人工智能训练平台.pdf

⼈⼯智能训练平台 ⼈⼯智能训练平台 1、平台定位 为深度学习提供⼀个深度定制和优化的⼈⼯智能集群管理平台，让⼈⼯智能堆栈变得简单、快速、可扩展。 为深度学习量⾝定做，可扩展⽀撑更多AI和⼤数据框架 通过创新的AI平台运⾏环境⽀持，⼏乎所有深度学习框架如CNTK、TensorFlow、PyTorch等⽆需修改即可运⾏；其基于Docker的架构则 让⽤户可以⽅便地扩展更多AI与⼤数据框架。 容器与微服务化，让AI流⽔线实现DevOps AI平台 100%基于微服务架构，让AI平台以及开发便于实现DevOps的开发运维模式。 ⽀持GPU多租，可统筹集群资源调度与服务管理能⼒ 在深度学习负载下，GPU逐渐成为资源调度的⼀等公民，AI平台提供了针对GPU优化的调度算法，丰富的端⼝管理，⽀持Virtual Cluster 多租机制，可通过Launcher Server为服务作业的运⾏保驾护航。 提供丰富的运营、监控、调试功能，降低运维复杂度 PAI为运营⼈员提供了硬件、服务、作业的多级监控，同时开发者还可以通过⽇志、SSH等⽅便调试作业。 2、系统架构 AI平台的架构如下图所⽰，⽤户通过Web Portal调⽤REST Server的API提交作业（Job）和监控集群，其它第三⽅⼯具也可通过该API进 ⾏任务管理。随后Web Portal与Launcher交互，以执⾏各种作业，再由Launcher Server处理作业请求并将其提交⾄Hadoop YARN进 ⾏资源分配与调度。可以看到，AI平台给YARN添加了GPU⽀持，使其能将GPU作为可计算资源调度，助⼒深度学习。其中，YARN负责作 业的管理，其它静态资源（下图蓝⾊⽅框所⽰）则由Kubernetes进⾏管理。 提交作业：Web Portal 交互中间件：Launcher 作业、资源管理：Hadoop YARN 静态资源管理：Kubernetes AI平台完全基于微服务架构，所有的AI平台服务和AI Job均在容器中运⾏，这样的设计让AI平台的部署更加简单，⽆论是在Ubuntu裸机集 群还是在云服务器上，仅需运⾏⼏个脚本即可完成部署。这同时也使其能够⽀持多种不同类型的AI任务，如CNTK、TensorFlow、 PyTorch等不同的深度学习框架。此外，⽤户通过⾃定义Job容器即可⽀持新的深度学习框架和其他机器学习、⼤数据等AI任务，具有很强 的扩展性。 在运维⽅⾯，AI平台提供了AI任务在线调试、错误报警、⽇志管理、性能检测等功能，显著降低了AI平台的⽇常运维难度。同时，它还⽀持 MPI、RDMA⽹络，可满⾜企业对⼤规模深度学习任务的性能要求。 不仅如此，AI平台还实现了与Visual Studio的集成。Visual Studio Tools for AI是微软Visual Studio 2017 IDE的扩展，⽤户在Visual Studio中就可以开发、调试和部署深度学习和AI解决⽅案。集成后，⽤户在Visual Studio中调试好的模型可便捷地部署到AI平台集群中。 AI平台提供了友好的⽤户界⾯，操作简单，便于⽤户进⾏集群监控、任务提交等。例如，主界⾯上显⽰了集群的GPU利⽤率、节点总数、 CPU利⽤率、⽹络状况等。当某项数据异常时，AI平台将启动报警机制通知⽤户，并在UI上以颜⾊改变的形式进⾏提醒（如变成红⾊等）。 AI平台主界⾯ 集群Job概览，点击Job名称可以查看详细信息及⽇志信息 Job运⾏状态页显⽰容器的IP地址、端⼝和GPU位置，该页⾯还提供远程SSH登录容器的信息 集群中机器运⾏状况概览，不同颜⾊展现了不同的忙闲程度 集群中每台机器上的Service运⾏状况