返回
An Efficient DNN Model Serving System using Layer-wise Caching and Direct-Host-Access
DOI:10.1145/3774909.png)
摘要
En 中文
我们可以立即以低延迟服务推理请求。否则,它需要从主机加载模型到GPU,为推理增加显著的延迟。本文提出Ignite以最小化冷启动延迟,同时为服务器环境中的DL模型提供主机到GPU的配置。首先,我们提出LCache,通过独特的缓存替换策略有效利用有限的GPU内存进行模型服务。我们设计了分层缓存替换策略,以适应以流水线方式执行DL推理。其次,我们利用消费级GPU提供的直接主机访问设施,允许GPU直接从主机内存访问模型的特定层而无需加载。我们表明,Ignite可以有效减少冷启动延迟,同时提高DNN模型服务的吞吐量。当在DL推理服务系统中部署多个ResNet、BERT和RoBERTa实例时,Ignite相比流水线技术显示出显著性能提升和稳定的99%尾延迟。
Keyword:
DNN model serving
layer-wise caching
direct-host-access
期刊
A
IF:
1.8
论文数:
26
被引数:
1.1K

