一般在TF serving 在推理测进行控制,可以限制模型大小,可以限制请求数量,同时可以控制排队数量,也可以限制整个的访问数量 。
下面是没有对GPU进行限制的,程序会将GPU占满。
$ nohub tensorflow_model_server \
--rest_api_port=8501 \
--model_name=mobilenet \
--model_base_path="/tmp/mobilenet" >server.log 2>&1
下面加入per_process_gpu_memory_fraction,对资源进行控制
$ nohub tensorflow_model_server \
--per_process_gpu_memory_fraction=0.3 \
--rest_api_port=8501 \
--model_name=mobilenet \
--model_base_path="/tmp/mobilenet" >server.log 2>&1
在k8s容器里面跑,也可以使用这个参数来控制gpu内存使用。
$ nvidia-docker run -t --rm -p 8501:8501 \
-v "$TESTDATA/mobilenet:/models/mobilenet" \
-e MODEL_NAME=mobilenet \
tensorflow/serving:latest-gpu \
--per_process_gpu_memory_fraction=0.5
在一个容器多个GPU来控制gpu内存使用
1.如果本身有AI平台的调度功能,可以通过一些配置来达到目的
2.如果没有k8s,就一个裸的机器,那么可以使用
$ NV_GPU=${GPU_id} nvidia-docker run -t --rm -p8501:8501 \
-v "$TESTDATA/mobilenet:/models/mobilenet" \
-e MODEL_NAME=mobilenet \
tensorflow/serving:latest-gpu \
--per_process_gpu_memory_fraction=0.5
计算运算资源,涉及有很多参数,这里列出常用参数,进行估算。
1.max_batch_size:一个批次处理的最大请求数量。设定后会将多个请求合并为一个batch进行处理。
2.batch_timeout_micros:在请求未累积到max_batch_size时,等待服务的最大时长。如超时,则直接处理该批次请求。
3.num_batch_threads:服务可并发处理的batch数量,通常不大于分配的CPU核数;
4.max_enqueued_batches: 调度器队列中最大batch数量。如果当前队列已满,那么之后的请求会返回错误。
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsICM38FdsYkRGZkRG9lcvx2bjxiNx8VZ6l2cs0TPn1UMNpmT5VlaNBDOsJGcohVYsR2MMBjVtJWd0ckW65UbM5WOHJWa5kHT20ESjBjUIF2X0hXZ0xCMx81dvRWYoNHLrdEZwZ1Rh5WNXp1bwNjW1ZUba9VZwlHdssmch1mclRXY39CXldWYtlWPzNXZj9mcw1ycz9WL49zZuBnL5AjN0ETNzIjM4AjMwAjMwIzLc52YucWbp5GZzNmLn9Gbi1yZtl2Lc9CX6MHc0RHaiojIsJye.png)