1、关于clip-vit-large-patch14模型
关于openapi开源的clip-vit-large-patch14模型的特征提取，可以参考之前的文章：Elasticsearch向量检索需要的数据集以及768维向量生成这篇文章详细介绍了模型的下载地址、使用方式、测试脚本，可以让你一步实现图片特征的提取，如果你想搭建一个图片搜搜索服务，也可以参考这篇文章：Golang+Elasticsearch轻松搭建AI时代的图片搜索服务今天要讨论的不同于以往，我们要实现的是，通过nvidia的开源框架tritonserver完成openai这个模型的工程化，对外可以通过http、grpc轻松获取任一图片的特征。这篇文章也是之前承诺的，说到做到。
2、triton自定义backend的实现
首先还是简单回顾一下triton自定义banckend的实现，openai开源的这个模型，无法直接使用triton进行工程化，所以我们需要编写一个自定义的python backend，关于triton backend的实现，可以参考如下文章：tritonserver学习之五：backend实现机制、tritonserver学习之六：自定义c++、python custom backend实践，triton自定义python banckend的实现还是比较低成本的，只要实现三个api即可。
def initialize(self, args)
def execute(self, requests)
def finalize(self)看函数的名字，大家应该都能理解，三个函数分别为：初始化、执行推理、退出，finalize称为析构我觉着更贴切，就是释放掉整个推理过程中所申请的临时资源。
实现代码我会放到github上(https://github.com/liupengh3c/career)，由于篇幅关系，就不贴在这里了。
接下来，设计该backend的输入以及输出，输入就是一张图片，格式为：不限制宽高、图片为3通道，输出就是一个768维的特征向量，那么对于triton架构中模型的配置编写如下：
name:"clip-vit-large-patch14"
backend:"python"
input [
{
name:"INPUT0"
data_type: TYPE_FP32
dims: [3,-1,-1]
}
]
output[
{
name:"OUTPUT0"
data_type: TYPE_FP32
dims: [ 768 ]
}
]
instance_group[{ kind: KIND_CPU }]因为没有gpu卡，所以【instance_group】这个字段就设置将服务运行在cpu上。
接下来需要按照triton的要求，对backend的目录重新组织一下，首先设定自定义backend的名称为：clip-vit-large-patch14，目录格式如下：
其中：
-
【1】代表版本号。
-
【clip-vit-large-patch14】文件夹为openai的原始模型。
-
【config.pbtxt】为模型配置文件。
-
【model.py】为python backend的实现。
到这里，自定义backend、配置文件、模型目录都已设置完毕，接下来serve该模型。
3、拉取tritonserver最新docker镜像
docker pull nvcr.io/nvidia/tritonserver:24.12-py3启动镜像，并将backend路径映射到容器内：
docker run --rm -p8000:8000 -p8001:8001 -p8002:8002 -it -v /Users/liupeng/Documents/career/career/triton_backend:/models nvcr.io/nvidia/tritonserver:24.12-py3在容器中安装backend依赖：
pip3 install transformers
pip3 install torch
pip3 install pillow启动tritonserver：
tritonserver --model-repository=/models对于triton的使用，我们可以参考这篇文章：tritonserver学习之一：triton使用流程，启动后打印如下：
可以看到，我们的新模型成功启动啦~~~~~~~~~~~。
模型已成功serve，但是模型是否能够正常抽取图片特征，则需要去实现tritonserver client端请求该服务来做验证，待我开发、验证完成后，再发文章分享给各位小伙伴，本周之内必定会完成，大家稍等几天。