本文主要是对 B 站 Up 主 ZOMI酱 推理系统系列视频 的理解，可以认为是重点笔记。
一、深度学习模型的全生命周期
相信很多人和我一样，刚看到深度学习模型中的推理系统或推理引擎时是一头雾水，因为学习 DL 时通常关注于模型的设计和训练。下图是深度学习模型的全生命周期图，主要分为两大类任务，训练任务和推理任务。
- 训练任务：通常需要执行数小时、数天，一般配置较大的 batch size 以实现较大的吞吐量，训练模型直到指定的准确度或错误率。
- 推理任务：执行 7 x 24 小时服务，此时模型已稳定无需训练，服务于真实数据进行推理预测，一般 batch size 较小。
训练过程通过设计合适的 AI 模型以及损失函数、优化算法等，前向传播并计算损失函数，反向计算梯度，利用优化函数来更新模型，最终目标是使损失函数最小。推理过程是在训练好的模型上，进行一次前向传播得到输出，最终目标是将模型部署在生产环境中。
推理任务相比训练任务的挑战有如下几点：
- 模型被部署为长期运行的服务（需要稳定可靠）；
- 推理时有更苛刻的资源约束（需要在有限算力下服务）；
- 部署的设备型号更加多样，意味着设备架构多样（需要具有通用性）。
二、推理系统架构
推理系统的作用可以理解为提供一个服务，服务的形式可以是 C/S 架构，也可以是微服务架构；服务的内容可以是推荐感兴趣的文章，也可以是精准投放广告。因此，推荐系统的输入应通过 HTTP 或 gRPC 等请求发送，输出则根据业务需要进行定义。下图是推荐系统的架构图，请求响应与处理、监控和调度队列应该是高性能系统的常见组成部分，而推理系统的关键在于模型管理和推理引擎。模型管理可以选择合适的 AI 模型执行推理任务，推理引擎则将各个任务合理分配给各种处理单元（xPU）进行处理。
推理系统的设计通常需要从以下几点考虑：低延迟、高吞吐、准确性、高效率和扩展性。
三、推理引擎架构
下图是推理引擎架构图，推理引擎本身也可以认为是一个基础软件，它提供了一组 API 用于在特定平台（如 CPU、GPU 和 VPU）上进行推理任务。英特尔的 OpenVINO 这样定义推理引擎：
（OpenVINO）推理引擎是一组 C++ 库，提供通用 API，可在您选择的平台（CPU、GPU 或 VPU）上提供推理解决方案。使用推理引擎 API 读取中间表示（IR）、设置输入和输出格式并在设备上执行模型。 虽然 C++ 库是主要实现，但 C 库和 Python bindings（通过 Python 调用 C/C++ 库）也可用。
隐藏在推理引擎的 API 下有许多功能可以实现，如同 Linux 提供的 API 一样，通过暴露的编程接口可以配置网络、管理文件、实现算法等。推理引擎首先要实现的是模型格式转换，深度学习框架多种多样，包括流行的 PyTorch、TensorFlow，以及 Keras、mxnet 等，因此需要转换它们的数据格式以便后续处理。模型压缩的目的是将一个大模型压缩为精简的小模型，由于端侧设备（移动端、桌面端、嵌入式等）的算力有限，参数很多的深度神经网络必须经过压缩才能部署，常用的方法在架构图中也有体现，包括知识蒸馏、剪枝、二值化等。架构中的 Runtime 部分就是实际的推理执行，而 Kernel 则是在具体的设备上进行运算。
推理引擎架构的每一层都有各自的问题，从上到下可以总结出如下问题：
- 如何对不同深度学习框架进行模型转换？（模型转换部分）
- 如何加快调度和执行？（Runtime 部分）
- 如何提高算子的性能？（Kernel 部分）
- 如何利用边缘设备/端侧设备算力？（设备部分）