1 整体架构

三部分组成：

1. Triton backend

tensorRT_backend、onnx_backend、tfs_backend、torch_backend

2. **Triton model **

不同的模型

3. **Triton model instance **

模型实例
![P2}5X%2ULV(2OAC$_`OKOP.png

2 设计思路

需要实现七个接口：

1. TRITONBACKEND_Initialize：
   • 初始化 Triton backend。
2. TRITONBACKEND_ModelInitialize：
   • 初始化模型配置，包括在 model.config 中指定的配置。
3. TRITONBACKEND_ModelInstanceInitialize：
   • 初始化模型实例，指定模型在哪个 GPU 上执行。
4. TRITONBACKEND_ModelInstanceExecute：
   • 执行模型。

剩下的三个 TRITONBACKEND_ModelFinalize、TRITONBACKEND_ModelInstanceFinalize 和 TRITONBACKEND_Finalize 负责清理工作，不需要关注。

重点是TRITONBACKEND_ModelInstanceExecute，其成员变量ModelState、ModelInstanceState负责实际的模型执行，其具有两方面作用：

1. 维护状态

• ModelState:
  • 维护模型配置信息，例如模型名称、模型输入输出信息、batching size等。
• ModelInstanceState:
  • 记录模型在哪个机器上运行。

2. 模型执行

• modelState:
  • 加载模型。
• modelInstanceState:
  • 模型执行。

3 源码分析

七个接口+两个具体执行类

3.1 TRITONBACKEND_Initialize

检查backend API version

3.2 TRITONBACKEND_ModelInitialize

设置模型名称和版本，创建model_state

model_state具有以下字段，BackendModel的字段是不同模型共有的，ModelState私有字段是torch模型专属的。

3.3 TRITONBACKEND_ModelInstanceInitialize

指定模型示例名称、设备id、以及创建ModelInstanceState

3.4 TRITONBACKEND_ModelInstanceExecute

通过执行ProcessRequests处理Sheduler传过来的批次 requests

3.4.1 max_batch_size_校验

如果max_batch_size > 1 , 输入的total_batch_size <= max_batch_size，shape的第一个纬度是batch大小，对每个请求的batch请和获取total_batch_size。
如果max_batch_size = 0, 则每个请求的batch默认为1。

3.4.2 setInputTensor

1. 所有request具有相同数量的输入tensor
2. 所有request汇聚到连续的CPU或GPU内存中

3.4.3 Execute

调用具体模型执行推理

3.4.4 ReadOutputTensors

处理推理结果

4 backend调优

backend模型配置分为两类，一类是所有backend通用的，一类是不同backend自有的。

4.1 通用配置

可以调整的max_batch_size_、enable_pinned_input_、enable_pinned_output_、ragged_inputs_

  std::string name_;
  uint64_t version_;
  std::string repository_path_;
  bool allow_optional_;

  common::TritonJson::Value model_config_;
  int max_batch_size_;
  bool enable_pinned_input_;
  bool enable_pinned_output_;
  std::vector<BatchInput> batch_inputs_;
  std::vector<BatchOutput> batch_outputs_;
  std::map<std::string, const BatchOutput*> batch_output_map_;
  std::set<std::string> ragged_inputs_;
  std::set<std::string> optional_inputs_;

4.1.1 max_batch_size_

不设置默认批次为1

4.1.2 enable_pinned_input_

TritonMemoryManager是否使用Pinned

Pinned内存优化技术优势包括：

• 加速数据传输：减少CPU与GPU间数据交换延迟，提升计算效率。
• 高性能：保证数据传输速度，适合实时和高性能计算场景。
• 性能稳定：内存访问时间可预测，利于优化应用响应时间。

存在的局限性有：

• 内存占用：固定占用物理RAM，可能影响系统其他部分的内存需求。
• 管理难度：配置复杂，需精确评估内存需求以避免资源浪费。
• 系统影响：不合理使用可能削弱系统整体稳定性和其他应用表现。

4.1.3 ragged_inputs_

Triton 提供了动态批处理功能，该功能可以将多个针对同一模型执行的请求合并，以实现更高的吞吐量。默认情况下，只有当每个请求的输入形状相同时，这些请求才能被动态批处理。为了在输入形状经常变化的情况下利用动态批处理，客户端需要对请求中的输入张量进行填充以达到相同的形状。

4.2 torch_backend自有配置

 // Flag to indicate whether optimized execution is enabled. Defaults to true.
  bool enable_optimized_execution_;

  // Flag to indicate whether inference mode is enabled. Defaults to false.
  bool enable_inference_mode_;

  // Flag to indicate whether cache cleaning after each run is enabled.
  // Defaults to false.
  bool enable_cache_cleaning_;

  // Flag to indicate whether weight sharing is enabled. Defaults to false.
  bool enable_weight_sharing_;

  // Flag pairs to indicate if various JIT settings are set and
  // enabled respectively. Defaults to (false, true). Default behavior
  // is to do nothing if not explicitly set.
  std::pair<bool, bool> enable_tensor_fuser_pair_;
  std::pair<bool, bool> enable_jit_profiling_pair_;
  std::pair<bool, bool> enable_jit_executor_pair_;

4.2.1 enable_optimized_execution_

通启用或禁用图执行器的优化模式。这影响了模型执行时的性能。

4.2.2 enable_inference_mode_

启用或禁用推理模式。这通常会禁用梯度计算，提高推理速度。

4.2.3 enable_cache_cleaning_

是否在每次运行后清理缓存。默认为false，意味着通常不自动清理缓存。

4.2.4 enable_weight_sharing_

是否启用权重共享。这个设置在某些特定结构中（如循环神经网络RNN的多个时间步共享权重）非常有用，可以减少内存占用。默认为false，表示不启用共享，每个权重副本独立存储。

4.2.5 enable_tensor_fuser_pair_

允许根据配置开关来决定是否启用Tensor表达式融合器，这是优化图执行效率的一个重要手段，特别是在GPU上。

4.2.6 enable_jit_profiling_pair_

如果在model_state_中指定了JIT profiling的启用状态，则通过torch::jit::getProfilingMode来设定是否开启profiling，这对于性能分析和优化很有帮助。

4.2.4 enable_jit_executor_pair_

JIT executor模式决定了模型图是否会被即时编译（JIT compiled），通常用于提升执行速度。