跳转至

创建推理服务

智能算力目前提供以 Triton、vLLM 作为推理框架，用户只需简单配置即可快速启动一个高性能的推理服务。

推理服务控制台

点击创建

准备模型数据集

在智能算力中，我们使用数据集来进行模型文件的管理；方便您将任务训练的模型文件，直接挂载到推理服务中使用。

默认情况下，推荐使用 NFS 或者 S3 服务来存储模型文件；

当您创建成功后，我们会自动进行模型文件预热到集群本地；预热过程不会占用 GPU。

这里以 nfs 为例。

点击创建

创建

目前已经支持表单创建，可以界面字段提示，进行服务创建。

点击创建

配置队列

配置模型路径

参考上图中数据集的的模型位置，这里选择如下：

  • 数据集为 nfs-models模型路径为：THUDM/chatglm2-6b

模型配置

点击创建

配置认证策略

支持 API key 的请求方式认证，用户可以自定义增加认证参数。

高级设置：亲和性调度

支持 根据 GPU 资源等节点配置实现自动化的亲和性调度，同时也方便用户自定义调度策略。

访问

模型推理服务默认提供了多种访问方式，以便客户端可以通过不同的协议与推理服务进行交互。您可以通过以下方式访问服务：

  1. HTTP/REST API:
  2. Triton 提供了一个基于 REST 的 API，允许客户端通过 HTTP POST 请求进行模型推理。

  3. 客户端可以发送 JSON 格式的请求体，其中包含输入数据和相关的元数据。

  4. gRPC API:

  5. Triton 还提供了 gRPC 接口，它是一种高性能、开源、通用的 RPC 框架。

  6. gRPC 支持流式处理，可以更有效地处理大量数据。

  7. C++ 和 Python 客户端库:

  8. Triton 为 C++ 和 Python 提供了客户端库，使得在这些语言中编写客户端代码更加方便。
  9. 客户端库封装了 HTTP/REST 和 gRPC 的细节，提供了简单的函数调用来执行推理。

每种访问方式都有其特定的用例和优势。例如，HTTP/REST API 通常用于简单和跨语言的场景，而 gRPC 则适用于需要高性能和低延迟的应用。C++ 和 Python 客户端库提供了更丰富的功能和更好的性能，适合在这些语言环境中进行深度集成。

API 访问

HTTP 访问

  1. 发送 HTTP POST 请求：使用工具如 curl 或 HTTP 客户端库（如 Python 的 requests 库）向 Triton Server 发送 POST 请求。

  2. 构建请求体：请求体通常包含要进行推理的输入数据，以及模型特定的元数据。

  3. 指定模型名称：在请求中指定你想要访问的模型名称 chatglm2-6b。

  4. 设置 HTTP 头：包含模型输入和输出的元数据。

示例 curl 命令
curl -X POST http://<host>:8000/v2/models/chatglm2-6b/infer \
    -H 'Content-Type: application/octet-stream' 
    --data-binary @input_data
  • <host> 是 Triton Inference Server 运行的主机地址。
  • 8000 是 Triton 默认的 HTTP 端口，如果配置不同，请相应更改。
  • input_data 是你的模型输入数据文件。

gRPC 访问

  1. 生成客户端代码：使用 Triton 提供的模型定义文件（通常是 .pbtxt 文件），生成 gRPC 客户端代码。

  2. 创建 gRPC 客户端实例：使用生成的代码创建 gRPC 客户端。

  3. 发送 gRPC 请求：构造 gRPC 请求，包含模型输入数据。

  4. 接收响应：等待服务器处理并接收响应。

示例 gRPC 访问代码
from triton_client.grpc import *
from triton_client.utils import *

# 初始化 gRPC 客户端
try:
    triton_client = InferenceServerClient('localhost:8001')
except Exception as e:
    logging.error("failed to create gRPC client: " + str(e))

# 构造输入数据
model_name = 'chatglm2-6b'
input_data = ...  # 你的模型输入数据

# 创建输入和输出
inputs = [InferenceServerClient.Input('input_names', input_data.shape, "TYPE")]
outputs = [InferenceServerClient.Output('output_names')]

# 发送推理请求
results = triton_client.infer(model_name, inputs, outputs)

# 获取推理结果
output_data = results.as_numpy('output_names')
  • localhost:8001 是 Triton 默认的 gRPC 端口，如果配置不同，请相应更改。
  • input_data 是你的模型输入数据，需要根据模型要求进行预处理。
  • TYPE 是模型输入的数据类型，如 FP32、INT32 等。

请注意，上述示例代码需要根据你的具体模型和环境进行调整，输入数据的格式和内容也需要符合模型的要求。

评论