案例簡介

本案例中通過NVIDIA T4 GPU，通過Ronda平臺調用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。本案例主要應用到 NVIDIA T4 GPU、TensorRT和Triton。

本案例主要應用到 NVIDIA T4 GPU、TensorRT和Triton。

客戶簡介及應用背景

騰訊平臺與內容事業(yè)群（簡稱 騰訊PCG）負責公司互聯網平臺和內容文化生態(tài)融合發(fā)展，整合QQ、QQ空間等社交平臺，和應用寶、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)等內容業(yè)務，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)質數字內容體驗。

騰訊PCG機器學習平臺部旨在構建和持續(xù)優(yōu)化符合PCG技術中臺戰(zhàn)略的機器學習平臺和系統，提升PCG機器學習技術應用效率和價值。建設業(yè)務領先的模型訓練系統和算法框架；提供涵蓋數據標注、模型訓練、評測、上線的全流程平臺服務，實現高效率迭代；在內容理解和處理領域，輸出業(yè)界領先的元能力和智能策略庫。機器學習平臺部正服務于PCG所有業(yè)務產品。

客戶挑戰(zhàn)

業(yè)務繁多，場景復雜

業(yè)務開發(fā)語言包括C++/Python

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

模型預處理涉及圖片下載等網絡io

多模型融合流程比教復雜，涉及循環(huán)調用

支持異構推理

模型推理結果異常時，難以方便地調試定位問題

需要與公司內現有協議/框架/平臺進行融合

應用方案

基于以上挑戰(zhàn)，騰訊PCG選擇了采用NVIDIA 的Triton推理服務器，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 等多種深度學習模型框架，可以很好的支持多模型聯合推理的場景，構建起視頻、圖片、語音、文本整個推理服務過程，大大降低多個模型服務的開發(fā)和維護成本。

基于C++ 的基礎架構、Dynamic-batch、以及對 TensorRT 的支持，同時配合 T4 的 GPU，將整體推理服務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)行過程中的數據流狀態(tài)。結合Metrics 和 Perf Analysis等組件，可以快速定位開發(fā)調試，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 加速的數據增強和圖像加載庫。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，進一步提升服務端推理性能。

方案效果及影響

借助NVIDIA Triton 推理框架，配合 DALI/FIL/Python 等Backend，以及 TensorRT，整體推理服務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)務場景中，以更低的成本構建了高性能的推理服務，同時更低的延遲降低了整條系統鏈路的響應時間，優(yōu)化了用戶體驗。

審核編輯：郭婷