作者 | 刘欣
简介：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。
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。
GitHub链接：https://github.com/ShannonAI/service-streamer
1、首先我们定义一个完型填空模型（bert_model.py），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=［"twinkletwinkle [MASK] star",
"Happy birthday to [MASK]",
'the answer to life, the [MASK], andeverything']
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_predict( ):
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)
returnisonify(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_model(self):
self.model = TextInfillingModel( )
def predict(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GPUworker，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gpuworker的分布式；
- 异步FutureAPI，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GPUworker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GPUworker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gpuworker，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_model(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
# startflask 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.luahttp://127.0.0.1:5005/naive
#benchmark stream api with service_streamer
./wrk -t 4 -c 128 -d 20s --timeout=10s -s scripts/streamer.luahttp://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。
(*本文为 AI科技大本营转载文章，转载请联系原作者)
