Redis是一个开源的key/value数据库，也是一个高性能的缓存系统。在使用Redis时，有几点需要注意：

关于使用key/value数据库redis和TTSERVER的心得体会

Redis

Redis是一个开源的key/value数据库，也是一个高性能的缓存系统。在使用Redis时，有几点需要注意：

安装与配置

可以从Redis的官方网站上下载安装包，也可以使用系统包管理工具进行安装，如：

sudo apt-get install redis-server

配置文件一般位于/etc/redis/redis.conf。修改配置文件后需要重启服务：

sudo systemctl restart redis

基本命令

Redis提供了丰富的命令，包括对数据结构的操作、事务、发布/订阅等。以下是一些常用的命令：

• SET/GET：设置/获取键值对
• HSET/HGET：设置/获取哈希表字段值
• LPUSH/LPOP：在列表的左/右端插入/删除元素
• SADD/SMEMBERS：添加/获取集合中的元素
• ZADD/ZRANK：添加/获取有序集合中的元素

其中，SET/GET是最基本的操作，示例代码如下：

import redis

r = redis.Redis(host='localhost', port=6379, db=0)
r.set('foo', 'bar')
value = r.get('foo')
print(value)  # 输出 b'bar'

应用场景

Redis主要用于缓存和会话管理等。通过将一些频繁读写或计算的数据存储在Redis中，可以减轻数据库的压力，提高网站的响应速度。

TTSERVER

TTSERVER（TensorRT inference Server）是基于NVIDIA TensorRT的推理服务器，可提供高性能的深度学习模型推理服务。在使用TTSERVER时，有几点需要注意：

安装与配置

TTSERVER需要在支持NVIDIA GPU的主机上安装，需要下载安装包进行安装。安装完成后还需要进行配置，将模型、推理参数等加入服务列表中。

基本命令

TTSERVER提供了命令行工具ttclient，可以使用该工具与服务进行交互。以下是一些常用的命令：

• status：获取服务状态
• model_list：获取已注册的模型列表
• infer_async：异步进行推理
• stream_infer：流式推理
• ...

其中，infer_async是最基本的推理操作，示例代码如下：

import tensorrtserver.api.model_config_pb2 as model_config
import tensorrtserver.api.infer_pb2 as infer
import tensorrtserver.api.api_pb2 as api
import grpc

# 创建GRPC通道并连接服务器
channel = grpc.insecure_channel('localhost:8001')
stub = infer_grpc.InferenceAPIStub(channel)

# 创建协议缓冲区
inputs = []
outputs = []
request = infer.InferRequest()
output = request.outputs.add()

# 填充输入数据
input_tensor = request.inputs['input']
input_tensor.data_type = api.DataType.TYPE_FP32
input_tensor.contents.append(data)

# 发送推理请求
response = stub.Infer(request)
result = response.outputs[0].contents[0].data

应用场景

TTSERVER主要用于深度学习推理服务，可以提供高性能的模型推理。通过将推理服务独立出来进行部署，可以减轻模型运行对主机的影响，提高服务器的并发性能。

示例

下面是一个使用Redis缓存的示例：将一些频繁读写或计算的数据存储在Redis中，减轻数据库的压力，并提高网站的响应速度。

import redis
import time

r = redis.Redis()

def expensive_operation(key):
    # 模拟需要进行耗时计算的操作
    time.sleep(1)
    return key * 2

def get_or_set_value(key):
    value = r.get(key)
    if value is None:
        value = expensive_operation(key)
        r.set(key, value)
    return value

# 进行多次调用，观察响应时间的变化
start_time = time.time()
for i in range(10):
    value = get_or_set_value(i)
    print(value)
end_time = time.time()
print("Time cost: {:.2f}s".format(end_time - start_time))

下面是一个使用TTSERVER推理的示例：将一张图片输入模型中进行推理，返回对图片的描述。

import tensorrtserver.api.model_config_pb2 as model_config
import tensorrtserver.api.infer_pb2 as infer
import tensorrtserver.api.api_pb2 as api
import grpc
import numpy as np
import cv2

# 创建GRPC通道并连接服务器
channel = grpc.insecure_channel('localhost:8001')
stub = infer_grpc.InferenceAPIStub(channel)

# 创建协议缓冲区
inputs = []
outputs = []
request = infer.InferRequest()
output = request.outputs.add()

# 加载图片
image = cv2.imread('test.jpg').astype(np.float32)

# 填充输入数据
input_tensor = request.inputs['image']
input_tensor.data_type = api.DataType.TYPE_FP32
input_tensor.dims.extend(image.shape)
input_tensor.contents.append(image.tobytes())

# 发送推理请求
response = stub.Infer(request)
result = response.outputs[0].string_val
print(result)