NVIDIA Triton 系列文章（11）：模型类别与调度器-2

在上篇文章中，已经说明了有状态（stateful）模型的“控制输入”与“隐式状态管理”的使用方式，本文内容接着就继续说明“调度策略”的使用。 （续前一篇文章的编号） (3) 调度策略（Scheduling Strategies）在决定如何对分发到同一模型实例的序列进行批处理时，序列批量处理器（sequence batcher）可以采用以下两种调度策略的其中一种：

• 直接（direct）策略

当模型维护每个批量处理槽的状态，并期望给定序列的所有推理请求都分发到同一槽，以便正确更新状态时，需要使用这个策略。此时，序列批量处理程序不仅能确保序列中的所有推理请求，都会分发到同一模型实例，并且确保每个序列都被分发至模型实例中的专用批量处理槽（batch slot）。 下面示例的模型配置，是一个 TensorRT 有状态模型，使用直接调度策略的序量批处理程序的内容：

name: "direct_stateful_model"platform: "tensorrt_plan"max_batch_size: 2sequence_batching{ max_sequence_idle_microseconds: 5000000direct { } control_input [{name: "START" control [{ kind: CONTROL_SEQUENCE_START fp32_false_true: [ 0, 1 ]}]},{name: "READY" control [{ kind: CONTROL_SEQUENCE_READY fp32_false_true: [ 0, 1 ]}]}]}#续接右栏

#上接左栏input [{name: "INPUT" data_type: TYPE_FP32dims: [ 100, 100 ]}]output [{name: "OUTPUT" data_type: TYPE_FP32dims: [ 10 ]}]instance_group [{ count: 2}]

现在简单说明以下配置的内容：

• sequence_batching 部分指示模型会使用序列调度器的 Direct 调度策略；
• 示例中模型只需要序列批处理程序的启动和就绪控制输入，因此只列出这些控制；
• instance_group 表示应该实例化模型的两个实例；
• max_batch_size 表示这些实例中的每一个都应该执行批量大小为 2 的推理计算。

下图显示了此配置指定的序列批处理程序和推理资源的表示： 每个模型实例都在维护每个批处理槽的状态，并期望将给定序列的所有推理请求分发到同一槽，以便正确更新状态。对于本例，这意味着 Triton 可以同时 4 个序列进行推理。 使用直接调度策略，序列批处理程序会执行以下动作：

所识别的推理请求种类	执行动作
需要启动新序列	1. 有可用处理槽时：就为该序列分配批处理槽2. 无可用处理槽时：就将推理请求放在积压工作中
是已分配处理槽序列的一部分	将该请求分发到该配置好的批量处理槽
是积压工作中序列的一部分	将请求放入积压工作中
是最后一个推理请求	1. 有积压工作时：将处理槽分配给积压工作的序列2. 有积压工作：释放该序列处理槽给其他序列使用

下图显示使用直接调度策略，将多个序列调度到模型实例上的执行： 图左显示了到达 Triton 的 5 个请求序列，每个序列可以由任意数量的推理请求组成。图右侧显示了推理请求序列是如何随时间安排到模型实例上的，

• 在实例 0 与实例 1 中各有两个槽 0 与槽 1；
• 根据接收的顺序，为序列 0 至序列 3 各分配一个批量处理槽，而序列 4 与序列 5 先处于排队等候状态；
• 当序列 3 的请求全部完成之后，将处理槽释放出来给序列 4 使用；
• 当序列 1 的请求全部完成之后，将处理槽释放出来给序列 5 使用；

以上是直接策略对最基本工作原理，很容易理解。 接下来要进一步使用控制输入张量与模型通信的功能，下图是一个分配给模型实例中两个批处理槽的两个序列，每个序列的推理请求随时间而到达，START 和 READY 显示用于模型每次执行的输入张量值：  随着时间的推移（从右向左），会发生以下情况：

• 序列中第一个请求（Req 0）到达槽 0 时，因为模型实例尚未执行推理，则序列调度器会立即安排模型实例执行，因为推理请求可用；
• 由于这是序列中的第一个请求，因此 START 张量中的对应元素设置为 1，但槽 1 中没有可用的请求，因此 READY 张量仅显示槽 0 为就绪。
• 推理完成后，序列调度器会发现任何批处理槽中都没有可用的请求，因此模型实例处于空闲状态。
• 接下来，两个推理请求（上面的 Req 1 与下面的 Req 0）差不多的时间到达，序列调度器看到两个处理槽都是可用，就立即执行批量大小为 2 的推理模型实例，使用 READY 显示两个槽都有可用的推理请求，但只有槽 1 是新序列的开始（START）。
• 对于其他推理请求，处理以类似的方式继续。

以上就是配合控制输入张量的工作原理。

• 最旧的（oldest）策略

这种调度策略能让序列批处理器，确保序列中的所有推理请求都被分发到同一模型实例中，然后使用“动态批处理器”将来自不同序列的多个推理批量处理到一起。 使用此策略，模型通常必须使用 CONTROL_SEQUENCE_CORRID 控件，才能让批量处理清楚每个推理请求是属于哪个序列。通常不需要 CONTROL_SEQUENCE_READY 控件，因为批处理中所有的推理都将随时准备好进行推理。 下面是一个“最旧调度策略”的配置示例，以前面一个“直接调度策略”进行修改，差异之处只有下面所列出的部分，请自行调整：

直接（direct）策略	最旧的（oldest）策略
direct {}	oldest { max_candidate_sequences: 4 }

在本示例中，模型需要序列批量处理的开始、结束和相关 ID 控制输入。下图显示了此配置指定的序列批处理程序和推理资源的表示。 使用最旧的调度策略，序列批处理程序会执行以下工作：

所识别的推理请求种类	执行动作
需要启动新序列	尝试查找具有候选序列空间的模型实例，如果没有实例可以容纳新的候选序列，就将请求放在一个积压工作中
已经是候选序列的一部分	将该请求分发到该模型实例
是积压工作中序列的一部分	将请求放入积压工作中
是最后一个推理请求	模型实例立即从积压工作中删除一个序列，并将其作为模型实例中的候选序列，或者记录如果没有积压工作，模型实例可以处理未来的序列。

下图显示将多个序列调度到上述示例配置指定的模型实例上，左图显示 Triton 接收了四个请求序列，每个序列由多个推理请求组成： 这里假设每个请求的长度是相同的，那么左边候选序列中送进右边批量处理槽的顺序，就是上图中间的排列顺序。 最旧的策略从最旧的请求中形成一个动态批处理，但在一个批处理中从不包含来自给定序列的多个请求，例如上面序列 D 中的最后两个推理不是一起批处理的。 以上是关于有状态模型的“调度策略”主要内容，剩下的“集成模型”部分，会在下篇文章中提供完整的说明。

---

原文标题：NVIDIA Triton 系列文章（11）：模型类别与调度器-2

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。