當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

开源项目 | 五分钟搭建BERT服务，实现1000+QPS

發布時間：2024/10/8 编程问答 36 豆豆

生活随笔收集整理的這篇文章主要介紹了开源项目 | 五分钟搭建BERT服务，实现1000+QPS 小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

作者丨劉欣

單位丨香儂科技算法架構負責人

研究方向丨NLP工程化、算法平臺架構

深度學習模型在訓練和測試時，通常使用小批量（mini-batch）的方式將樣本組裝在一起，這樣能充分利用 GPU 的并行計算特性，加快運算速度。?

但在將使用了深度學習模型的服務部署上線時，由于用戶請求通常是離散和單次的，若采取傳統的循環服務器或多線程服務器，在短時間內有大量請求時，會造成 GPU 計算資源閑置，用戶等待時間線性變長。?

基于此，我們開發了 service-streamer，它是一個中間件，將服務請求排隊組成一個完整的 batch，再送進 GPU 運算。這樣可以犧牲最小的時延（默認最大 0.1s），提升整體性能，極大優化 GPU 利用率。

Github開源鏈接：

https://github.com/ShannonAI/service-streamer

功能特色

安裝步驟

可通過 pip 安裝，要求 Python>=3.5：

pip?installservice_streamer

五分鐘搭建BERT服務

為了演示 API 使用方法，service-streamer 提供了一個完整的教程和示例代碼。如何在五分鐘搭建起基于 BERT 模型的完形填空服務，每秒處理 1000+ 請求。點擊文章左下角“閱讀原文”查看完整代碼。
1. 首先我們定義一個完型填空模型（bert_model.py），其 predict 方法接受批量的句子，并給出每個句子中 [MASK] 位置的預測結果。

class?TextInfillingModel(object);???????...batch=［"twinkle?twinkle?[MASK]?star",????????????"Happy?birthday?to?[MASK]",????????????'the?answer?to?life,?the?[MASK],?and?everything']model=TextaInfillingModel()outputs=model.predict(batch)print(outputs)#['little',?'you',?'universe'?]
2. 然后使用 Flask 將模型封裝成 web 服務 flask_example.py。這時候你的 web 服務每秒鐘只能完成 12 句請求。
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)@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. 下面我們通過 service_streamer 封裝你的模型函數，三行代碼使 BERT 服務的預測速度達到每秒 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)????return?isonify(outputs)app.run(port=5005,?debug=False)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)
????return?isonify(outputs)

app.run(port=5005,?debug=False)

4. 最后，我們利用 Streamer 封裝模型，啟動多個 GPU worker，充分利用多卡性能實現每秒 1000+ 句（80 倍 QPS）。
import?multiprocessingfrom?service_streamer?import?ManagedModel,?Streamermultiprocessing.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(ManagedBertModel,?batch_size=64,?max_latency=0.1,?worker_num?=?8,?cuda_devices=(0,1,2,3))app.run(port=5005,?debug=False)
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(ManagedBertModel,?batch_size=64,?max_latency=0.1,?
worker_num?=?8,?cuda_devices=(0,1,2,3))

app.run(port=5005,?debug=False)

運行 flask_multigpu_example.py 這樣即可啟動 8 個 GPU worker，平均分配在 4 張卡上。

API介紹

快速入門
通常深度學習的 inference 按 batch 輸入會比較快。
outputs?=?model.predict(batch_inputs)

用 service_streamer 中間件封裝 predict 函數，將 request 排隊成一個完整的 batch，再送進 GPU。犧牲一定的時延（默認最大 0.1s），提升整體性能，極大提高 GPU 利用率。
from?service_streamer?import?ThreadedStreamer#?用Streamer封裝batch_predict函數streamer?=?ThreadedStreamer(model.predict,?batch_size=64,?max_latency=0.1)#?用Streamer異步調用predict函數outputs?=?streamer.predict(batch_inouts)import?ThreadedStreamer

#?用Streamer封裝batch_predict函數
streamer?=?ThreadedStreamer(model.predict,?batch_size=64,?max_latency=0.1)

#?用Streamer異步調用predict函數
outputs?=?streamer.predict(batch_inouts)

然后你的 web server 需要開啟多線程（或協程）即可。?
短短幾行代碼，通常可以實現數十（batch_size/batch_per_request）倍的加速。
分布式GPU worker?
上面的例子是在 web server 進程中，開啟子線程作為 GPU worker 進行 batch predict，用線程間隊列進行通信和排隊。?
實際項目中 web server 的性能（QPS）遠高于 GPU 模型的性能，所以我們支持一個 web server 搭配多個 GPU worker 進程。
import?multiprocessing;?multiprocessing.set_start_method("spawn",?force=True)from?service_streamer?import?Streamer#?spawn出4個gpu?worker進程streamer?=?Streamer（model.predict,?64,?0.1,?worker_num=4）outputs?=?streamer.redict(batch)
multiprocessing.set_start_method("spawn",?force=True)
from?service_streamer?import?Streamer

#?spawn出4個gpu?worker進程
streamer?=?Streamer（model.predict,?64,?0.1,?worker_num=4）
outputs?=?streamer.redict(batch)

Streamer 默認采用 spawn 子進程運行 gpu worker，利用進程間隊列進行通信和排隊，將大量的請求分配到多個 worker 中處理，再將模型 batch predict 的結果傳回到對應的 web server，并且返回到對應的 http response。

上面這種方式定義簡單，但是主進程初始化模型，多占了一份顯存，并且模型只能運行在同一塊 GPU 上，所以我們提供了 ManageModel 類，方便模型 lazy 初始化和遷移，以支持多 GPU。
from?service_streamer?import?ManagedModelclass?ManagedBertModel(ManagedModel):???def?init_model(self):???????self.model?=?Model(?)??def?predict(self,?batch):??????return?self.model.predict(batch)?#?spawn出4個gpu?worker進程，平均分數在0/1/2/3號GPU上streamer?=?Streamer(ManagedBertModel,?64,?0.1,?worker_num=4,cuda_devices=(0,1,2,3))outputs?=?streamer.predict(batch)import?ManagedModel

class?ManagedBertModel(ManagedModel):

???def?init_model(self):
???????self.model?=?Model(?)

??def?predict(self,?batch):
??????return?self.model.predict(batch)?

#?spawn出4個gpu?worker進程，平均分數在0/1/2/3號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?
有時候，你的 web server 中需要進行一些 CPU 密集型計算，比如圖像、文本預處理，再分配到 GPU worker 進入模型。CPU 資源往往會成為性能瓶頸，于是我們也提供了多 web server 搭配（單個或多個）GPU worker 的模式。
使用 RedisStreamer 指定所有 web server 和 GPU worker 共用的 redis broker 地址。
#?默認參數可以省略，使用localhost:6379streamer?=?RedisStreamer(redis_broker="172.22.22.22:6379")
streamer?=?RedisStreamer
(redis_broker="172.22.22.22:6379")

然后跟任意 python web server 的部署一樣，用 gunicorn 或 uwsgi 實現反向代理和負載均衡。
cd?examplegunicorn?-c?redis_streamer_gunicorn.py?flask_example:app

這樣每個請求會負載均衡到每個 web server 中進行 CPU 預處理，然后均勻的分布到 GPU worke 中進行模型 predict。

Future API

如果你使用過任意 concurrent 庫，應該對 future 不陌生。當你的使用場景不是 web service，又想使用 service_streamer 進行排隊或者分布式 GPU 計算，可以直接使用 Future API。
from?service_streamer?import?ThreadedStreamerstreamer?=?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對象，再等待異步返回for?future?in?xs:?????outputs?=?future.result()?????print(outputs)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對象，再等待異步返回
for?future?in?xs:
?????outputs?=?future.result()
?????print(outputs)

基準測試

如何做基準測試
我們使用 wrk 來使做基準測試。?
環境

單個GPU進程
#?start?flask?threaded?serverpython?example/flask_example.py#?benchmark?naive?api?without?service_streamer./wrk?-t?4?-c?128?-d?20s?--timeout=10s?-s?scripts/streamer.lua?http://127.0.0.1:5005/naive#?benchmark?stream?api?with?service_streamer./wrk?-t?4?-c?128?-d?20s?--timeout=10s?-s?scripts/streamer.lua?http://127.0.0.1:5005/naive
python?example/flask_example.py

#?benchmark?naive?api?without?service_streamer
./wrk?-t?4?-c?128?-d?20s?--timeout=10s?-s?scripts/streamer.lua?http://127.0.0.1:5005/naive

#?benchmark?stream?api?with?service_streamer
./wrk?-t?4?-c?128?-d?20s?--timeout=10s?-s?scripts/streamer.lua?http://127.0.0.1:5005/naive

多個GPU進程?
這里對比單 web server 進程的情況下，多 GPU worker 的性能，驗證通過和負載均衡機制的性能損耗。Flask 多線程 server 已經成為性能瓶頸，故采用 gevent server。

利用Future API使用多個GPU?
為了規避 web server 的性能瓶頸，我們使用底層 Future API 本地測試多 GPU worker 的 benchmark。

可以看出 service_streamer 的性能跟 GPUworker 數量及乎成線性關系，其中進程間通信的效率略高于 redis 通信。

點擊以下標題查看更多往期內容：?

KDD Cup 2019 AutoML Track冠軍團隊技術分享
神經網絡架構搜索（NAS）綜述 | 附資料推薦
小米拍照黑科技：基于NAS的圖像超分辨率算法
深度解讀：小米AI實驗室最新成果FairNAS
自動機器學習（AutoML）最新綜述
NAS-FPN：基于自動架構搜索的特征金字塔網絡

#投稿通道#

?讓你的論文被更多人看到?

如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

??來稿標準：

? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 訪問項目主頁

總結

以上是生活随笔為你收集整理的开源项目 | 五分钟搭建BERT服务，实现1000+QPS的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇： BERT or XLNet，围观NLP巅
下一篇：如何用最简单的方式理解傅立叶变换？