衡量和优化 TensorFlow 推理系统的性能

Last reviewed 2023-11-02 UTC

注意：本文档或部分引用了 Google 认为不尊重或冒犯他人的一个或多个术语。之所以使用这些术语，是因为它们是本文档所描述的软件中的关键字。

本文档介绍如何衡量您在部署可扩缩的 TensorFlow 推理系统中创建的 TensorFlow 推理系统的性能。此外还介绍了如何应用参数调整来提高系统吞吐量。

部署基于可扩缩的 TensorFlow 推理系统中所述的参考架构。

本系列文章面向熟悉 Google Kubernetes Engine 和机器学习 (ML) 框架（包括 TensorFlow 和 TensorRT）的开发者。

本文档并非用于提供特定系统的性能数据。相反，它会提供有关性能衡量过程的一般指导。 您看到的性能指标（例如每秒总请求数 [RPS] 和响应时间 [ms]）将根据您使用的训练模型、软件版本和硬件配置而有所不同。

架构

如需查看 TensorFlow 推理系统的架构概览，请参阅可扩缩的 TensorFlow 推理系统。

目标

• 定义性能目标和指标
• 衡量基准性能
• 执行图表优化
• 衡量 FP16 转换
• 衡量 INT8 量化
• 调整实例数

费用

如需详细了解与部署关联的费用，请参阅费用。

完成本文档中描述的任务后，您可以通过删除所创建的资源来避免继续计费。如需了解详情，请参阅清理。

准备工作

确保您已完成部署可扩缩的 TensorFlow 推理系统中的步骤。

在本文档中，您将使用以下工具：

• 您在创建工作环境时准备的工作实例的 SSH 终端。
• 您在使用 Prometheus 和 Grafana 部署监控服务器时准备的 Grafana 信息中心。
• 您在部署负载测试工具时准备的 Locust 控制台。

设置目录

1. 在 Google Cloud 控制台中，转到 Compute Engine > 虚拟机实例。

   转到“虚拟机实例”

   您会看到您创建的 working-vm 实例。

2. 如需打开实例的终端控制台，请点击 SSH。

3. 在 SSH 终端中，将当前目录设置为 client 子目录：

   cd $HOME/gke-tensorflow-inference-system-tutorial/client
   

   在本文档中，您将通过此目录运行所有命令。

定义性能目标

在测量推理系统的性能时，您必须根据系统的用例定义性能目标和适当的性能指标。出于演示目的，本文档使用以下性能目标：

• 至少 95% 的请求在 100 毫秒内收到响应。
• 总吞吐量（以每秒请求数 [RPS] 表示）可在不破坏之前的目标的情况下提高。

使用这些假设条件，您可以衡量和改进以下采用不同优化的 ResNet-50 模型的吞吐量。当客户端发送推理请求时，它会使用此表中的模型名称指定模型。

模型名称	优化
original	原始模型（未经 TF-TRT 优化）
tftrt_fp32	图优化 （批次大小：64，实例组：1）
tftrt_fp16	除图优化外，转换为 FP16 （批次大小：64，实例组：1）
tftrt_int8	除图优化外，使用 INT8 进行量化 （批次大小：64，实例组：1）
tftrt_int8_bs16_count4	除图优化外，使用 INT8 进行量化 （批次大小：16，实例组：4）

衡量基准性能

首先，您需要将 TF-TRT 用作基准，以衡量未经优化的原始模型的性能。您可以将其他模型的性能与原始模型的性能进行比较，以便以量化方式评估性能的提升。部署 Locust 后，它已配置为发送对原始模型的请求。

1. 打开您在部署负载测试工具时准备的 Locust 控制台。

2. 确认客户端数量（称为从属）数量为 10。

   如果数字小于 10，则客户端仍在启动。在这种情况下，请等待几分钟，直到它变为 10 为止。

3. 衡量性能：

   1. 在要模拟的用户数字段中，输入 3000。
   2. 在填充率字段中，输入 5。
   3. 如需将模拟用途的每秒数量增加 5，直到达到 3000，请点击开始聚合。

4. 点击图表。

   这些图表显示性能结果。请注意，虽然每秒请求总数值会线性提高，但响应时间（毫秒）值会相应增加。

   

5. 当响应时间的 95% 值超过 100 毫秒时，点击停止即可停止模拟。

   如果将鼠标指针移到图表上，则可以查看每秒 95% 响应时间百分位数超过 100 毫秒的请求数。

   例如，在以下屏幕截图中，每秒请求数为 253.1。

   

   我们建议您多次重复执行该测量，并取平均值来应对波动情况。

6. 在 SSH 终端中，重启 Locust：

   kubectl delete -f deployment_master.yaml -n locust
   kubectl delete -f deployment_slave.yaml -n locust
   kubectl apply -f deployment_master.yaml -n locust
   kubectl apply -f deployment_slave.yaml -n locust
   

7. 要重复测量，请重复此过程。

   注意：对于第一个测量，响应时间可能较大，因为推理服务器需要将模型加载到内存中。在这种情况下，请使用在第二次测量之后的数据。

优化图表

在本部分中，您将衡量模型 tftrt_fp32 的性能，该模型已使用 TF-TRT 优化图表。这是一种与大多数 NVIDIA GPU 卡兼容的常见优化方式。

1. 在 SSH 终端中，重启负载测试工具：

   kubectl delete configmap locust-config -n locust
   kubectl create configmap locust-config \
       --from-literal model=tftrt_fp32 \
       --from-literal saddr=${TRITON_IP} \
       --from-literal rps=10 -n locust
   kubectl delete -f deployment_master.yaml -n locust
   kubectl delete -f deployment_slave.yaml -n locust
   kubectl apply -f deployment_master.yaml -n locust
   kubectl apply -f deployment_slave.yaml -n locust
   

   configmap 资源将模型指定为 tftrt_fp32。

2. 重启 Triton 服务器：

   kubectl scale deployment/inference-server --replicas=0
   kubectl scale deployment/inference-server --replicas=1
   

   等待几分钟，直到服务器过程准备就绪。

3. 检查服务器状态：

   kubectl get pods
   

   输出类似于以下内容，其中 READY 列显示服务器状态：

   NAME                                READY   STATUS    RESTARTS   AGE
   inference-server-74b85c8c84-r5xhm   1/1     Running   0          46s
   

   READY 列中的值 1/1 表示服务器已准备就绪。

4. 衡量性能：

   1. 在要模拟的用户数字段中，输入 3000。
   2. 在填充率字段中，输入 5。
   3. 如需将模拟用途的每秒数量增加 5，直到达到 3000，请点击开始聚合。

   这些图表显示了 TF-TRT 图优化的性能改进。

   例如，您的图表可能显示每秒请求数为 381，响应时间为 59 毫秒。

转换为 FP16

在本部分中，您将衡量模型 tftrt_fp16 的性能，该模型已使用 TF-TRT 优化图表并转换为 FP16。这是适用于 NVIDIA T4 的优化方法。

1. 在 SSH 终端中，重启负载测试工具：

   kubectl delete configmap locust-config -n locust
   kubectl create configmap locust-config \
       --from-literal model=tftrt_fp16 \
       --from-literal saddr=${TRITON_IP} \
       --from-literal rps=10 -n locust
   kubectl delete -f deployment_master.yaml -n locust
   kubectl delete -f deployment_slave.yaml -n locust
   kubectl apply -f deployment_master.yaml -n locust
   kubectl apply -f deployment_slave.yaml -n locust
   

2. 重启 Triton 服务器：

   kubectl scale deployment/inference-server --replicas=0
   kubectl scale deployment/inference-server --replicas=1
   

   等待几分钟，直到服务器过程准备就绪。

3. 衡量性能：

   1. 在要模拟的用户数字段中，输入 3000。
   2. 在填充率字段中，输入 5。
   3. 如需将模拟用途的每秒数量增加 5，直到达到 3000，请点击开始聚合。

   除了 TF-TRT 图优化外，这些图还显示了 FP16 转换的性能改进。

   例如，您的图表可能会显示每秒请求数为 1072.5，响应中位数为 63 毫秒。

使用 INT8 量化

在本部分中，您将衡量模型 tftrt_int8 的性能，该模型已使用 TF-TRT 优化图表并使用 INT8 量化。此优化方法适用于 NVIDIA T4。

1. 在 SSH 终端中，重启负载测试工具。

   kubectl delete configmap locust-config -n locust
   kubectl create configmap locust-config \
       --from-literal model=tftrt_int8 \
       --from-literal saddr=${TRITON_IP} \
       --from-literal rps=10 -n locust
   kubectl delete -f deployment_master.yaml -n locust
   kubectl delete -f deployment_slave.yaml -n locust
   kubectl apply -f deployment_master.yaml -n locust
   kubectl apply -f deployment_slave.yaml -n locust
   

2. 重启 Triton 服务器：

   kubectl scale deployment/inference-server --replicas=0
   kubectl scale deployment/inference-server --replicas=1
   

   等待几分钟，直到服务器过程准备就绪。

3. 衡量性能：

   1. 在要模拟的用户数字段中，输入 3000。
   2. 在填充率字段中，输入 5。
   3. 如需将模拟用途的每秒数量增加 5，直到达到 3000，请点击开始聚合。

   这些图表显示性能结果。

   例如，您的图表可能会显示每秒请求数为 1085.4，响应中位数为 32 毫秒。

   在此示例中，与 FP16 转换相比，结果没有显著提升的性能。从理论上讲，NVIDIA T4 GPU 可以比 FP16 转换模型更快地处理 INT8 量化模型。在这种情况下，除了 GPU 性能之外，可能存在瓶颈。您可以通过 Grafana 信息中心上的 GPU 利用率数据进行确认。例如，如果利用率低于 40%，则表示模型无法完全使用 GPU 性能。

   如下一节所示，您可以通过增加实例组的数量来简化此瓶颈。例如，将实例组的数量从 1 增加到 4，并将批次大小从 64 减小至 16。此方法可将单个 GPU 中处理的请求总数保持在 64 个。

调整实例数

在本部分中，您将衡量模型 tftrt_int8_bs16_count4 的性能。此模型与 tftrt_int8 的结构相同，但您需要按照使用 INT8 量化中的说明更改实例组的批次大小和数量。

1. 在 SSH 终端中，重启 Locust：

   kubectl delete configmap locust-config -n locust
   kubectl create configmap locust-config \
       --from-literal model=tftrt_int8_bs16_count4 \
       --from-literal saddr=${TRITON_IP} \
       --from-literal rps=10 -n locust
   kubectl delete -f deployment_master.yaml -n locust
   kubectl delete -f deployment_slave.yaml -n locust
   kubectl apply -f deployment_master.yaml -n locust
   kubectl apply -f deployment_slave.yaml -n locust
   kubectl scale deployment/locust-slave --replicas=20 -n locust
   

   在此命令中，您将使用 configmap 资源将模型指定为 tftrt_int8_bs16_count4。还可以增加 Locust 客户端 Pod 的数量，以生成足够的工作负载来衡量模型的性能限制。

2. 重启 Triton 服务器：

   kubectl scale deployment/inference-server --replicas=0
   kubectl scale deployment/inference-server --replicas=1
   

   等待几分钟，直到服务器过程准备就绪。

3. 衡量性能：

   1. 在要模拟的用户数字段中，输入 3000。
   2. 在填充率字段中，输入 15。对于此模型，如果填充率设置为 5，则可能需要很长时间才能达到性能限制。
   3. 如需将模拟用途的每秒数量增加 5，直到达到 3000，请点击开始聚合。

   这些图表显示性能结果。

   例如，您的图表可能会显示每秒请求数为 2236.6，响应中位数为 38 毫秒。

   通过调整实例数量，您几乎可以实现每秒的两次请求。请注意，Grafana 信息中心上的 GPU 利用率有所增加（例如，利用率可能会达到 75%）。

性能和多个节点

使用多个节点进行扩缩时，您可以衡量单个 Pod 的性能。由于推理过程以无共享的方式单独在不同的 Pod 上执行，因此您可以假设总吞吐量将与 Pod 的数量线性扩缩。只要客户端和推理服务器之间的网络带宽不存在瓶颈，就可以如此假设。

但是，请务必了解如何在多个推理服务器之间实现推断请求。Triton 使用 gRPC 协议在客户端和服务器之间建立 TCP 连接。由于 Titon 会重复使用发送的连接来发送多个推理请求，因此单个客户端的请求始终会发送到同一服务器。如需分发多个服务器的请求，您必须使用多个客户端。

注意：Locust 中使用的 gRPC 客户端模块在为多个服务器分发请求时遇到问题。请勿使用 Locust 通过多节点配置来衡量 Triton 性能。

清理

为避免系统因本系列中使用的资源向您的 Google Cloud 账号收取费用，您可以删除该项目。

删除项目

警告：删除项目会产生以下影响
• 项目中的所有内容都会被删除。如果您将现有项目用于本文档中的任务，则删除该项目后，还将删除您已在该项目中完成的任何其他工作。
• 自定义项目 ID 丢失。创建此项目时，您可能创建了要在将来使用的自定义项目 ID。要保留使用该项目 ID 的网址（例如 appspot.com 网址），请删除项目内的所选资源，而不是删除整个项目。
1. 在 Google Cloud 控制台中，进入管理资源页面。

   转到“管理资源”

2. 在项目列表中，选择要删除的项目，然后点击删除。
3. 在对话框中输入项目 ID，然后点击关闭以删除项目。

后续步骤

• 了解如何配置用于预测的计算资源。
• 详细了解 Google Kubernetes Engine (GKE)。
• 详细了解 Cloud Load Balancing。
• 如需查看更多参考架构、图表和最佳实践，请浏览云架构中心。