ModelArts部署紫东太初大模型推理服务经验分享

• 零、项目背景
  • 需要在ModelArts上部署微调后的下游任务推理服务。
  • 主要踩坑点：
• 一、环境准备
  • MindSpore 1.6.1
  • Docker 20.10.17
  • 紫东太初模型代码
    omni-perception-pretrainer: OPT（Omni-Perception Pre-Trainer）是全场景感知预训练模型的简称，中文名字叫紫东太初，是中科院自动化和华为联合研发的多模态预训练模型，本仓是紫东太初十亿参数级别模型的MindSpore版本代码，包含预训练模型及多个下游任务模型。
  • ckpt权重文件
  • ModelArts账号
• 二、模型转换

  • 1.参照测试代码初始化模型并加载ckpt

  • 2.使用MindSpore.export(net, *inputs, filename=“***”, file_format=“MINDIR”)导出MINDIR模型

    模型格式：当前版本AIR和ONNX均有单网络2G的模型大小限制，目前采用MINDIR进行在线推理。（MINDIR对于超过2G的模型会自动进行切分）

• 三、编写推理服务代码
  • 使用Flask部署服务，代码参考
    https://gitee.com/HUAWEI-ASCEND/mindxsdk-mxfoundationmodel/tree/master/fm/reference/deploy
  • 模型推理部分代码
    代码参考同上，需要注意在初始化的时候异步加载模型，避免ModelArts拉起服务时模型加载超时导致异常退出。
• 四、制作推理服务镜像
  • 参考同上
• 五、ModelArts镜像上传部署
  • 步骤参考ModelArts文档，需要注意需在日志报Warm Up Success后才可正常使用服务，否则有可能超时或服务异常退出。