logo

推理引擎 API 如何实现动态 Batch 推理

作者:有好多问题2026.11.18 11:54浏览量:1

简介:动态 Batch 推理是指在模型构建阶段预留可变化的输入数量范围,并在运行阶段根据实际请求设置本次推理的 Batch 大小。本文从概念、工作原理、API 配置流程、内存管理、INT8 场景、性能优化和常见误区等方面进行说明,帮助开发者理解动态 Batch 与固定 Batch 的区别,并建立可落地的实现思路。

一、动态 Batch 推理是什么

动态 Batch 推理,是指推理引擎允许同一个已构建的模型,在一定范围内处理不同数量的样本。例如,模型可以支持 Batch 为 1、4、8 或 16,而不需要为每一种 Batch 单独构建一份模型。

这里的 Batch,通常表示一次送入模型进行并行计算的样本数量。以图像分类为例:

  • Batch=1:一次推理一张图片;
  • Batch=4:一次推理四张图片;
  • Batch=16:一次推理十六张图片。

固定 Batch 模型要求输入张量的第一维在构建阶段就确定,例如输入形状为:

  1. [8, 3, 224, 224]

这表示模型只能按照 Batch=8 的方式执行,或者需要额外处理不满足数量的请求。动态 Batch 模型则可以将输入形状描述为:

  1. [动态Batch, 3, 224, 224]

同时指定 Batch 的最小值、最优值和最大值,例如:

  1. 最小 Batch:1
  2. 最优 Batch:8
  3. 最大 Batch:32

运行时,应用程序根据实际输入数量设置本次执行的 Batch 大小,推理引擎再根据已经构建好的优化范围选择合适的执行策略。

需要注意的是,动态 Batch 并不等于无限制 Batch。引擎只能在构建阶段声明的有效范围内执行。如果构建时最大 Batch 为 32,那么运行时传入 Batch=64 通常会因为形状超出配置范围而失败。

二、为什么需要动态 Batch

在实际服务中,请求通常不是以固定数量到达的。在线接口可能每次只有一个请求,也可能在短时间内积累多个请求。如果只能使用固定 Batch,就会产生两个问题。

第一,Batch 过小会降低硬件利用率。对于计算量较大的模型,单样本推理可能无法充分利用计算资源,吞吐量受到限制。

第二,Batch 过大会增加等待时间。如果服务端为了凑满 Batch=16 才执行推理,那么只有一个请求到达时,系统可能需要等待其他请求,导致单请求延迟上升。

动态 Batch 的价值在于,在吞吐量和时延之间提供更灵活的平衡:

  • 低并发场景可以使用较小 Batch,减少等待;
  • 高并发场景可以使用较大 Batch,提高并行计算效率;
  • 同一份模型可以适应不同流量阶段;
  • 不需要为 Batch=1、Batch=8、Batch=16 分别维护独立模型;
  • 更适合在线推理、批处理推理和请求聚合场景。

不过,动态 Batch 并不一定在所有情况下都比固定 Batch 快。动态形状会扩大构建和优化范围,运行时也需要根据实际形状选择执行策略。因此,是否使用动态 Batch,应结合请求分布、显存容量、模型结构和时延目标进行评估。

三、动态 Batch 的核心组成

实现动态 Batch 通常需要关注四个部分:动态输入描述、优化配置范围、运行时形状设置以及输入输出内存管理。

1. 动态输入描述

模型输入通常表示为一个多维张量。动态 Batch 的关键是把第一维声明为运行时可变维度,而不是在构建阶段写死。

例如,对于固定尺寸图像模型,可以抽象为:

  1. 输入形状:[Batch, 3, 224, 224]

其中:

  • Batch 是动态维度;
  • 3 是图像通道数;
  • 224 和 224 是固定的空间尺寸。

如果图像的高度和宽度也需要变化,则可能使用:

  1. 输入形状:[Batch, Channel, Height, Width]

这种情况下,Batch、Height 和 Width 都是动态维度,构建配置会更加复杂,显存和性能评估也更困难。

如果业务只需要动态 Batch,建议优先只开放第一维。动态维度越少,构建出的优化范围越集中,运行时行为通常也更容易预测。

2. 优化配置范围

动态输入不能只声明“这一维可变”,还需要明确每个动态维度的取值范围。对于动态 Batch,通常要配置三个形状:

  1. 最小形状:[1, 3, 224, 224]
  2. 最优形状:[8, 3, 224, 224]
  3. 最大形状:[32, 3, 224, 224]

三者的含义并不完全相同:

  • 最小形状表示引擎必须支持的最小输入;
  • 最优形状表示重点优化的常用输入;
  • 最大形状表示允许执行的上限。

最优形状尤其重要。引擎通常会围绕最优形状选择计算算法、工作空间和内存策略。如果线上请求大多数是 Batch=4 或 Batch=8,那么最优形状不应简单设置为最大值,而应根据实际流量统计确定。

如果请求 Batch 分布为 1、2、4、8,且 Batch=4 最常见,可以将 4 作为主要优化点,同时确认其他合法 Batch 仍然可以正常执行。

3. 运行时设置实际形状

模型构建完成后,运行时仍然需要为每次执行设置实际输入形状。构建阶段的动态范围只是声明“允许哪些形状”,并不代表每次执行都会自动确定输入大小。

抽象流程如下:

  1. 创建执行上下文
  2. 获取本次请求的实际 Batch
  3. 组装实际输入形状:[实际Batch, 3, 224, 224]
  4. 设置输入张量形状
  5. 检查形状是否在有效范围内
  6. 绑定输入输出地址
  7. 执行推理

伪代码可以表示为:

  1. context = createExecutionContext()
  2. actualShape = [batchSize, 3, 224, 224]
  3. if not context.setInputShape("input", actualShape):
  4. return error("input shape is outside the configured range")
  5. context.setTensorAddress("input", inputBuffer)
  6. context.setTensorAddress("output", outputBuffer)
  7. context.execute()

上述代码中的函数名仅表示通用流程,实际接口名称应以所使用推理引擎版本的官方定义为准。实现时不能只修改输入数据长度而不更新输入形状,否则引擎可能仍按旧形状解释内存,造成执行失败或数据越界。

4. 输入输出内存管理

Batch 变化会直接改变输入和输出缓冲区大小。假设输入张量形状为:

  1. [Batch, 3, 224, 224]

并使用单精度浮点数据,那么输入内存大小大致为:

  1. Batch × 3 × 224 × 224 × sizeof(float)

如果 Batch 从 1 变成 16,输入缓冲区需求也会近似扩大 16 倍。输出缓冲区同样需要根据输出张量形状计算。

常见内存管理方式有两种:

  1. 按最大 Batch 一次性分配
    适合请求量变化频繁、追求减少重复分配的场景。优点是执行路径稳定,缺点是可能占用较多显存或设备内存。

  2. 按实际 Batch 动态分配
    适合 Batch 变化范围较大、显存资源敏感的场景。优点是节省空间,缺点是频繁分配和释放可能带来额外开销。

实际项目中通常会采用内存池或分档缓存,例如为 Batch=1、4、8、16 准备不同大小的缓冲区,避免每次请求都重新申请内存。

四、动态 Batch 的完整执行流程

一个较完整的实现流程可以分为模型构建阶段和模型执行阶段。

模型构建阶段

第一步,读取模型结构并创建网络定义。

第二步,为输入张量声明动态 Batch 维度。此时不能将 Batch 固定为某一个具体数值。

第三步,创建优化配置,并设置最小、最优、最大输入形状。

第四步,根据目标精度配置计算模式。若使用 INT8 推理,还需要提供符合实际业务分布的校准数据,或者使用模型中已经存在且有效的量化信息。

第五步构建序列化模型。构建成功后,应记录模型支持的输入范围、输出形状、数据类型和精度模式,供运行时校验。

运行时阶段

第一步,接收请求并确定本批次样本数量。

第二步,对输入数据进行预处理,并将多个样本按照 Batch 维度拼接成连续张量。

第三步,根据本次 Batch 计算输入和输出缓冲区需求。

第四步设置实际输入形状,并检查该形状是否在模型允许范围内。

第五步绑定设备内存地址,执行异步或同步推理。

第六步将输出结果拆分回单个请求,并完成后处理。

如果采用请求聚合,还需要增加一个调度器。调度器可以按照最大 Batch、最大等待时间和请求优先级决定何时触发一次推理。例如:

  1. 收到请求
  2. 加入待处理队列
  3. 如果队列数量达到目标 Batch,立即执行
  4. 如果等待时间超过上限,即使未凑满也执行
  5. 执行完成后,将结果分发给各个请求

这种机制被称为动态批处理或请求聚合。它与动态 Batch 模型能力有关,但两者不是同一个概念:动态 Batch 负责“模型能否执行不同 Batch”,请求聚合负责“服务端如何把多个请求组织成一个 Batch”。

五、动态 Batch 与固定 Batch 的区别

固定 Batch 的优点是执行路径简单、内存需求明确、优化空间集中,通常适合离线批处理或请求规模非常稳定的任务。

动态 Batch 的优点是适应性强,能够减少模型副本数量,并在不同流量下灵活调整吞吐量和时延。但它需要额外处理输入形状、内存分配和调度策略。

可以从以下方面进行比较:

对比项 固定 Batch 动态 Batch
输入形状 构建时确定 运行时可变化
模型构建 相对简单 需要配置形状范围
内存管理 容易预估 需要按形状处理
时延控制 路径稳定 受调度和 Batch 影响
吞吐能力 取决于固定值 可根据负载调整
适用场景 稳定批处理 在线服务和波动负载

如果系统只有一种稳定的 Batch,并且对性能有极高要求,固定 Batch 可能更合适。如果请求数量变化明显,动态 Batch 通常更有实用价值。

六、INT8 推理中的动态 Batch

INT8 是一种低精度推理方式,通常可以减少数据传输和计算资源消耗,但需要关注量化误差。动态 Batch 本身主要改变的是输入张量的第一维,并不必然改变量化参数。

对于许多模型,量化比例因子与通道、张量或层有关,而不是与 Batch 数量直接绑定。因此,在正确配置量化信息的前提下,Batch=1 和 Batch=8 可以共享同一套量化模型。

但仍需注意以下问题:

  1. 校准数据应覆盖真实业务分布。
    如果校准样本过少或与线上数据差异较大,动态 Batch 运行时可能出现精度下降。

  2. 不同 Batch 下的内存峰值不同。
    INT8 会降低单元素存储需求,但较大的 Batch 仍可能带来较高的中间张量和工作空间开销。

  3. 需要分别测试精度和性能。
    不能只验证 Batch=1。应至少测试常用 Batch、最大 Batch 和边界 Batch,确认输出误差、执行时间和显存占用均符合预期。

  4. 算子支持情况需要确认。
    如果网络中存在不适合低精度执行的算子,可能需要保留部分层使用更高精度,以平衡稳定性与性能。

七、常见问题与排查方法

1. 运行时 Batch 超出范围

如果构建时最大 Batch 为 32,运行时传入 0 或 64,都可能导致形状检查失败。解决方法是:

  • 在服务入口校验 Batch;
  • 明确最小值和最大值;
  • 对超大请求进行拆分;
  • 对空请求直接拒绝或特殊处理。

2. 只改变数据大小,没有设置动态形状

这是较常见的错误。输入缓冲区的实际长度变化,并不代表执行上下文已经知道新的张量形状。必须先设置实际形状,再执行推理。

3. 输出缓冲区不足

输出大小可能与 Batch 成正比。如果只按照 Batch=1 分配输出内存,而运行时执行 Batch=8,就可能造成越界。应根据输出张量的实际形状计算空间。

4. 把最大 Batch 设置得过大

最大 Batch 越大,不代表性能一定越好。过大的范围可能导致:

  • 构建时间增加;
  • 显存需求增大;
  • 工作空间压力上升;
  • 单请求等待时间变长;
  • 极端请求拖慢整体服务。

最大值应根据业务峰值、硬件资源和时延约束确定,而不是盲目放大。

5. 只追求吞吐量而忽略尾延迟

Batch 增大通常有利于吞吐量,但会增加数据聚合和执行时间。在线服务应同时观察平均延迟、P95、P99 等指标,设置最大等待时间,避免为了凑 Batch 造成请求长时间排队。

八、实践建议

在设计动态 Batch 方案时,可以遵循以下原则:

  1. 优先只开放 Batch 维度,除非业务确实需要动态空间尺寸。
  2. 根据线上请求分布设置最优形状,而不是简单使用最大形状。
  3. 为最小 Batch、常用 Batch 和最大 Batch 做完整测试。
  4. 使用内存池减少频繁申请和释放。
  5. 在服务层限制最大等待时间,避免批处理影响单请求时延。
  6. 对模型构建阶段和运行阶段分别记录日志,便于定位形状配置问题。
  7. 对不同精度模式分别评估吞吐量、显存占用和输出误差。
  8. 如果单一动态模型无法同时满足低延迟和高吞吐,可以考虑按场景构建多个固定 Batch 模型,但需要承担模型维护和内存占用成本。

九、总结

推理引擎 API 实现动态 Batch 的本质,是在模型构建阶段声明可变化的输入维度及其有效范围,在运行阶段根据实际请求设置输入形状,并配合正确的内存管理和请求调度完成执行。

它主要解决的是在线请求数量不稳定、固定 Batch 适应性不足以及模型副本过多等问题。动态 Batch 的关键并不只是把第一维标记为可变,而是要同时完成形状范围配置、运行时形状设置、输入输出缓冲区管理、请求聚合和性能评估。

对于稳定的离线任务,固定 Batch 往往更简单;对于流量波动明显的在线推理服务,动态 Batch 通常更灵活。最终方案应围绕实际请求分布、目标延迟、吞吐量、显存容量和模型精度要求进行选择,而不能仅依据“支持动态 Batch”这一单一特性判断性能。

发表评论

活动