背景
大模型训练好后，进行部署时，发现可使用的显卡容量远大于模型占用空间 。是否可以同时加载多个模型实例到显存空间，且能实现多个实例同时并发执行？本次实验测试基于mps的方案，当请求依次过来时，多个相同的实例推理任务就可以同时运行。显然，该方法需要显卡测提供某种支持。这种就是 nvidia 的 Multi-Processing Services，即显卡多进程服务。一些网上公布的资料[1]，主要是基于已经编译好的二进制程序在终端，通过指定不同的配置参数，如多进程数量，测试不同进程数执行同样的推理任务耗时，来证明mps对于并发推理任务的支持。本次实验基于Pytorch的模型仓库和多进程库，来实现类似的测试。
MPS的开启和关闭
# 服务开启 export CUDA_VISIBLE_DEVICES=0 nvidia-smi -i 0 -c 3 # -c 3 同 -c EXCLUSIVE_PROCESS nvidia-cuda-mps-contrl -d
服务开启成功后并不会有任何显示，只有当运行一次任务后才能看到服务进程。
# 服务关闭 sudo nvidia-cuda-mps-control quit # 通常不能关闭mps服务，需要强制关闭 ps -ef | grep mps # 查看mps的进程号 sudo kill -9 mps的进程号
Pytorch 多进程管理多个cuda流
nvidia显卡上的并发推理计算，是通过cuda流来管理的。在 mps 服务的模型中，cpu进程与cuda流的关系，可以总结为，一个cpu进程管理一个或多个流 [2]。
一个流对应一个工作队列
客户端一个进程管理两个流
根据以上文献资料指导，编写基于Pytorch多进程客户端测试代码：
import torch import torchvision import time import os import torchvision.models as models from PIL import Image import copy device = torch.device('cuda') # 装饰器，用于计算推理耗时 def getCompDuration(func): def warpper(*args, **kwargs): print("%s is running" % func.__name__) start = time.time() result = func(*args, **kwargs) end = time.time() computeTime = end - start print('forward time cost: %.5f sec' %computeTime) return result return wrapper def getInputData(device = device): img = Image.open('your/data.jpg').convert('RGB') img = torchvision.transforms.ToTensor()(img) print(f'img:{img.shape}, rquires_grad:{img.requires_grad}') imgs = [img.to(device)] return imgs @getCompDuration def modelForwardImage(input, model, nTimes, stream, device = device): pid = os.getpid() model.eval() for i in range(nTimes): with torch.no_grad(): # 非常重要，用于降低显存消耗 predictions = model(input) pred = predictions[0]['boxes'].shape print(f'pid:{pid}, stream:{stream}, predict result:{pred}') def getModels(nProcess, device = device): modellist = [] with torch.no_grad(): model = models.detection.maskrcnn_resnet50_fpn(pretrained = False, pretrained_backbone = False) model.load_state_dict(torch.load('./your/dir/maskrcnn_resnet50_fpn_coco-bf2d0c1e.pth')) for i in range(nProcess): mod = copy.deepcopy(model) mod.to(device) modellist.append(mod) return modellist def funcInStream(input, model, nTimes): stream = torch.cuda.Stream() with torch.cuda.stream(stream): modelForwardImage(input, model, nTimes, stream) def test(nTimes, nProcess): input = getInputData() # spwan是多任务的一种方式 ctx = torch.multiprocessing.get_context('spawn') models = getModels(nProcess) pool = [] for i in range(nProcess): p = ctx.Process(target = funcInStream, args = (input, models[i], nTimes)) pool.append(p) for p in pool: p.start() if __name__ == '__main__': nTimes = 50 nProcess = 2 test(nTimes, nProcess)
以上代码，可分别控制循环执行nTimes次的maskrcnn的前向推理任务，和nProcess的进程数，观察单进程及多进程执行相同任务的计算耗时。同时可观察打开或者关闭mps服务下，单/多进程执行相同任务的耗时表现。这里提供关闭/开启mps服务后，一组不同控制变量下的耗时记录。
关闭mps服务下，统计不同任务、不同进程数下的耗时情况
| nTimes/nProcess | 1 (单进程)/sec | 2 (双进程)/sec | 双进程耗时/单进程耗时 |
| 50 | 5.77 | (6.80, 5.69) | 1.08 |
| 100 | 11.49 | (19.87, 18.49) | 1.67 |
| 200 | 23.40 | (47.39, 46.01) | 1.99 |
| 400 | 45.00 | (100.18, 98.80) | 2.21 |
开启mps服务下，统计不同任务、不同进程数下的耗时情况
| nTimes/nProcess | 1 (单进程)/sec | 2 (双进程)/sec | 双进程耗时/单进程耗时 |
| 50 | 5.54 | (5.64, 5.48) | 1.00 |
| 100 | 11.08 | (13.73, 13.36) | 1.22 |
| 200 | 23.98 | (28.45, 27.53) | 1.17 |
| 400 | 46.57 | (59.85, 59.89) | 1.29 |
| 400* | 44.59 | (killed, 44.21） | 0.99 |
补充实验 400*，在双进程运行期间，手动关闭一个进程，kill -9 进程号。另一个进程会正常运行直至结束，其运行时间会接近单进程运行时间。
终端运行结果部分展示
总结
- 不开启mps服务下，相同任务的双进程耗时是单进程耗时的2倍，说明双进程是串行运行的。符合预期。
- 开启mps服务下，相同让任务的双进程耗时是单进程耗时的1~1.3倍，说明两个进程在并发运行，但是有抢占某种资源的情况，无法做到接近单进程耗时，需要进一步研究。
参考文档
[1] 如何使用MPS提升GPU计算收益
[2] IMPROVING GPU UTILIZATION WITH MULTI-PROCESS SERVICE (MPS)
