BentoML

BentoML 是一个现代的开源框架，用于 构建、交付和扩展人工智能应用。它弥合了机器学习实验与生产部署之间的差距，让你能够在几分钟内将任何框架中的任意模型打包为可用于生产的 API 服务。在 Clore.ai 的 GPU 云上运行 BentoML，可实现具有成本效益的 AI 应用托管。

---

什么是 BentoML？

BentoML 让将训练好的模型变为可扩展的 API 服务变得简单：

• 与框架无关： 支持 PyTorch、TensorFlow、JAX、scikit-learn、HuggingFace、XGBoost、LightGBM 等

• Bento： 一个自包含、可复现的工件（模型 + 代码 + 依赖）

• Runner（运行单元）： 具有自动批处理功能的可扩展模型推理单元

• Service（服务）： 类似 FastAPI 的 HTTP/gRPC 服务定义

• BentoCloud： 可选的托管部署平台

• Docker 优先： 每个 Bento 都可以用一条命令容器化

主要功能：

• 用于吞吐量优化的自适应微批处理

• 内置基于 Pydantic 的输入/输出验证

• 自动生成 OpenAPI 规范

• 内置 Prometheus 指标

• 支持流式响应（LLM）

---

先决条件

要求	最低要求	推荐配置
GPU 显存	8 GB	16–24 GB
GPU	任何 NVIDIA	RTX 4090 / A100
内存（RAM）	8 GB	16 GB
存储	20 GB	40 GB
Python	3.9+	3.11+

---

步骤 1 — 在 Clore.ai 上租用 GPU

1. 登录到 clore.ai.

2. 点击 市场 并选择具有 ≥ 16 GB 显存的 GPU 实例。

3. 设置 Docker 镜像：我们将使用自定义构建（见第 2 步）。

4. 设置开放端口： 22 （SSH）和 3000 （BentoML 服务）。

5. 点击 租用.

---

第 2 步 — Dockerfile

BentoML 没有官方的 GPU Docker 镜像，因此我们需要构建一个：

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/*

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

# 安装 BentoML 和常见的机器学习库
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

构建并推送

构建镜像并将其推送到你自己的 Docker Hub 帐户（替换 YOUR_DOCKERHUB_USERNAME 为你的实际用户名）：

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

BentoML 未在 Docker Hub 提供官方的 GPU Docker 镜像。那些 bentoml/bento-server 在 Docker Hub 上的镜像用于服务预打包的 Bentos，不包含 CUDA 支持。为在 Clore.ai 上启用 GPU 的部署，请从上面的 Dockerfile 构建镜像。

---

第 3 步 — 通过 SSH 连接

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

验证 BentoML：

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

---

第 4 步 — 你的第一个 BentoML 服务

简单文本分类器

创建一个服务文件：

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

# 定义一个 Runner（模型单元）
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

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

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

@svc.api(input=Text(), output=JSON())
async def classify(text: str) -> dict:
    """对输入文本进行情感分类。"""
    results = await classifier_runner.classify.async_run([text])
    return results[0]
EOF

启动服务

cd /workspace/my-service

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

参数 --reload 该标志在开发期间启用热重载。在生产环境中为稳定性请移除它。

---

第 5 步 — 访问服务

打开自动生成的 Swagger UI：

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

或通过以下方式测试 curl:

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

预期响应：

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

---

第 6 步 — 图像分类服务

视觉模型服务

# /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:
    """使用 ResNet50 对图像进行分类。"""
    results = await image_runner.predict.async_run([image])
    return results[0]

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

使用图像进行测试：

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

---

第 7 步 — LLM 流式服务

对于具有流式响应的语言模型：

# /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)

---

第 8 步 — 保存并构建 Bento

一个 Bento 是一个已打包的、可复现的工件：

# /workspace/build_bento.py
import bentoml

# 将模型保存到 BentoML 模型存储
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

# 列出已保存的模型
bentoml models list

# 构建 Bento（需要 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

# 列出已构建的 bentos
bentoml list

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

---

监控与指标

BentoML 在以下路径暴露 Prometheus 指标： /metrics:

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

关键指标：

# 请求速率
bentoml_service_request_total{endpoint="classify", http_status_code="200"}
# 延迟
bentoml_service_request_duration_seconds{endpoint="classify"}
# Runner 吞吐量  
bentoml_runner_request_total{runner_name="image_classifier"}

---

自适应批处理配置

# 微调批处理行为
image_runner = bentoml.Runner(
    ImageClassifierRunnable,
    name="image_classifier",
    max_batch_size=64,          # 每批最大请求数
    max_latency_ms=50,          # 在派发前的最大等待时间
)

---

故障排除

服务无法启动

ERROR - 无法初始化 runner

将批量大小减小到 1

• 检查 CUDA 可用性： python -c "import torch; print(torch.cuda.is_available())"

• 验证 GPU 显存： nvidia-smi

• 检查模型下载是否完成（在日志中查看下载进度）

端口 3000 无法访问

# 确保服务绑定到 0.0.0.0（而不是 localhost）
bentoml serve service:svc --host 0.0.0.0 --port 3000

首次请求延迟高

这是正常的——第一次请求会触发模型加载（预热）。此后的所有请求都会很快。启动后添加一次预热端点调用：

# 启动后预热
sleep 10 && curl -s -o /dev/null http://localhost:3000/healthz

导入错误

ModuleNotFoundError: No module named 'transformers'

解决方案：

pip install transformers accelerate

---

Clore.ai 的 GPU 建议

BentoML 是一个服务框架——GPU 要求完全取决于你部署的模型。以下是常见工作负载的预期：

GPU	显存（VRAM）	Clore.ai 价格	LLM（7B Q4）吞吐量	扩散（SDXL）	视觉（ResNet50）
RTX 3090	24 GB	~$0.12/小时	~80 tok/s	~4 img/min	~400 req/s
RTX 4090	24 GB	~$0.70/小时	~140 tok/s	~8 img/min	~700 req/s
A100 40GB	40 GB	~$1.20/小时	~110 tok/s	~6 img/min	~1200 req/s
💡 本指南中的所有示例均可部署在	80 GB	~$2.00/小时	~130 tok/s	~7 img/min	~1400 req/s

使用场景指引：

• LLM API 服务（7B–13B）： RTX 3090（约 $0.12/小时）——最佳性价比

• 图像生成 API： 根据吞吐量需求选择 RTX 3090 或 RTX 4090

• 大型模型（34B–70B Q4）： A100 40GB（约 $1.20/小时）——可轻松容纳

• 生产环境多模型服务： A100 80GB 以保留内存余量

BentoML 的 自适应微批处理 在 A100 上特别有效——硬件调度器高效处理批处理，比简单的单请求服务每美元提取更多吞吐量。对于高流量 API，A100 40GB 往往比两块 RTX 4090 提供更好的投资回报。

---

有用的资源

• BentoML 官方文档

• BentoML GitHub

• BentoML 示例

• BentoML Discord 社区

• BentoML 展示库

• 快速开始：为 LLM 提供服务