本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.
导读：
日前，香侬科技开源 service-streamer 线上模型部署中间件，用于将服务请求排队batch化，大幅度提高GPU利用率。
github开源链接：
https://github.com/ShannonAI/service-streamer
本文作者： 刘欣
service-streamer 作者： 刘欣、吴炜、李晓雅
“ 深度学习模型在训练和测试时，通常使用小批量(mini-batch)的方式将样本组装在一起，这样能充分利用GPU的并行计算特性，加快运算速度。
但在将使用了深度学习模型的服务部署上线时，由于用户请求通常是离散和单次的，若采取传统的循环服务器或多线程服务器，在短时间内有大量请求时，会造成GPU计算资源闲置，用户等待时间线性变长。
基于此， 我们开发了service-streamer，它是一个中间件，将服务请求排队组成一个完整的batch，再送进GPU运算。 这样可以牺牲最小的时延（默认最大0.1s），提升整体性能，极大优化GPU利用率。
功能特色
简单易用: 只需添加两三行代码即可让模型服务提速上数十倍。
处理高速: 高QPS、低延迟，专门针对速度做了优化，见基准测试。
扩展性好: 可轻松扩展到多GPU场景，处理大量请求，见分布式。
适用性强: 中间件，适用于所有深度学习框架和web框架。
安装步骤
可通过 pip 安装，要求 Python>=3.5 :
pip install service_streamer
五分钟搭建BERT服务
为了演示API使用方法，service-streamer提供了一个完整的教程和示例代码。如何在五分钟搭建起基于BERT模型的完形填空服务， 每秒处理1000+请求 。 (点击文章左下角“ 阅读原 文 ”可查看完整代码。 )
1、首先我们定义一个完型填空模型（ bert_model.p y ），其 predict 方法接受批量的句子，并给出每个句子中 [MASK] 位置的预测结果。
class TextInfillingModel ( object );
…
batch=［ “twinkle twinkle [MASK] star”,
“Happy birthday to [MASK]”,
‘the answer to life, the [MASK], and everything’ ]
model=TextaInfillingModel()
outputs=model.predict(batch)
print (outputs)
#[‘little’, ‘you’, ‘universe’ ]
2、然后使用 Flask 将模型封装成web服务 flask_example.py 。这时候你的web服务每秒钟只能完成12句请求。
model=TextInfillingModel()
@app.route( “/naive”, methods=[ “POST” ])
def naive_predic t ( ):
inputs = request.form.getlist( “s” )
outputs = model.predict(inputs)
return jsonify(outputs)
app.run(port= 5005 )
3、下面我们通过 service_streamer 封装你的模型函数，三行代码使BERT服务的预测速度达到每秒200+句(16倍QPS)。
from service_streamer import ThreadStreamer
streamer = ThreadedStreamer (model.predict,
batch_size= 64 , max_latency= 0.1 )
@app.route( “/stream” , methods=[ “POST” ])
def stream_predict ( ):
inputs = request.form.getlist( “s” )
outputs = streamer.predict(inputs)
return jsonify(outputs)
app.run(port= 5005 , debug=False)
4、最后，我们利用 Streamer 封装模型，启动多个GPU worker，充分利用多卡性能实现每秒1000+句(80倍QPS)。
import multiprocessing
from service_streamer import ManagedModel, Streamer
multiprocessing.set_start_method( “spawn” , force= True )
class ManagedBertModel (ManagedModel):
def init_mod el ( self ):
self. model = TextInfillingModel( )
def predi ct ( self , batch):
return self .model.predict(batch)
streamer = Streamer(ManageBertModel,
batch_size= 64 , max_latency= 0.1 ,
worker_num = 8 , cuda_devices=( 0,1,2,3 ))
app.run(port= 5005 , debug= False )
运行 flask_multigpu_example.py 这样即可启动8个GPU worker，平均分配在4张卡上。
更多指南
除了上面的5分钟教程，service-streamer还提供了：
分布式API使用方法，可以配合gunicorn实现web server和gpu worker的分布式；
异步Future API，在本地高频小batch调用的情形下如何利用service-streamer加速；
性能Benchmark，利用wrk进行单卡和多卡的性能测试数据。
API介绍
快速入门
通常深度学习的inference按batch输入会比较快。
outputs = model.predict(batch_inputs)
用 service_streamer 中间件封装 predict 函数，将request 排队成一个完整的batch， 再送进GPU。牺牲一定的时延（默认最大0.1s），提升整体性能，极大提高GPU利用率。
from service_streamer import ThreadedStreamer
# 用Streamer封装batch_predict函数
streamer = ThreadedStreamer(model.predict, batch_size=64, max_latency=0.1)
# 用Streamer封装batch_predict函数
outputs = streamer.predict(batch_inouts)
然后你的web server需要开启多线程（或协程）即可。
短短几行代码，通常可以实现数十（ batch_size/batch_per_request ）倍的加速。
分布式GPU worker
上面的例子是在web server进程中，开启子线程作为GPU worker进行 batch predict，用线程间队列进行通信和排队。
实际项目中web server的性能（QPS）远高于GPU模型的性能，所以我们支持一个web server搭配多个GPU worker进程。
import multiprocessing ;
multiprocessing.set_start_method( “spawn” , force= True )
from service_streamer import Streamer
# spawn出4个gpu worker进程
streamer = Streamer（model.predict, 64 , 0.1 , worker_num= 4 ）
outputs = streamer.redict(batch)
Streamer 默认采用 spawn 子进程运行gpu worker，利用进程间队列进行通信和排队，将大量的请求分配到多个worker中处理，再将模型batch predict的结果传回到对应的web server，并且返回到对应的http response。
上面这种方式定义简单，但是主进程初始化模型，多占了一份显存，并且模型只能运行在同一块GPU上，所以我们提供了ManageModel类，方便模型lazy初始化和迁移，以支持多GPU。
from service_streamer import ManagedModel
class ManagedBertModel (ManagedModel):
def init_mod el ( self ):
self. model = Model( )
def predict ( self , batch):
return self .model.predict(batch)
# spawn出4个gpu worker进程，平均分数在0/1/2/3号GPU上
streamer = Streamer(ManagedBertModel, 64 , 0.1 ,
worker_num= 4 ,cuda_devices=( 0 , 1 , 2 , 3 ))
outputs = streamer.predict(batch)
分布式web server
有时候，你的web server中需要进行一些CPU密集型计算，比如图像、文本预处理，再分配到GPU worker进入模型。CPU资源往往会成为性能瓶颈，于是我们也提供了多web server搭配（单个或多个）GPU worker的模式。
使用跟任意 RedisStreamer 指定所有web server 和GPU worke的模式。
# 默认参数可以省略，使用localhost:6379
streamer = RedisStreamer
(redis_broker= “172.22.22.22:6379” )
然后跟任意python web server的部署一样，用 gunicorn 或 uwsgi 实现反向代理和负载均衡。
cd example
gunicorn -c redis_streamer_gunicorn.py flask_example:app
这样每个请求会负载均衡到每个web server中进行CPU预处理，然后均匀的分布到GPU worke中进行模型predict。
Future API
如果你使用过任意concurrent库，应该对 future 不陌生。当你的使用场景不是web service，又想使用 service_streamer 进行排队或者分布式GPU计算，可以直接使用Future API。
from service_streamer import ThreadedStreamer
streamer = ThreadedStreamer(model.predict, 64 , 0.1 )
xs ={}
for i in range ( 200 ):
future = streamer.submit([“Happy birthday to [MASK]”,
“Today is my lucky [MASK]”])
xs.append(future)
# 先拿到所有future对象，再等待异步返回
for future in xs:
outputs = future.result()
print (outputs)
基准测试
如何做基准测试
我们使用 wrk 来使做基准测试。
环境
GPU : Titan Xp
cuda : 9.0
python : 1.1
单个GPU进程
# start flask threaded server
python example/flask_example.py
# benchmark naive api without service_streamer
./wrk -t 4 -c 128 -d 20s –timeout =10s -s scripts/streamer.lua http://127.0.0.1:5005/naive
# benchmark stream api with service_streamer
./wrk -t 4 -c 128 -d 20s –timeout =10s -s scripts/streamer.lua http://127.0.0.1:5005/naive
多个GPU进程
这里对比单web server进程的情况下，多GPU worker的性能，验证通过和负载均衡机制的性能损耗。Flask多线程server已经成为性能瓶颈，故采用gevent server。
利用Future API使用多个GPU
为了规避web server的性能瓶颈，我们使用底层Future API本地测试多GPU worker的benchmark。
可以看出 service_streamer 的性能跟GPUworker数量及乎成线性关系，其中进程间通信的效率略高于redis通信。
点击左下角 “阅读原文” ，可直达github原文发布链接。
service-streamer 作者
刘欣， Meteorix，毕业于华中科技大学，前网易游戏技术总监，现任香侬科技算法架构负责人 。 之前专注游戏引擎工具架构和自动化领域，2018年在GDC和GoogleIO开源Airtest自动化框架，广泛应用于Unity3d/Cocos2dx游戏和网易、暴雪、SE等公司。目前负责香侬NLP领域工程化、算法平台架构。
吴炜， 香侬科技NLP算法工程师，毕业于北京大学 。 曾经在自然语言处理顶级会议ACL,EMNLP以第一作者身份发表多篇论文。现在负责香侬科技NLP工程算法开发落地相关工作。
李晓雅， 香侬科技NLP算法工程师，毕业于北京邮电大学。 在自然语言处理顶级会议ACL2019以第一作者身份发表两篇长文。负责香侬科技NLP工程算法开发落地相关工作。
Be First to Comment