
开发者提供TensorFlow训练好的SavedModel.pb或PyTorch训练好的Model.pth模型文件，dl_inference会先将其转换为ONNX（Open Neural Network Exchange）格式模型，ONNX是一种针对机器学习所设计的开放式文件格式，用于存储训练好的模型，它使得不同的深度学习框架可以在相同格式存储模型数据并交互，然后dl_inference再将ONNX模型文件自动进行优化，转换得到TensorRT格式模型。开发者除了要提前准备好模型文件外还需提供模型元数据描述文件config.txt，TensorFlow SavedModel.pb模型元数据可由saved_model_cli 命令工具查看，PyTorch pth模型由于没有name概念，可设置为单字母名称，如 i, o等，表示inputs，outputs。以Resnet50（dl_inference/DLPredictOnline/demo/model/tis）为例模型元数据描述文件config.txt如下：

 

{
    "batch_size":0,
    "input":[
        {
            "name":"image",
            "data_type":"float",
            "dims":[
                -1,
                224,
                224,
                3
            ],
            "node_name":"input_1:0"
        }
    ],
    "output":[
        {
            "name":"probs",
            "data_type":"float",
            "dims":[
                -1,
                19
            ],
            "node_name":"dense_1/Softmax:0"
        }
    ]
}

 

模型和模型元数据描述文件准备好后，在dl_inference/TisPredictOnline/DockerImage目录下进行镜像生成。

 

cd DockerImage
docker build -t tis-model-convert:lastest .

 

最后启动镜像，自动化执行模型转换操作，完成模型转换。

 

cd $模型所在路径
docker run -v `pwd`:/workspace/source_model -e SOURCE_MODEL_PATH=/workspace/source_model -e TARGET_MODEL_PATH=/workspace/source_model -e MODEL_NAME=tensorflow-666 -e MODEL_TYPE=tensorflow tis-model-convert:lastest
# SOURCE_MODEL_PATH 原始模型所在路径，也是模型描述文件所在路径
# TARGET_MODEL_PATH 生成TensorRT模型所在路径
# MODEL_NAME 模型名称
# MODEL_TYPE 模型类型 （tensorflow or pytorch）

 

2、模型部署

 

首先需要拉取镜像，然后启动镜像进行模型TIS推理部署。

 

docker pull nvcr.io/nvidia/tritonserver:20.08-py3
docker run -v ${TARGET_MODEL_PATH}:/workspace -p 8001:8001 nvcr.io/nvidia/tritonserver:20.08-py3 /opt/tritonserver/bin/tritonserver --model-repository=/workspace
# TARGET_MODEL_PATH即为模型转换服务中环境变量值，默认使用8001端口且此端口固定

 

至此模型TIS推理服务已经就绪，开发者可以通过客户端对其进行测试，dl_inference定义了rpc接口TisPredict用于进行调用，同时也提供了client demo

 

(dl_inference/DLPredictOn-line/demo/src/main/java/com/bj58/ailab/demo/client/TisClient.java）供开发者进行参考。

 

使用TensorRT加速深度学习推理能够使得GPU上推理性能大幅提升，如dl_inference在TensorFlow框架训练的Resnet50模型上应用TensorRT加速功能，在不降低推理精度情况下，T4卡上加速后QPS提升80%，耗时降低18%，如下图所示。

 

 

03

 

使用Intel MKL 加速深度学习推理

 

Math Kernel Library（简称MKL，后改名为oneDNN）为Intel推出的数学核心函数库，能够在CPU上利用AVX2、FMA等指令进行指令集优化。dl_inference通过利用MKL库，在以下几个方面对TensorFlow模型推理进行了优化：

 

在CPU上运行时将TensorFlow替换为Intel优化版本，这样能在不改变模型网络的前提下提升性能。

 

消除
不必要且耗费计算资源的数据层转换。

 

将多个运行融合在一起以在CPU上高效重复使用高速缓存。

 

dl_inference使用带有MKL编译选项的TensorFlow Serving版本，开发者准备好TensorFlow训练好的SavedModel格式模型后按TensorFlow Serving方式部署到dl_inference提供的TensorFlow Serving MKL镜像即可获得加速效果，TensorFlow Serving能够兼容低版本模型，即使是TensorFlow1.x训练的模型，也可以在TensorFlow Serving2.x上使用，因此开发者无需考虑版本问题。MKL版本提供一些参数供开发者进行调整，参数说明如下：

 

KMP_BLOCKTIME – 设置线程在执行完并行区域之后，在休眠之前应该等待的时间（以毫秒为单位）

 

KMP_AFFINITY – 控制线程如何分布并绑定到特定的处理单元

 

KMP_SETTINGS – 允许 (true) 或禁止 (false) 在程序执行期间输出 OpenMP* 运行时库环境变量

 

OMP_NUM_THREADS – OpenMP运行时可用的最大线程数，通常设置为等于物理内核的数量

 

dl_inference在Intel(R) Xeon(R) CPU E5-2620上部署Resnet50模型推理使用MKL版本获取了不错的加速效果，使用MKL版本的TensorFlow Serving相对直接使用TensorFlow Serving QPS提升60%，耗时降低40%，对比时分配的CPU资源为4核，效果如下图所示。

 

 

Caffe模型推理支持
Caffe是一款较为主流的深度学习框架，使用人数虽然相比TensorFlow和PyTorch较少，但是仍然有着较大的应用基数。因此dl_inference在v1.1版本中，基于Seldon封装了Caffe模型推理RPC服务，统一接口协议，适用任何类型的Caffe模型，极大减少模型部署工作量。同时在模型RPC服务封装时我们进行了创新，首先，引入前后预处理程序， 支持用户在执行模型推理前后进行相关数据的处理；其次 ，开放模型调用，用户可以根据业务及模型的特点进行模型调用独立定制，Caffe模型推理流程如下图。

 

 

dl_inference提供了可以由用户自定义的接口文件preprocess（模型执行前数据预处理）和postprocess（模型执行后数据后处理）。在preprocess中，可以对传入的推理数据和参数进行预处理操作，比如对图片的字节流数据进行处理，返回模型推理需要的Tensor类型数据；在postprocess中，可以对模型返回的推理结果进行处理，比如对结果进行筛选并剔除多余结果数据，或者将结果数据进行压缩、数学变换等操作。支持推理前后的数据处理，使得线上线下可以使用同一套数据处理，极大的简化了算法开发人员部署模型的工作量，同时还可以在远程部署时，减小网络传递的数据包大小，提高整体推理性能。

 

不同的业务场景模型实现不尽相同，为了支持在不同场景下的模型调用需求，用户可以在自定义接口文件中，重新定义模型的执行过程。默认的模型执行是单次执行，自定义接口函数中，可以多次执行同一个模型，或通过推理数据的参数修改模型内部权重，然后再进行模型调用，实现同一模型适应不通场景下的推理。dl_inference开放了模型调用的过程，提高了模型实现的灵活性，从而满足不同业务方的定制化需求。

提供丰富的应用示例
为了方便大家使用，dl_inference提供了更多模型案例供用户参考，包括：

qa_match

(由58同城开源的基于深度学习的问答匹配工具)训练模型、推荐排序和图像识别模型。

 

注：以上数据均在CPU Intel(R) Xeon(R) CPU E5-2620 v4上测试得到

 

另外在2021年7月58同城举办的第二届算法大赛中，dl_inference发布了Baseline模型，为参选选手提供示例，拓展解题思路。Baseline模型基于MMoE模型完成，详细可参考文章

《WPAI中使用MMoE模型完成58同城AI算法大赛》

。

 

04

 

总结

 

dl_inference2020年3月发布以来完成的三次版本迭代，丰富了使用案例，支持了Caffe框架训练的模型推理，提升了模型在GPU和CPU上推理性能。使用过程中，如遇任何问题可添加“58技术小秘书”为好友，备注“dl_inference”加入官方交流群寻求帮助。

 

 

后续我们还将对这三次版本迭代进行线上的沙龙直播，敬请期待！

 

未来我们会继续优化扩展dl_inference的能力，计划开源如下

 

1、持续优化CPU上推理性能，如兼容Intel的OpenVINO加速组件。

 

2、持续优化GPU上推理性能，如兼容INT8低精度推理、支持更多的算子等。

 

项目地址：https://github.com/wuba/dl_inference

贡献指引：

本次开源只是dl_inference贡献社区的一小步，我们真挚地希望开发者向我们提出宝贵的意见和建议。您可以挑选以下方式向我提交反馈建议和问题

 

1、在https://github.com/wuba/dl_inference 提交PR或者lssue。

 

2、邮件发送至 [email protected]

 

参考资料：

 

[1] 通过Intel MKL优化TensorFlow：https://www.intel.cn/content/www/cn/zh/developer/articles/technical/tensorflow-optimizations-on-modern-intel-architecture.html

 

[2] 在Intel CPU上通过参数配置优化TensorFlow性能：https://www.intel.com/content/www/us/en/developer/articles/technical/maximize-tensorflow-performance-on-cpu-considerations-and-recommendations-for-inference.html

 

[3] Intel深度学习加速调优指南：https://www.intel.cn/content/www/cn/zh/developer/articles/technical/deep-learning-with-avx512-and-dl-boost.html

 

[4] NVIDIA TensorRT介绍：https://docs.nvidia.com/deeplearning/tensorrt/

 

[5] NVIDIA Triton-Inference-Server介绍：https://developer.nvidia.com/nvidia-triton-inference-server

Categories:机器学习

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注