- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI系统
【AI系统】推理参数
本文将介绍 AI 模型网络参数方面的一些基本概念，以及硬件相关的性能指标，为后面让大家更了解模型轻量化做初步准备。
1.1K10编辑于 2024-12-02 - 来自专栏AI系统
【AI系统】推理流程全景
部署态中的 AI 模型已经完成了训练阶段，被部署到实际应用环境中，如云端服务器、边缘设备、移动应用等，用于实时或近实时地进行推理预测的过程。 此时，AI 模型不再处于学习状态，而是作为服务的一部分，接受输入数据并输出预测结果。云端部署的推理系统更像传统 Web 服务，在边缘侧部署的模型更像手机应用和 IOT 应用系统。 移动设备：如智能手机、平板电脑、智能穿戴设备等，它们内置处理器、内存和操作系统，能够运行轻量级推理应用，实现基于 AI 的个性化服务、实时分析或设备自主决策。 云端部署推理系统的确具备诸多显著优点，使其成为众多企业和课程首选的部署方式。然而，云端部署并非万能解决方案，也伴随着一些特定的挑战。AI 的服务成本非常高昂。 综上所述，云侧推理和部署的全流程涵盖了模型全生命周期管理、服务接口设计、请求处理与调度、推理执行、系统监控以及硬件优化等多个环节，旨在构建一个高效、稳定、可扩展的云上 AI 服务环境。
1.4K11编辑于 2024-12-02 - 来自专栏AI系统
【AI系统】推理系统介绍
推理系统是一个专门用于部署神经网络模型，执行推理预测任务的 AI 系统。它类似于传统的 Web 服务或移动端应用系统，但专注于 AI 模型的部署与运行。 最后，通过比较推理系统与推理引擎的流程结构，将进一步揭示两者在设计和实施时需考虑的关键要素。AI 生命周期在日常生活中，深度学习的相关方法已经广泛的部署到各类的应用当中。 model = models.resnet50(pretrained=True) # 加载预训练的 ResNet50 模型model.eval()dummy_input = torch.randn(1, 3, 引擎 with open("resnet50.trt", "wb") as f: # 将引擎保存到文件 f.write(engine.serialize())# 步骤 3： 根据上图示的 AI 框架、推理系统与硬件之间的关系，可以看到，除了应对应用场景的多样化需求，推理系统还需克服由不同训练框架和推理硬件所带来的部署环境多样性挑战，这些挑战不仅增加了部署优化和维护的难度，而且易于出错
1.4K10编辑于 2024-12-02 - 来自专栏AI系统
【AI系统】推理系统架构
推理系统架构是 AI 领域中的一个关键组成部分，它负责将训练好的模型应用于实际问题，从而实现智能决策和自动化。 为了加快推理速度、减少计算资源的消耗，工程师们常常会使用模型压缩技术，如量化、剪枝和蒸馏。此外，硬件加速（如 GPU、TPU）和专用芯片（如 AI 加速器）也是提高推理效率的重要手段。 多框架支持：兼容 TensorFlow、PyTorch、ONNX 等主流 AI 框架。模型优化：集成 TensorRT 等优化工具，进一步提升模型推理性能。 安全性：支持安全传输和访问控制，保障推理服务的安全性。作为一个强大的推理框架，Triton 能够满足多样化的 AI 应用需求，帮助企业和开发者构建高效、可靠的推理服务。 云模型仓库云模型仓库指的是将模型文件存储在云服务提供商的存储服务上，如谷歌 Cloud Platform (GCP)的 Cloud Storage 或 Amazon Web Services (AWS) 的 S3。
1.6K10编辑于 2024-12-02 - 来自专栏AI系统
【AI系统】推理系统引言
推理的最终目标，便是将训练好的模型部署到实际的生产环境中，使 AI 真正运行起来，服务于日常生活。推理系统，是一个专门用于部署神经网络模型，执行推理预测任务的 AI 系统。 推理引擎，则是推理系统中的重要组成部分，它主要负责 AI 模型的加载与执行。 通过综合运用这些方法，可以在满足服务需要的同时，实现模型的高效推理和部署。在线部署和优化推理引擎的在线部署和优化是确保 AI 模型能够在实际应用中高效运行的关键环节。 为了应对这些挑战，推理引擎的在线部署和优化显得尤为重要。首先，推理引擎需要支持不同 AI 框架训练得到的模型的转换。 人工客服应用推理引擎或推理系统在人工客服和 AI 对话方面有广泛的应用。以下是一些相关的内容：智能客服：推理引擎可以用于实现智能客服系统，能够理解用户的问题并提供准确的答案。
1.1K10编辑于 2024-12-02 - 来自专栏AI系统
【AI系统】推理内存布局
从前文的简单介绍中，我们提到了可以从内存布局上对推理引擎的 Kernel 进行优化，接下来，我们将先介绍 CPU 和 GPU 的基础内存知识，NCHWX 内存排布格式以及详细展开描述 MNN 这个针对移动应用量身定制的通用高效推理引擎中通过数据内存重新排布进行的内核优化 NCHWX在推理引擎中，或者底层 Kernel 层实际上为了更加适配到 DSA 或者 ASIC 专用芯片会使用 NCHWX 内存排布格式，那么下面我们来详细了解一下 NCHWX 数据排布格式。 MNNMNN 是一个轻量级的深度学习端侧推理引擎，核心解决神经网络模型在端侧推理运行问题，涵盖神经网络模型的优化、转换和推理。
1K10编辑于 2024-12-06 - 来自专栏AI系统
【AI系统】推理引擎架构
在深入探讨推理引擎的架构之前，让我们先来概述一下推理引擎的基本概念。推理引擎作为 AI 系统中的关键组件，负责将训练好的模型部署到实际应用中，执行推理任务，从而实现智能决策和自动化处理。 易用性 易用性是衡量一个 AI 推理引擎是否能够被广泛采纳和高效利用的关键指标。 高性能 高性能是推理引擎的灵魂，它直接决定了 AI 应用的响应速度、资源消耗以及用户体验。 例如，一个处理单张 RGB 图像的张量布局为 NHWC 时，形状表示为[1, 224, 224, 3]，意味着 1 个样本，图像尺寸为 224x224 像素，3 个颜色通道。 同样的例子，在 NCHW 布局下，张量形状会是[1, 3, 224, 224]。 假设我们要在一个简单的 CNN 层中应用卷积核，对于每个输出位置，都需要对输入图像的所有通道执行卷积运算。
1.6K21编辑于 2024-12-05 - 来自专栏贾志刚-OpenCV学堂
推理加速GPT-3超越英伟达方案50%！最新大模型推理系统Energon-AI开源，来自Colossal-AI团队
在前沿AI大模型规模呈指数级增长的趋势下，仅凭单卡已经很难满足当下的推理需求。 就拿拥有1750亿参数的GPT-3来说。 仅仅是加载模型参数就需要数百GB的存储空间，远超单个GPU的容纳能力。 为此，大规模并行AI训练系统Colossal-AI团队提出了大模型推理系统Energon-AI。 由于单设备显存无法满足GPT-3推理需求，此处为GPT-3 12层的测试结果，设置句长为Padding的1/2。 FasterTransformer在其4.0版本中推出了分布式推理特性，目前支持GPT-3模型的分布式推理，但由于其纯C++代码高度耦合的特点，灵活度与易用性相对较低。 例如对于GPT-3这样的超大AI模型，相比英伟达方案，Colossal-AI仅需一半的计算资源，即可启动训练；若使用相同计算资源，则能提速11%，可降低GPT-3训练成本超百万美元。
1.7K20编辑于 2022-06-02 - 来自专栏量子位
推理加速GPT-3超越英伟达方案50%！最新大模型推理系统Energon-AI开源，来自Colossal-AI团队
在前沿AI大模型规模呈指数级增长的趋势下，仅凭单卡已经很难满足当下的推理需求。 就拿拥有1750亿参数的GPT-3来说。 仅仅是加载模型参数就需要数百GB的存储空间，远超单个GPU的容纳能力。 为此，大规模并行AI训练系统Colossal-AI团队提出了大模型推理系统Energon-AI。 由于单设备显存无法满足GPT-3推理需求，此处为GPT-3 12层的测试结果，设置句长为Padding的1/2。 FasterTransformer在其4.0版本中推出了分布式推理特性，目前支持GPT-3模型的分布式推理，但由于其纯C++代码高度耦合的特点，灵活度与易用性相对较低。 例如对于GPT-3这样的超大AI模型，相比英伟达方案，Colossal-AI仅需一半的计算资源，即可启动训练；若使用相同计算资源，则能提速11%，可降低GPT-3训练成本超百万美元。
1.3K10编辑于 2022-05-31 转载：【AI系统】推理系统介绍
推理系统是一个专门用于部署神经网络模型，执行推理预测任务的 AI 系统。它类似于传统的 Web 服务或移动端应用系统，但专注于 AI 模型的部署与运行。 最后，通过比较推理系统与推理引擎的流程结构，将进一步揭示两者在设计和实施时需考虑的关键要素。AI 生命周期在日常生活中，深度学习的相关方法已经广泛的部署到各类的应用当中。 model = models.resnet50(pretrained=True) # 加载预训练的 ResNet50 模型model.eval()dummy_input = torch.randn(1, 3, 引擎 with open("resnet50.trt", "wb") as f: # 将引擎保存到文件 f.write(engine.serialize())# 步骤 3： 根据上图示的 AI 框架、推理系统与硬件之间的关系，可以看到，除了应对应用场景的多样化需求，推理系统还需克服由不同训练框架和推理硬件所带来的部署环境多样性挑战，这些挑战不仅增加了部署优化和维护的难度，而且易于出错
94310编辑于 2024-12-12转载：【AI系统】推理系统架构
推理系统架构是 AI 领域中的一个关键组成部分，它负责将训练好的模型应用于实际问题，从而实现智能决策和自动化。 为了加快推理速度、减少计算资源的消耗，工程师们常常会使用模型压缩技术，如量化、剪枝和蒸馏。此外，硬件加速（如 GPU、TPU）和专用芯片（如 AI 加速器）也是提高推理效率的重要手段。 多框架支持：兼容 TensorFlow、PyTorch、ONNX 等主流 AI 框架。 模型优化：集成 TensorRT 等优化工具，进一步提升模型推理性能。 安全性：支持安全传输和访问控制，保障推理服务的安全性。 作为一个强大的推理框架，Triton 能够满足多样化的 AI 应用需求，帮助企业和开发者构建高效、可靠的推理服务。 云模型仓库指的是将模型文件存储在云服务提供商的存储服务上，如谷歌 Cloud Platform (GCP)的 Cloud Storage 或 Amazon Web Services (AWS) 的 S3。
1.4K11编辑于 2024-12-12- 来自专栏云上修行
vLLM: 加速AI推理的利器
Qwen2-7B为例）：python -m vllm.entrypoints.openai.api_server --model Qwen/Qwen2-7B-Instruct其他启动参数详解：python3 --kv-cache-dtype {auto,fp8,fp8_e5m2,fp8_e4m3} kv缓存存储的数据类型。 CUDA 11.8+支持fp8(=fp8_e4m3)和fp8_e5m2。 在ROCm（AMD GPU）上，相反，支持FP8_E4M3以满足常见的推理标准。 通过减少KV缓存的使用，系统能够处理更大的负载并更快地进行推理。
3.3K10编辑于 2024-07-22 全球AI推理扩展技术解析
全球跨区域AI推理扩展技术解析随着组织越来越多地将生成式AI功能集成到应用程序中，AI推理工作负载的规模和重要性不断增长。组织在维护AI驱动应用程序的一致性能、可靠性和可用性方面面临新挑战。 核心功能与技术架构推理配置文件机制推理配置文件定义了基础模型和一个或多个可路由模型调用请求的区域。 配置IAM权限 - 授予适当的AWS身份和访问管理权限以下是Python代码示例：import boto3import jsonbedrock = boto3.client('bedrock-runtime AI应用提供了多项技术优势：峰值需求期间的增强吞吐量 - 通过自动将请求路由到具有可用容量的区域，在需求高峰期间提供改进的弹性成本效益 - 与地理跨区域推理相比，输入和输出令牌定价节省约10%简化监控 AI应用程序、高容量工作负载和灾难恢复场景，通过使用AWS全球基础设施提供增强的弹性。
23100编辑于 2025-10-18- 来自专栏Tencent Serverless 官方专栏
使用 Serverless 进行 AI 预测推理
使用 Serverless 进行 AI 预测推理 概览 在 AI 项目中，通常大家关注的都是怎么进行训练、怎么调优模型、怎么来达到满意的识别率。 而常规的部署方案，通常都是将模型部署到一台独立设备上，对外以 API 接口的形式提供服务，业务模块或前端 APP 等所需预测推理能力的位置，通过调用 API，传递原始数据，由 AI 推理服务完成预测推理后 而对于 AI 推理来说，其调用需求会随着业务的涨落而涨落，会出现白天高、夜间低的现象，而和 AI 训练时的较固定计算周期和运行时长而有所不同。 同时，目前上面提供的 AI 推理，由于比较简单，并无需使用 GPU。而在模型较复杂，计算量较大的情况下，使用 GPU 将能进一步加速推理速度。 GPU 的使用，可以为 AI 推理的速度带来数量级的加速，将有些需要使用 CPU 秒级的推理，降低到使用 GPU 的10ms级。
8.7K643发布于 2018-04-03 转载：【AI系统】推理系统引言
推理的最终目标，便是将训练好的模型部署到实际的生产环境中，使 AI 真正运行起来，服务于日常生活。推理系统，是一个专门用于部署神经网络模型，执行推理预测任务的 AI 系统。 推理引擎，则是推理系统中的重要组成部分，它主要负责 AI 模型的加载与执行。 通过综合运用这些方法，可以在满足服务需要的同时，实现模型的高效推理和部署。在线部署和优化推理引擎的在线部署和优化是确保 AI 模型能够在实际应用中高效运行的关键环节。 为了应对这些挑战，推理引擎的在线部署和优化显得尤为重要。首先，推理引擎需要支持不同 AI 框架训练得到的模型的转换。 人工客服应用推理引擎或推理系统在人工客服和 AI 对话方面有广泛的应用。以下是一些相关的内容：智能客服：推理引擎可以用于实现智能客服系统，能够理解用户的问题并提供准确的答案。
85510编辑于 2024-12-12转载：【AI系统】推理引擎架构
在深入探讨推理引擎的架构之前，让我们先来概述一下推理引擎的基本概念。推理引擎作为 AI 系统中的关键组件，负责将训练好的模型部署到实际应用中，执行推理任务，从而实现智能决策和自动化处理。 易用性 易用性是衡量一个 AI 推理引擎是否能够被广泛采纳和高效利用的关键指标。 高性能 高性能是推理引擎的灵魂，它直接决定了 AI 应用的响应速度、资源消耗以及用户体验。 例如，一个处理单张 RGB 图像的张量布局为 NHWC 时，形状表示为[1, 224, 224, 3]，意味着 1 个样本，图像尺寸为 224x224 像素，3 个颜色通道。 同样的例子，在 NCHW 布局下，张量形状会是[1, 3, 224, 224]。 假设我们要在一个简单的 CNN 层中应用卷积核，对于每个输出位置，都需要对输入图像的所有通道执行卷积运算。
1.4K10编辑于 2024-12-12AI系统突破几何推理难题
AlphaGeometry：奥林匹克级别的几何AI系统某机构研究团队在《自然》杂志发表论文，介绍能够解决复杂几何问题的AI系统AlphaGeometry，其表现接近人类奥林匹克数学竞赛金牌得主水平。 神经符号系统架构AlphaGeometry采用神经符号架构，包含神经语言模型和符号推理引擎。 若无法求解，语言模型会从无限可能中预测最有效的补充构造，这些构造为符号引擎开辟新的推理路径，通过循环迭代直至找到解决方案。 未来展望虽然当前系统仅能处理奥赛中占比1/3的几何问题，但其已达到2000年和2015年IMO铜牌门槛要求。 该研究展示了使用大规模合成数据训练AI系统的潜力，为下一代AI系统的知识发现机制提供了新范式。团队已开源AlphaGeometry代码和模型，期待推动数学、科学和AI领域的创新发展。
33000编辑于 2025-08-31- 来自专栏AI系统
【AI系统】推理文件格式
通过使用 Protobuf，ONNX 能够在不同的 AI 框架之间高效地传输模型数据。 比如 ONNX 就是一种跨平台的模型序列化格式，可以在不同的 AI 框架和运行时环境之间共享模型。Ⅲ. Protobuf 使用 3 位来表示线类型（Wire Type），其余部分表示字段号（Field Number）。 很多 AI 推理框架都是用的 FlatBuffers，最主要的有以下两个：MNN： 阿里巴巴的神经网络推理引擎，是一个轻量级的神经网络引擎，支持深度学习的推理与训练。 MindSpore Lite: 一种适用于端边云场景的新型开源深度学习训练/推理框架，提供离线转换模型功能的工具，支持多种类型的模型转换，转换后的模型可用于推理。
1.5K10编辑于 2024-12-05 转载：【AI系统】推理流程全景
部署态中的 AI 模型已经完成了训练阶段，被部署到实际应用环境中，如云端服务器、边缘设备、移动应用等，用于实时或近实时地进行推理预测的过程。 此时，AI 模型不再处于学习状态，而是作为服务的一部分，接受输入数据并输出预测结果。云端部署的推理系统更像传统 Web 服务，在边缘侧部署的模型更像手机应用和 IOT 应用系统。 移动设备：如智能手机、平板电脑、智能穿戴设备等，它们内置处理器、内存和操作系统，能够运行轻量级推理应用，实现基于 AI 的个性化服务、实时分析或设备自主决策。 云端部署推理系统的确具备诸多显著优点，使其成为众多企业和课程首选的部署方式。然而，云端部署并非万能解决方案，也伴随着一些特定的挑战。AI 的服务成本非常高昂。 综上所述，云侧推理和部署的全流程涵盖了模型全生命周期管理、服务接口设计、请求处理与调度、推理执行、系统监控以及硬件优化等多个环节，旨在构建一个高效、稳定、可扩展的云上 AI 服务环境。
91810编辑于 2024-12-12- 来自专栏新智元
AI常识推理和人类又近了3%
科大讯飞认知智能国家重点实验室率队杀出重围，连夺3个主要竞赛项目的冠军。 就在几天之前，实验室还以76.06%的准确率，刷新了常识推理挑战赛CommonsenseQA 2.0的世界纪录，比第二名领先了近3个百分点。 那么，这些所谓的挑战，到底难度如何呢？ 然而对于现在的阅读理解AI来说，如果原文没有，那基本就算是「两眼一抹黑」了。 想要让这些模型利用常识去推理出某个问题的答案，是非常困难，也是亟待解决的。 在此之前，最优的方法则通过1750亿级参数量大小的GPT3模型生成针对CommonsenseQA 2.0常识推理问题的相关知识，并基于T5模型进行融合处理之后，才把准确率提到了73%。 开放平台已经对外开放449项AI能力及方案，并且重点赋能金融、农业、能源等18个行业领域。
72930编辑于 2022-04-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号