NVIDIA Triton 推理服務(wù)器是 NVIDIA AI 平臺的一部分，它是一款開源推理服務(wù)軟件，可助力標(biāo)準(zhǔn)化模型的部署和執(zhí)行，并在生產(chǎn)環(huán)境中提供快速且可擴展的 AI。

什么是 NVIDIA Triton？

NVIDIA Triton 推理服務(wù)器可助力團隊在任意基于 GPU 或 CPU 的基礎(chǔ)設(shè)施上部署、運行和擴展任意框架中經(jīng)過訓(xùn)練的 AI 模型，進而精簡 AI 推理。同時，AI 研究人員和數(shù)據(jù)科學(xué)家可在不影響生產(chǎn)部署的情況下，針對其項目自由選擇合適的框架。它還幫助開發(fā)者跨云、本地、邊緣和嵌入式設(shè)備提供高性能推理。

NVIDIA Triton特性

支持多個框架

NVIDIA Triton 推理服務(wù)器支持所有主流框架，例如 TensorFlow、NVIDIA TensorRT、PyTorch、MXNet、Python、ONNX、RAPIDS FIL（用于XGBoost、scikit-learn 等）、OpenVINO、自定義 C++ 等。

高性能推理

NVIDIA Triton 支持所有基于 NVIDIA GPU、x86 和 ArmCPU 的推理。它具有動態(tài)批處理、并發(fā)執(zhí)行、最優(yōu)模型配置、模型集成和串流輸入等功能，可更大限度地提高吞吐量和利用率。

專為 DevOps 和 MLOps 設(shè)計

Triton 與 Kubernetes 集成，可用于編排和擴展，導(dǎo)出 Prometheus 指標(biāo)進行監(jiān)控，支持實時模型更新，并可用于所有主流的公有云 AI 和 Kubernetes 平臺。它還與許多 MLOps 軟件解決方案集成。

各項應(yīng)用中快速且可擴展的AI

高推理吞吐量

NVIDIA Triton 可在單個 GPU 或 CPU 上并行指定相同或不同框架下的多個模型。在多 GPU 服務(wù)器中，NVIDIA Triton 會自動為基于每個 GPU 的每個模型創(chuàng)建一個實例，以提高利用率。

它還可在嚴(yán)格的延遲限制條件下優(yōu)化實時推理服務(wù)，通過支持批量推理來更大限度地提高 GPU 和 CPU 利用率，并內(nèi)置對音頻和視頻流輸入的支持。對于需要使用多個模型來執(zhí)行端到端推理（例如對話式 AI）的用例，Triton 支持模型集成。

模型可在生產(chǎn)環(huán)境中實時更新，無需重啟 Triton 或應(yīng)用。Triton 支持對單個 GPU 顯存無法容納的超大模型進行多 GPU 以及多節(jié)點推理。

高度可擴展的推理

作為一個 Docker 容器，Triton 與 Kubernetes 集成，用于編排、指標(biāo)和自動縮放。Triton 還與 Kubeflow 和 Kubeflow 工作流集成，實現(xiàn)端到端的 AI 工作流，并導(dǎo)出 Prometheus 指標(biāo)，用于監(jiān)控 GPU 利用率、延遲、內(nèi)存使用率和推理吞吐量。它支持標(biāo)準(zhǔn)的 HTTP / gRPC 接口，可與 load balancer 等其他應(yīng)用連接，并可輕松擴展到任意數(shù)量的服務(wù)器，以為任意模型處理日益增長的推理負(fù)載。

Triton 可通過一個模型控制 API 來服務(wù)于數(shù)十或數(shù)百個模型。您可基于為適應(yīng) GPU 或 CPU 顯存而進行的改動，將模型加載到推理服務(wù)器中或從推理服務(wù)器中卸載。支持兼具 GPU 和 CPU 的異構(gòu)集群有助于跨平臺實現(xiàn)推理標(biāo)準(zhǔn)化，并動態(tài)擴展到任意 CPU 或 GPU 以處理峰值負(fù)載。

NVIDIA Triton的主要功能

Triton Forest Inference Library (FIL) 后端

新的 Forest Inference Library (FIL) 后端支持在 CPU 和 GPU 上對基于樹的模型進行具有可解釋性（Shapley 值）的高性能推理。它支持來自 XGBoost、LightGBM、scikit-learn RandomForest、RAPIDS cuML RandomForest 以及其他 Treelite 格式的模型。

Triton 模型分析器

Triton 模型分析器是一種自動評估 Triton 部署配置（例如目標(biāo)處理器上的批量大小、精度和并發(fā)執(zhí)行實例）的工具。它有助于選擇優(yōu)化配置，以滿足應(yīng)用的服務(wù)質(zhì)量（QoS）限制（延遲、吞吐量和內(nèi)存要求），并且可以將找到優(yōu)化配置所需的時間從數(shù)周縮短到數(shù)小時。

審核編輯：湯梓紅