dag: #op资源类型, True, 为线程模型；False，为进程模型 is_thread_op: false #使用性能分析, True，生成Timeline性能数据，对性能有一定影响；False为不使用 tracer: interval_s: 30 #http端口, rpc_port和http_port不允许同时为空。当rpc_port可用且http_port为空时，不自动生成http_port http_port: 18082 op: faster_rcnn: #并发数，is_thread_op=True时，为线程并发；否则为进程并发 concurrency: 2 local_service_conf: #client类型，包括brpc, grpc和local_predictor.local_predictor不启动Serving服务，进程内预测 client_type: local_predictor # device_type, 0=cpu, 1=gpu, 2=tensorRT, 3=arm cpu, 4=kunlun xpu device_type: 1 #计算硬件ID，当devices为""或不写时为CPU预测；当devices为"0", "0,1,2"时为GPU预测，表示使用的GPU卡 devices: '2' #Fetch结果列表，以bert_seq128_model中fetch_var的alias_name为准, 如果没有设置则全部返回 fetch_list: - save_infer_model/scale_0.tmp_1 #模型路径 model_config: serving_server/ #rpc端口, rpc_port和http_port不允许同时为空。当rpc_port为空且http_port不为空时，会自动将rpc_port设置为http_port+1 rpc_port: 9998 #worker_num, 最大并发数。当build_dag_each_worker=True时, 框架会创建worker_num个进程，每个进程内构建grpcSever和DAG #当build_dag_each_worker=False时，框架会设置主线程grpc线程池的max_workers=worker_num worker_num: 20
