GPU Memory Issues Handling Multiple Simultaneous Requests with Flask-SocketIO, uWSGI, and Hugging Face Model

I am putting a chatbot into production using Flask-SocketIO integrated with uWSGI and gevent. The chatbot uses a Hugging Face model that occupies about 2GB of GPU memory.

The issue arises when two users send questions or messages simultaneously through the sockets. In this case, only one of the users receives a complete response, while the other receives an incomplete response. The server throws an error indicating that the GPU is out of memory.

When I check the GPU memory, it appears that the model is being loaded again, even though it should already be in memory because when I start the server this model is loaded. Additionally, I cannot use more than 3GB of GPU memory as another application is occupying part of the GPU.

Technical Details:
Frameworks and Tools:
Flask-SocketIO
uWSGI
gevent
Hugging Face Model
Hardware:
GPU with 8GB memory

uWSGI_config.ini

[uwsgi]
http = :8000
gevent = 1000
http-websockets = True
master = True
lazy-apps = True
wsgi-file = main.py
callable = app

Example app code in main.py:

from gevent import monkey
monkey.patch_all()
monky.patch_socket()
from flask import Flask, request
from flask_socketio import SocketIO
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer

app = Flask(__name__)

socketio = SocketIO()
socketio.init_app(app, async_mode='gevent_uwsgi)
try:
  model_name = 'huggingface_model'
  tokenizer = AutoTokenizer.from_pretrained(model_name)
  model = AutoModelForCausalLM.from_pretrained(model_name).to('cuda')
except Exception as e:
  print('Error: '+ str(e))
@app.route('/')
def index():
    return "Chatbot is active"

if __name__ == '__main__':
    socketio.run(app)

events.py

from main import socketio
@socketio.on('message')
def handle_message(data):
    user_input = data['message']
    inputs = tokenizer.encode(user_input, return_tensors='pt').to('cuda')
    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    for i in response.split(' '):
       socketio.emit('response', {'message': response}, room = request.sid)

Question:
How can I prevent the model from being unnecessarily reloaded and ensure the GPU can handle multiple simultaneous requests without running out of memory, considering that I cannot use more than 3GB of GPU memory due to another application occupying part of the GPU?

Any advice or solutions would be greatly appreciated. Thank you!

Monitored GPU memory usage and confirmed it exceeds limits with multiple simultaneous requests.

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật