AWS Deep Learning Containers发布PyTorch Graviton EC2推理容器v1.18版本

AWS Deep Learning Containers（DLC）是亚马逊云科技提供的一套预配置的深度学习容器镜像，它集成了主流深度学习框架、依赖库和工具链，帮助开发者快速部署和运行深度学习工作负载。这些容器经过AWS官方优化，可直接在EC2、EKS等云服务上使用，大幅简化了深度学习环境的搭建过程。

近日，AWS发布了Deep Learning Containers项目中针对PyTorch框架的Graviton处理器优化版本v1.18。该版本基于PyTorch 2.4.0构建，专门为AWS Graviton处理器（基于ARM架构）进行了性能优化，适用于EC2实例上的推理场景。

核心特性与技术细节

基础环境配置

该容器镜像基于Ubuntu 22.04操作系统构建，预装了Python 3.11环境。作为推理专用容器，它包含了PyTorch生态系统中用于模型服务的关键组件：

• PyTorch 2.4.0 + CPU版本
• TorchVision 0.19.0
• TorchAudio 2.4.0
• TorchServe 0.12.0模型服务框架
• Torch Model Archiver 0.12.0模型打包工具

关键依赖库版本

容器内预装了深度学习工作流中常用的Python库，并选择了经过验证的稳定版本：

• 数值计算：NumPy 1.26.4、SciPy 1.14.1
• 图像处理：OpenCV 4.10.0.84、Pillow 11.0.0
• 开发工具：Cython 3.0.11、Ninja 1.11.1.1
• AWS集成：boto3 1.35.54、awscli 1.35.20

系统级优化

针对Graviton ARM架构，容器内包含了必要的系统库和开发工具链：

• GCC编译器相关库（libgcc-10-dev、libgcc-11-dev）
• C++标准库（libstdc++-10-dev、libstdc++-11-dev）
• 基础开发工具如Emacs编辑器

应用场景与优势

这个专为Graviton处理器优化的PyTorch推理容器特别适合以下场景：

1. 成本敏感型推理服务：Graviton实例通常比同级别x86实例更具性价比，结合此优化容器可进一步降低推理成本
2. 边缘计算场景：ARM架构的低功耗特性使其适合边缘设备部署
3. 批量推理任务：经过优化的PyTorch运行时能够高效处理大批量推理请求

版本管理与兼容性

该容器镜像提供了多个标签别名，方便用户根据不同的版本策略进行引用：

• 精确版本标签：2.4.0-cpu-py311-ubuntu22.04-ec2-v1.18
• 主版本标签：2.4-cpu-py311-ubuntu22.04-ec2-v1
• 简化标签：2.4-cpu-py311-ec2

这种灵活的标签策略既保证了生产环境的稳定性需求，又满足了开发测试环境的便利性。

总结

AWS Deep Learning Containers通过提供这个针对Graviton处理器优化的PyTorch推理容器，进一步丰富了其ARM生态的支持。对于已经在使用Graviton实例的用户，这个容器可以带来即时的性能提升；对于考虑迁移到ARM架构的用户，它提供了可靠的参考实现。随着ARM服务器生态的成熟，这类优化容器将成为降低AI推理成本的重要工具。