6. 算力集群与推理部署

先讲故事

训练可以在实验室里花几周，甚至几个月。推理必须在用户点击之后的几百毫秒里结束——而且往往要同时服务成千上万次点击。本章读的是算力集群上的最后一公里：卡、机柜、互联与调度，怎样把训好的模型变成可值班的服务。路基仍是硬件屋子用三十年铺出来的。

Denny's、三角形，与可编程的并行

1993 年，黄仁勋与马拉科夫斯基、普里姆在圣何塞东边的 Denny's 里把公司谈出来。他们要做的是个人电脑上的 3D 图形。1999 年 GeForce 256 被称为 GPU：几何与光照进了芯片。游戏养活了这条产线。

关键的岔路在 2006–2007 年：统一着色器加上 CUDA，显卡变成科学家可以写 C 的并行机器。那时神经网络还不是最大客户。黄仁勋押的是「可编程的并行」，不是押 2012 年某一篇论文。硬件脉络与黄仁勋

卧室公开课，与矩阵乘成为一等公民

2012 年，克里热夫斯基卧室里的两张 GTX 580，把「游戏卡可以训深度网」上了公开课。时刻三 2017 年 Volta 带上 Tensor Core，矩阵乘变成硬件上的一等公民——和 Transformer 同岁。Hopper、Blackwell，一路把「大模型能服务多少人」写成 NVLink、机柜与高带宽内存的问题。没有这条线，后面所有推理框架都只是软件名词。

软件群像：在别人的约束里抠延迟

模型训完之后，真正挡在产品前面的，常常是显存墙与调度墙。Tri Dao 等人的 FlashAttention 从 IO 意识上重写注意力，让长序列付得起；Woosuk Kwon、Ion Stoica 等人的 vLLM / PagedAttention 把 KV cache 当成可分页的虚拟内存，吞吐才上得去；投机解码（Leviathan 等）用小模型起草、大模型验收，换墙钟时间。NVIDIA 的 TensorRT-LLM、开源侧的 llama.cpp（Georgi Gerganov 等），是同一条战线上的不同工事。群像突破 · 第 6 章

你在本章选框架、选卡、开量化，做的都是：在黄仁勋那间屋子留下的物理约束里，把延迟与成本抠到业务能接受。群像突破里 vLLM、FlashAttention 等人名钉在第 6 章一节。

读完故事再进本章

下面拆框架选择、硬件选择与常见优化。每一项优化背后，先问是算力不够、显存不够，还是调度在等待。

基本概念

推理部署的定义与价值

• 定义：推理部署是将训练好的模型转换为可在实际应用中使用的过程，包括模型优化、服务化封装和基础设施部署。
• 核心价值：
  • 实现AI模型从研发到业务落地的"最后一公里"
  • 支撑规模化商业应用（如搜索引擎、推荐系统、智能客服）
  • 保障模型在生产环境中的性能和稳定性

关键挑战

1. 性能平衡：

   • 模型精度与推理速度的权衡
   • 资源成本与服务质量的平衡
   • 不同硬件平台的适配优化

2. 工程化需求：

   • 高并发（支持万级QPS）
   • 低延迟（通常要求≤50-200ms）
   • 高可用性（99.9%+服务SLA）
   • 弹性扩缩容能力

3. 跨平台适配：

   • 多框架支持（PyTorch/TensorFlow/JAX等）
   • 多硬件支持（CPU/GPU/TPU/专用加速器）
   • 多部署环境（云端/边缘/端侧）

推理部署核心流程

1. 模型准备

• 模型格式：

  • 框架原生格式（如PyTorch .pt, TensorFlow .savedmodel）
  • 通用交换格式（ONNX, TensorRT）
  • 专用优化格式（如量化模型格式）

• 模型元数据：

  • 输入/输出规格（形状、数据类型）
  • 预处理和后处理逻辑
  • 版本信息与依赖项

# PyTorch模型导出示例
import torch

# 1. 加载训练好的模型并设为评估模式
model = torch.load("model.pth")
model.eval()

# 2. 定义一个示例输入
example_input = torch.randn(1, 3, 224, 224)

# 3. 导出为TorchScript格式
scripted_model = torch.jit.script(model)
scripted_model.save("model_scripted.pt")

# 4. 导出为ONNX格式
torch.onnx.export(
    model,               # 模型实例
    example_input,       # 模型输入样本
    "model.onnx",        # 输出文件名
    export_params=True,  # 存储训练好的参数权重
    opset_version=12,    # ONNX算子集版本
    input_names=["input"],
    output_names=["output"],
    dynamic_axes={       # 动态维度
        "input": {0: "batch_size"},
        "output": {0: "batch_size"}
    }
)

2. 模型优化

常用优化技术

# 使用PyTorch进行量化示例
import torch

# 1. 加载模型
model = torch.load("model.pth")

# 2. 准备校准数据加载器 (用于收集统计信息)
calibration_dataloader = get_calibration_dataloader()

# 3. 静态量化
quantized_model = torch.quantization.quantize_dynamic(
    model,                  # 要量化的模型
    {torch.nn.Linear},      # 要量化的层类型
    dtype=torch.qint8       # 量化数据类型
)

# 4. 评估量化后的模型性能
evaluate_model(quantized_model, test_dataloader)

# 5. 保存量化模型
torch.save(quantized_model.state_dict(), "quantized_model.pth")

3. 服务化封装

• 推理服务器：将模型包装为可通过API调用的服务
• 接口规范：REST API, gRPC, WebSocket等
• 功能扩展：
  • 请求验证与鉴权
  • 流量控制（限流/熔断）
  • 请求/响应日志
  • 监控与告警

# 使用FastAPI创建推理服务
from fastapi import FastAPI, File, UploadFile
import torch
from PIL import Image
import torchvision.transforms as transforms
import io

app = FastAPI(title="Model Inference API")

# 1. 加载模型(启动时执行一次)
model = torch.jit.load("model_scripted.pt")
model.eval()

# 2. 定义预处理转换
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

# 3. 创建预测端点
@app.post("/predict")
async def predict(file: UploadFile = File(...)):
    # 读取并预处理图像
    image_data = await file.read()
    image = Image.open(io.BytesIO(image_data))
    image_tensor = transform(image).unsqueeze(0)
    
    # 执行推理
    with torch.no_grad():
        output = model(image_tensor)
        
    # 处理结果
    probabilities = torch.nn.functional.softmax(output[0], dim=0)
    values, indices = torch.topk(probabilities, 5)
    
    # 返回预测结果
    return {
        "predictions": [
            {"class_id": idx.item(), "probability": val.item()}
            for val, idx in zip(values, indices)
        ]
    }

4. 部署与监控

• 部署方式：

  • 容器化（Docker/Kubernetes）
  • Serverless函数（AWS Lambda/Google Cloud Functions）
  • 专用推理服务（如SageMaker/Vertex AI）

• 监控维度：

  • 性能指标（延迟、吞吐量、资源使用率）
  • 服务指标（成功率、错误率、可用性）
  • 模型指标（准确率、预测分布、特征漂移）

部署架构模式

单机部署

• 特点：简单直接，适合低流量场景
• 优势：低复杂度，易于配置和维护
• 局限：单点故障风险，扩展性受限
• 适用场景：开发测试、内部工具、小规模应用

分布式部署

• 特点：多节点协同工作，支持高可用和负载均衡
• 组件：
  • 前端代理（如Nginx/Envoy）
  • 推理服务器集群
  • 模型存储（如S3/HDFS）
  • 监控与管理组件
• 适用场景：生产环境、高流量服务、关键业务系统

边缘部署

• 特点：将模型部署到靠近数据源的位置
• 优势：低延迟，支持离线操作，减少数据传输
• 挑战：资源受限，管理复杂性增加
• 适用场景：IoT设备、移动应用、网络受限环境

本章内容

在本章中，我们将深入探讨：

1. 推理框架选择：对比TensorFlow Serving、TorchServe、ONNX Runtime等框架
2. 硬件选择策略：从CPU到GPU/专用加速器的性能与成本评估
3. 推理优化方法：包括量化、模型剪枝、蒸馏等技术的实践应用
4. 实战案例：在AWS SageMaker上部署图像分类模型

下一节，我们将首先讨论如何选择合适的推理框架。