记录TritonServer部署多模型到多GPU踩坑 | 京东云技术团队

一、问题是怎么发现的

部署chatglm2和llama2到一个4*V100的GPU机器上遇到问题

config.pbtxt

中设置模型分别在指定gpu上部署实例配置不生效

如以下配置为在gpu0上部署本模型,部署count=1个实例,在gpu1上部署本模型,部署count=2个实例

instance\_group \[ { count: 1 kind: KIND\_GPU gpus: \[ 0 \] },

{ count: 2

kind: KIND_GPU

gpus: \[ 1 \] } \]

部署时发现,所有模型实例都会被部署到gpu0上面, 由于gpu只有16g显存,在部署第一个模型实例成功后,第二个模型实例也会往gpu0上进行加载,最终导致cuda out of memery.

网上搜索发现有人遇到同样的问题,链接: https://github.com/triton-inference-server/server/issues/6124

二、排查问题的详细过程

大佬回答解决方案:

三、如何解决问题

1.在model.py手动获取config.pbtxt配置的gpu编号gpus:\[0\]

instance_group \[

{

count: 1

kind: KIND_GPU

gpus: \[ 0 \]

}

\]

2.设置可用的GPU编号

os.environ\["CUDA\_VISIBLE\_DEVICES"\] = str(device_id)

3.启动成功

四、总结反思:是否可以更快发现问题?如何再次避免等。

triton启动的使用使用 nvidia-smi -l 2 监控显卡想显存, 可以发现所有模型都在往第一个gpu,gpu\[0\]内加载,发现配置config.pbtxt不生效

作者：京东科技 杨建

来源：京东云开发者社区 转载请注明来源