NVIDIA Triton 系列文章（11）：模型类别与调度器-1

在 Triton 推理服务器的使用中，模型（model）类别与调度器（scheduler）、批量处理器（batcher）类型的搭配，是整个管理机制中最重要的环节，三者之间根据实际计算资源与使用场景的要求去进行调配，这是整个 Triton 服务器中比较复杂的部分。

在模型类别中有“无状态（stateless）”、“有状态（stateful）”与“集成（ensemble）”三种，调度器方面则有“标准调度器（default scheduler）”与“集成调度器（ensemble scheduler）”两种，而标准调度器下面还有“动态批量处理器（dynamic batcher）”与“序列批量处理器（sequence batcher）”两种批量处理器。

模型类别与调度器/批量处理器之间存在一些关联性，以下整理出一个简单的配合表格，提供大家参考：

类别	调度器	批量处理器	使用场景
无状态	标准调度器	动态批量处理器	面向各自独立的推理模型
有状态	标准调度器	序列批量处理器	处理存在交互关系的推理模型组
集成	集成调度器		创建复杂的工作流水线

接下去就要为这几个管理机制的组合进行说明，由于内容较多并且不均衡，特别是“有状态模型”与“集成模型”两部分的使用是相对复杂的，因此这些组合会分为三篇文章来进行较为深入的说明。

1. 无状态（Stateless）模式：

这是 Triton 默认的模型模式，最主要的要求就是“模型所维护的状态不跨越推理请求”，也就是不存在与其他推理请求有任何交互关系，大部分处于最末端的独立推理模型，都适合使用这种模式，例如车牌检测最末端的将图像识别成符号的推理、为车辆识别颜色/种类/厂牌的图像分类等，还有 RNN 以及具有内部内存的类似模型，也可以是无状态的。

2. 有状态（Stateful）模式：

很多提供云服务的系统，需要具备同时接受多个推理请求去形成一系列推理的能力，这些推理必须路由到某些特定模型实例中，以便正确更新模型维护的状态。此外，该模型可能要求推理服务器提供控制信号，例如指示序列的开始和结束。

Triton 服务器提供动态（dynamic）与序列（sequence）两种批量处理器（batcher），其中序列批量处理器必须用于这种有状态模式，因为序列中的所有推理请求都被路由到同一个模型实例，以便模型能够正确地维护状态。

序列批量处理程序还需要与模型相互传递信息，以指示序列的开始、结束、具有可执行推理请求的时间，以及序列的关联编号（ID）。当对有状态模型进行推理请求时，客户端应用程序必须为序列中的所有请求提供相同的关联编号，并且还必须标记序列的开始和结束。

下面是这种模式的控制行为有“控制输入”、“隐式状态管理”与“调度策略”三个部分，本文后面先说明控制输入的内容，另外两个部分在下篇文章内讲解。

(1) 控制输入（control inputs）

为了使有状态模型能够与序列批处理程序一起正确运行，模型通常必须接受 Triton 用于与模型通信的一个或多个控制输入张量。

模型配置的sequence_batching里的control_input部分，指示模型如何公开序列批处理程序应用于这些控件的张量。所有控件都是可选的，下面是模型配置的一部分，显示了所有可用控制信号的示例配置：

• 开始（start）：

这个输入张量在配置中使用“CONTROL_SEQUENCE_START”指定，上面配置表明模型有一个名为“START”的输入张量，其数据类型为 32 位浮点数，序列批量处理程序将在对模型执行推理时定义此张量。

START 输入张量必须是一维的，大小等于批量大小，张量中的每个元素指示相应批槽中的序列是否开始。上面配置中“fp32_false_true”表示，当张量元素等于 0 时为“false（不开始）”、等于 1 时为“ture（开始）”。

• 结束（End）：

结束输入张量在配置中使用“CONTROL_SEQUENCE_END”指定，上面配置表明模型有一个名为“END”的输入张量，具有 32 位浮点数据类型，序列批处理程序将在对模型执行推理时定义此张量。

END 输入张量必须是一维的，大小等于批量大小，张量中的每个元素指示相应批槽中的序列是否开始。上面配置中“fp32_false_true”表示，当张量元素等于 0 时为“false（不结束）”、等于 1 时为“ture（结束）”。

• 准备就绪（Ready）：

就绪输入张量在配置中使用“CONTROL_SEQUENCE_READY”指定，上面配置表明模型有一个名为“READY”的输入张量，其数据类型为 32 位浮点数，序列批处理程序将在对模型执行推理时定义此张量。

READY 输入张量必须是一维的，大小等于批量大小，张量中的每个元素指示相应批槽中的序列是否开始。上面配置中“fp32_false_true”表示，当张量元素等于 0 时为“false（未就绪）”、等于1时为“ture（就绪）”。

• 关联编号（Correlation ID）：

关联编号输入张量在配置中使用“CONTROL_SEQUENCE_CORRID”指定，上面置表明模型有一个名为“CORRID”的输入张量，其数据类型为无符号 64 位整数，序列批处理程序将在对模型执行推理时定义此张量。

CORRID 张量必须是一维的，大小等于批量大小，张量中的每个元素表示相应批槽中序列的相关编号。

(2) 隐式状态管理（implicit State Management）

这种方式允许有状态模型将其状态存储在 Triton 服务器中。当使用隐式状态时，有状态模型不需要在模型内部存储推理所需的状态。不过隐式状态管理需要后端（backend）支持。目前只有 onnxruntime_backend 和 tensorrt_backend 支持隐式状态。

下面是模型配置的一部分，在sequence_batching配置中的 state 部分，就是用于指示该模型正在使用隐式状态：

sequence_batching {
  state  [
    {
       input_name: "INPUT_STATE"
       output_name: "OUTPUT_STATE"
       data_type: TYPE_INT32
      dims:  [ -1 ]
    }
  ]
}

这里做简单的说明：

• 字段说明：

• input_name 字段：指定将包含输入状态的输入张量的名称；
• output_name 字段：描述由包含输出状态的模型生成的输出张量的名称；
• dims 字段：指定状态张量的维度。

• 执行要点：

• 序列中第 i 个请求中模型提供的输出状态，将用作第 i+1 个请求中的输入状态；
• 当 dims 字段包含可变大小的维度时，输入状态和输出状态的尺度不必匹配；
• 出于调试目的，客户端可以请求输出状态。为了实现这个目的，模型配置的输出部分必须将输出状态（OUTPUT_STATE）列为模型的一个输出；
• 由于需要传输额外的张量，从客户端请求输出状态可能会增加请求延迟。

默认情况下，序列中的启动请求包含输入状态的未初始化数据。模型可以使用请求中的开始标志来检测新序列的开始，并通过在模型输出中提供初始状态来初始化模型状态，如果模型状态描述中的 dims 部分包含可变尺度，则 Triton 在开始请求时将每个可变尺寸设置为“1”。对于序列中的其他非启动请求，输入状态是序列中前一个请求的输出状态。

对于状态初的初始化部分，有以下两种状况需要调整：

• 启动请求时：则模型将“OUTPUT_STATE”设置为等于“INPUT”张量；

• 非启动请求时：将“OUTPUT_STATE”设为“INPUT”和“INPUT_STATE”张量之和。

除了上面讨论的默认状态初始化之外，Triton 还提供了“从 0 开始”与“从文件导入”两种初始化状态的机制。下面提供两种初始化的配置示例：

两个配置只有粗体部分不一样，其余内容都是相同的，提供读者做个参考。

以上是关于有状态模型的“控制输入”与“隐式状态管理”的使用方式，剩下的“调度策略”部分，会在后文中提供完整的说明。

---

原文标题：NVIDIA Triton 系列文章（11）：模型类别与调度器-1

文章出处：【微信公众号：NVIDIA英伟达企业解决方案】欢迎添加关注！文章转载请注明出处。