BentoML

BentoML является современным фреймворком с открытым исходным кодом для создания, доставки и масштабирования AI-приложений. Он устраняет разрыв между экспериментами в области машинного обучения и развёртыванием в продакшн, позволяя упаковать любую модель из любого фреймворка в готовый к производству API-сервис за считанные минуты. Запускайте BentoML в GPU-облаке Clore.ai для экономичного хостинга AI-приложений.

---

Что такое BentoML?

BentoML упрощает превращение обученной модели в масштабируемый API-сервис:

• Независимость от фреймворка: PyTorch, TensorFlow, JAX, scikit-learn, HuggingFace, XGBoost, LightGBM и другие

• Bento: Самодостаточный воспроизводимый артефакт (модель + код + зависимости)

• Runner: Масштабируемая единица инференса модели с автоматическим батчингом

• Service: Определение сервиса HTTP/gRPC, похожее на FastAPI

• BentoCloud: Необязательная управляемая платформа развертывания

• Ориентированность на Docker: Каждый Bento можно контейнеризовать одной командой

Ключевые особенности:

• Адаптивный микробатчинг для оптимизации пропускной способности

• Встроенная валидация входных/выходных данных с Pydantic

• Автогенерация спецификации OpenAPI

• Встроенные метрики Prometheus

• Поддержка потоковых ответов (LLM)

---

Требования

Требование	Минимум	Рекомендуется
VRAM GPU	8 ГБ	16–24 ГБ
GPU	Любая NVIDIA	RTX 4090 / A100
ОЗУ	8 ГБ	16 ГБ
Хранилище	20 ГБ	40 ГБ
Python	3.9+	3.11+

---

Шаг 1 — Арендуйте GPU на Clore.ai

1. Войдите в clore.ai.

2. Нажмите Маркетплейс и выберите GPU-инстанс с ≥ 16 ГБ VRAM.

3. Установите Docker-образ: мы будем использовать пользовательскую сборку (см. Шаг 2).

4. Установите открытые порты: 22 (SSH) и 3000 (сервис BentoML).

5. Нажмите Арендовать.

---

Шаг 2 — Dockerfile

У BentoML нет официального GPU Docker-образа, поэтому мы собираем его сами:

FROM pytorch/pytorch:2.1.2-cuda12.1-cudnn8-runtime

ENV DEBIAN_FRONTEND=noninteractive

RUN apt-get update && apt-get install -y \
    git wget curl \
    openssh-server \
    libgl1 libglib2.0-0 \
    && rm -rf /var/lib/apt/lists/*

# Настроить SSH
RUN mkdir /var/run/sshd && \
    echo 'root:clore123' | chpasswd && \
    sed -i 's/#PermitRootLogin prohibit-password/PermitRootLogin yes/' /etc/ssh/sshd_config

# Установите BentoML и распространённые ML-библиотеки
RUN pip install --upgrade pip && \
    pip install \
        bentoml \
        transformers \
        accelerate \
        diffusers \
        Pillow \
        numpy \
        scipy \
        tritonclient[all]

WORKDIR /workspace

EXPOSE 22 3000

CMD service ssh start && tail -f /dev/null

Сборка и отправка

Соберите образ и отправьте его в ваш аккаунт Docker Hub (замените YOUR_DOCKERHUB_USERNAME на ваш фактический логин):

docker build -t YOUR_DOCKERHUB_USERNAME/bentoml-gpu:latest .
docker push YOUR_DOCKERHUB_USERNAME/bentoml-gpu:latest

BentoML не предоставляет официальный GPU Docker-образ на Docker Hub. Образы bentoml/bento-server на Docker Hub предназначены для раздачи предупакованных Bento и не включают поддержку CUDA. Соберите образ из приведённого выше Dockerfile для развертываний с поддержкой GPU на Clore.ai.

---

Шаг 3 — Подключение по SSH

ssh root@<clore-host> -p <assigned-ssh-port>

Проверьте BentoML:

bentoml --version
# Ожидаемо: bentoml, version 1.x.x

---

Шаг 4 — Ваш первый сервис BentoML

Простой текстовый классификатор

Создайте файл сервиса:

mkdir -p /workspace/my-service
cat > /workspace/my-service/service.py << 'EOF'
import bentoml
from bentoml.io import JSON, Text
import numpy as np

# Определите Runner (единицу модели)
class TextClassifierRunnable(bentoml.Runnable):
    SUPPORTED_RESOURCES = ("gpu", "cpu")
    SUPPORTS_CPU_MULTI_THREADING = True
    
    def __init__(self):
        import torch
        from transformers import pipeline
        
        self.classifier = pipeline(
            "text-classification",
            model="distilbert-base-uncased-finetuned-sst-2-english",
            device=0 if torch.cuda.is_available() else -1,
        )
    
    @bentoml.Runnable.method(batchable=True, batch_dim=0)
    def classify(self, texts: list[str]) -> list[dict]:
        results = self.classifier(texts)
        return results

# Создать Runner
classifier_runner = bentoml.Runner(
    TextClassifierRunnable,
    name="text_classifier",
    max_batch_size=32,
    max_latency_ms=100,
)

# Определить Service
svc = bentoml.Service(
    name="text_classifier_service",
    runners=[classifier_runner],
)

@svc.api(input=Text(), output=JSON())
async def classify(text: str) -> dict:
    """Классифицировать тональность входного текста."""
    results = await classifier_runner.classify.async_run([text])
    return results[0]
EOF

Запуск сервиса

cd /workspace/my-service

bentoml serve service:svc \
    --host 0.0.0.0 \
    --port 3000 \
    --reload

Параметр --reload флаг включает горячую перезагрузку во время разработки. Уберите его в продакшне для стабильности.

---

Шаг 5 — Доступ к сервису

Откройте автоматически сгенерированный Swagger UI:

http://<clore-host>:<public-port-3000>

Или протестируйте с помощью curl:

curl -X POST http://<clore-host>:<public-port-3000>/classify \
    -H "Content-Type: text/plain" \
    -d "This GPU cloud service is amazing!"

Ожидаемый ответ:

{"label": "POSITIVE", "score": 0.9986}

---

Шаг 6 — Сервис классификации изображений

Сервис для моделей компьютерного зрения

# /workspace/vision-service/service.py
import bentoml
from bentoml.io import Image, JSON
from PIL import Image as PILImage
import numpy as np

class ImageClassifierRunnable(bentoml.Runnable):
    SUPPORTED_RESOURCES = ("gpu",)
    SUPPORTS_CPU_MULTI_THREADING = False
    
    def __init__(self):
        import torch
        import torchvision.transforms as transforms
        from torchvision.models import resnet50, ResNet50_Weights
        
        self.device = "cuda" if torch.cuda.is_available() else "cpu"
        weights = ResNet50_Weights.DEFAULT
        self.model = resnet50(weights=weights).to(self.device)
        self.model.eval()
        self.preprocess = weights.transforms()
        self.categories = weights.meta["categories"]
    
    @bentoml.Runnable.method(batchable=True, batch_dim=0)
    def predict(self, images: list) -> list[dict]:
        import torch
        
        batch = torch.stack([self.preprocess(img) for img in images]).to(self.device)
        
        with torch.no_grad():
            predictions = self.model(batch).softmax(dim=1)
        
        results = []
        for pred in predictions:
            top5 = pred.topk(5)
            results.append({
                "predictions": [
                    {"label": self.categories[idx], "score": round(score.item(), 4)}
                    for score, idx in zip(top5.values, top5.indices)
                ]
            })
        return results


image_runner = bentoml.Runner(
    ImageClassifierRunnable,
    name="image_classifier",
    max_batch_size=16,
)

svc = bentoml.Service(
    name="image_classifier_service",
    runners=[image_runner],
)

@svc.api(input=Image(), output=JSON())
async def classify(image: PILImage.Image) -> dict:
    """Классифицировать изображение с помощью ResNet50."""
    results = await image_runner.predict.async_run([image])
    return results[0]

bentoml serve service:svc --host 0.0.0.0 --port 3000

Проверка с изображением:

curl -X POST http://<clore-host>:<public-port-3000>/classify \
    -H "Content-Type: image/jpeg" \
    --data-binary @/path/to/image.jpg

---

Шаг 7 — Потоковый сервис LLM

Для языковых моделей с потоковыми ответами:

# /workspace/llm-service/service.py
import bentoml
from bentoml.io import JSON, Text
from typing import AsyncGenerator

class LLMRunnable(bentoml.Runnable):
    SUPPORTED_RESOURCES = ("gpu",)
    SUPPORTS_CPU_MULTI_THREADING = False
    
    def __init__(self):
        from transformers import AutoModelForCausalLM, AutoTokenizer
        import torch
        
        model_name = "microsoft/phi-2"
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.model = AutoModelForCausalLM.from_pretrained(
            model_name,
            torch_dtype=torch.float16,
            device_map="auto"
        )
    
    @bentoml.Runnable.method(batchable=False)
    def generate(self, prompt: str, max_tokens: int = 200) -> str:
        import torch
        
        inputs = self.tokenizer(prompt, return_tensors="pt").to("cuda")
        
        with torch.no_grad():
            outputs = self.model.generate(
                **inputs,
                max_new_tokens=max_tokens,
                do_sample=True,
                temperature=0.7,
                pad_token_id=self.tokenizer.eos_token_id,
            )
        
        return self.tokenizer.decode(outputs[0], skip_special_tokens=True)


llm_runner = bentoml.Runner(LLMRunnable, name="llm")

svc = bentoml.Service("llm_service", runners=[llm_runner])

@svc.api(input=JSON(), output=Text())
async def generate(body: dict) -> str:
    prompt = body.get("prompt", "")
    max_tokens = body.get("max_tokens", 200)
    return await llm_runner.generate.async_run(prompt, max_tokens)

---

Шаг 8 — Сохранение и сборка Bento

Файл Bento это упакованный воспроизводимый артефакт:

# /workspace/build_bento.py
import bentoml

# Сохранить модель в хранилище моделей BentoML
import torch
from torchvision.models import resnet50, ResNet50_Weights

model = resnet50(weights=ResNet50_Weights.DEFAULT)
model.eval()

saved_model = bentoml.pytorch.save_model(
    name="resnet50",
    model=model,
    labels={"framework": "pytorch", "task": "image-classification"},
    metadata={"accuracy": 0.80, "dataset": "ImageNet"}
)
print(f"Model saved: {saved_model.tag}")

python /workspace/build_bento.py

# Список сохранённых моделей
bentoml models list

# Собрать Bento (требуется bentofile.yaml)
bentoml build

bentofile.yaml

service: "service:svc"
labels:
  owner: "ml-team"
  stage: "production"
include:
  - "*.py"
python:
  packages:
    - torch
    - torchvision
    - transformers
    - Pillow
    - numpy
docker:
  python_version: "3.11"
  cuda_version: "12.1"
  system_packages:
    - libgl1

bentoml build

# Список собранных bento
bentoml list

# Контейнеризация
bentoml containerize image_classifier_service:latest \
    --image-tag YOUR_DOCKERHUB_USERNAME/my-bento:latest

---

Мониторинг и метрики

BentoML предоставляет метрики Prometheus по адресу /metrics:

curl http://<clore-host>:<public-port-3000>/metrics

Ключевые метрики:

# Частота запросов
bentoml_service_request_total{endpoint="classify", http_status_code="200"}
# Задержка
bentoml_service_request_duration_seconds{endpoint="classify"}
# Пропускная способность Runner  
bentoml_runner_request_total{runner_name="image_classifier"}

---

Конфигурация адаптивного батчинга

# Тонкая настройка поведения батчинга
image_runner = bentoml.Runner(
    ImageClassifierRunnable,
    name="image_classifier",
    max_batch_size=64,          # Максимум запросов в батче
    max_latency_ms=50,          # Максимальное ожидание перед отправкой
)

---

Устранение неполадок

Сервис не запускается

ERROR - Не удалось инициализировать runner

Решения:

• Проверьте доступность CUDA: python -c "import torch; print(torch.cuda.is_available())"

• Проверьте объём видеопамяти GPU (VRAM): nvidia-smi

• Проверьте, что загрузка модели завершена (ищите прогресс загрузки в логах)

Порт 3000 недоступен

# Убедитесь, что сервис привязывается к 0.0.0.0 (не к localhost)
bentoml serve service:svc --host 0.0.0.0 --port 3000

Высокая задержка при первом запросе

Это нормально — первый запрос триггерит загрузку модели (прогрев). Все последующие запросы будут быстрыми. Добавьте вызов прогрева после старта:

# Прогрев после запуска
sleep 10 && curl -s -o /dev/null http://localhost:3000/healthz

Ошибки импорта

ModuleNotFoundError: No module named 'transformers'

Решение:

pip install transformers accelerate

---

Рекомендации Clore.ai по GPU

BentoML — это фреймворк для сервинга — требования к GPU зависят полностью от модели, которую вы разворачиваете. Вот чего ожидать для распространённых нагрузок:

GPU	VRAM	Цена Clore.ai	Пропускная способность LLM (7B Q4)	Диффузионные модели (SDXL)	Компьютерное зрение (ResNet50)
RTX 3090	24 ГБ	~$0.12/ч	~80 ток/с	~4 изображ./мин	~400 запросов/с
RTX 4090	24 ГБ	~$0.70/ч	~140 ток/с	~8 изображ./мин	~700 запросов/с
A100 40GB	40 ГБ	~$1.20/ч	~110 ток/с	~6 изображ./мин	~1200 запросов/с
A100 80GB	80 ГБ	~$2.00/ч	~130 ток/с	~7 изображ./мин	~1400 запросов/с

Рекомендации по выбору оборудования:

• Сервинг LLM API (7B–13B): RTX 3090 (~$0.12/час) — оптимальное соотношение цена/производительность

• API для генерации изображений: RTX 3090 или RTX 4090 в зависимости от требований по пропускной способности

• Крупные модели (34B–70B Q4): A100 40GB (~$1.20/час) — комфортно помещается

• Производственный сервинг нескольких моделей: A100 80GB для запасов памяти

Адаптивный микробатчинг особенно эффективен на A100 — аппаратный планировщик эффективно обрабатывает батчи, обеспечивая большую пропускную способность на доллар по сравнению с наивным обслуживанием одиночных запросов. Для высоконагруженных API A100 40GB часто даёт лучшую окупаемость, чем две RTX 4090.

---

Полезные ресурсы

• Официальная документация BentoML

• BentoML на GitHub

• Примеры BentoML

• Сообщество BentoML в Discord

• Галерея BentoML

• Быстрый старт: обслуживание LLM