close
從寶貝一出生開始就備受大家的疼愛
照顧的時候都覺得好膽戰心驚~~~
總是想要給孩子最好的保護
面對種類繁多的產品，常常覺得眼花撩亂.......
譬如:尿布、推車、安全座椅、護頸
哪一個牌子才好??哪一種適合自家的寶貝??
有些牌子雖然沒有大作宣傳，可是廠商們都還是默默耕耘
很多牌子都有自己的特色及優點哦! 品牌：chicco
好比說~【chicco】KEY2-3安全汽座-亮紅
【chicco】KEY2-3安全汽座-亮紅實體店面跟網路上的價格差好多!!還好逛街的時候沒有傻傻的直接買下去
而且很多時候加入會員以後會不定時送電子折價券，所以其實買到的價格很多時候都比標價便宜
方便又快速只要在家等待就可以了~
↓↓↓限量折扣的優惠按鈕↓↓↓
在購物網購買，除了有詳細的介紹以外，更有保障！！所以我都很安心的在購物網買
商品訊息功能:
商品訊息描述:
熱賣
商品訊息簡述:
品牌名稱 汽座規格 汽座安裝方式
保固一年
保固期
1年保固期
【chicco】KEY2-3安全汽座-亮紅
討論,推薦,開箱,CP值,熱賣,團購,便宜,優惠,介紹,排行,精選,特價,周年慶,體驗,限時,婦幼產品
↓↓↓現在馬上點擊購買↓↓↓
另外在推薦我平時會使用的平台可以比較價格找便宜~~
| 寶貝用品購物網推薦 | ||
| | 專門賣寶寶天然的清潔用品~~ | |
| | 適合給新手爸媽的嬰兒購物網，一應俱全! | |
| 各大購物網快速連結 | ||
 | 東森購物網 | 性質大多相同 建議每一家搜尋要購買的品項後 比對出能折價卷能扣最多的一家來消費 保養品、化妝品我比較常在momo購物網買，切記是"購物網"才有正品保障!! |
 | 森森購物網 | |
 | udn買東西 | |
 | MOMO購物網 | |
 | 瘋狂麥克 | 有時候新鮮貨我都在瘋狂麥克找，基本上想找的，瘋狂賣客都會賣~ |
作者：陳迪豪
深度學習服務介紹
機器學習與人工智能，相信大傢已經耳熟能詳，隨著大規模標記數據的積累、神經網絡算法的成熟以及高性能通用GPU的推廣，深度學習逐漸成為計算機專傢以及大數據科學傢的研究重點。近年來，無論是圖像的分類、識別和檢測，還是語音生成、自然語言處理，甚至是AI下圍棋或者打遊戲都基於深度學習有瞭很大的突破。而隨著TensorFlow、Caffe等開源框架的發展，深度學習的門檻變得越來越低，甚至初中生都可以輕易實現一個圖像分類或者自動駕駛的神經網絡模型，但目前最前沿的成果主要還是出自Google、微軟等巨頭企業。
Google不僅擁有優秀的人才儲備和大數據資源，其得天獨厚的基礎架構也極大推動瞭AI業務的發展，得益於內部的大規模集群調度系統Borg，開發者可以快速申請大量GPU資源進行模型訓練和上線模型服務，並且通過資源共享和自動調度保證整體資源利用率也很高。Google開源瞭TensorFlow深度學習框架，讓開發者可以在本地輕易地組合MLP、CNN和RNN等模塊實現復雜的神經網絡模型，但TensorFlow隻是一個數值計算庫，並不能解決資源隔離、任務調度等問題，將深度學習框架集成到基於雲計算的基礎架構上將是下一個關鍵任務。
除瞭Google、微軟，國內的百度也開源瞭PaddlePaddle分佈式計算框架，並且官方集成瞭Kubernetes等容器調度系統，用戶可以基於PaddlePaddle框架實現神經網絡模型，同時利用容器的隔離性和Kubernetes的資源共享、自動調度、故障恢復等特性，但平臺不能支持更多深度學習框架接口。而亞馬遜和騰訊雲相繼推出瞭面向開發者的公有雲服務，可以同時支持多種主流的開源深度學習框架，阿裡、金山和小米也即將推出基於GPU的雲深度學習服務，還有無數企業在默默地研發內部的機器學習平臺和大數據服務。
面對如此眼花繚亂的雲服務和開源技術，架構師該如何考慮其中的技術細節，從用戶的角度又該如何選擇這些平臺或者服務呢。我將介紹小米雲深度學習平臺的架構設計與實現細節，希望能給AI領域的研發人員提供一些思考和啟示。
雲深度學習平臺設計
雲深度學習平臺，我定義為Cloud Machine Learning，就是基於雲計算的機器學習和深度學習平臺。首先TensorFlow、MXNet是深度學習框架或者深度學習平臺，但並不是雲深度學習平臺，它們雖然可以組成一個分佈式計算集群進行模型訓練，但需要用戶在計算服務器上手動啟動和管理進程，並沒有雲計算中任務隔離、資源共享、自動調度、故障恢復以及按需計費等功能。因此我們需要區分深度學習類庫以及深度學習平臺之間的關系，而這些類庫實現的隨機梯度下降和反向傳播等算法卻是深度學習應用所必須的，這是一種全新的編程范式，需要我們已有的基礎架構去支持。
雲計算和大數據發展超過瞭整整十年，在業界催生非常多優秀的開源工具，如實現瞭類似AWS IaaS功能的OpenStack項目，還有Hadoop、Spark、Hive等大數據存儲和處理框架，以及近年很火的Docker、Kubernetes等容器項目，這些都是構建現代雲計算服務的基石。
這些雲服務有共同的特點，例如我們使用HDFS進行數據存儲，用戶不需要手動申請物理資源就可以做到開箱即用，用戶數據保存在幾乎無限制的公共資源池中，並且通過租戶隔離保證數據安全，集群在節點故障或者水平擴容時自動觸發Failover且不會影響用戶業務。雖然Spark通過MLib接口提供部分機器學習算法功能，但絕不能替代TensorFlow、Caffe等深度學習框架的作用，因此我們仍需要實現Cloud Machine Learning服務，並且確保實現雲服務的基本特性——我將其總結為下面幾條：
屏蔽硬件資源保證開箱即用縮短業務環境部署和啟動時間提供“無限”的存儲和計算能力實現多租戶隔離保證數據安全實現錯誤容忍和自動故障遷移提高集群利用率和降低性能損耗
相比於MapReduce或者Spark任務，深度學習的模型訓練時間周期長，而且需要調優的超參數更多，平臺設計還需要考慮以下幾點：
支持通用GPU等異構化硬件支持主流的深度學習框架接口支持無人值守的超參數自動調優支持從模型訓練到上線的工作流
這是我個人對雲深度學習平臺的需求理解，也是小米在實現cloud-ml服務時的基本設計原則。雖然涉及到高可用、分佈式等頗具實現難度的問題，但借助目前比較成熟的雲計算框架和開源技術，我們的架構和實現基本滿足瞭前面所有的需求，當然如果有更多需求和想法歡迎隨時交流。
雲深度學習平臺架構
遵循前面的平臺設計原則，我們的系統架構也愈加清晰明瞭，為瞭滿足小米內部的所有深度學習和機器學習需求，需要有一個多租戶、任務隔離、資源共享、支持多框架和GPU的通用服務平臺。通過實現經典的MLP、CNN或RNN算法並不能滿足業務快速發展的需求，因此我們需要支持TensorFlow等用戶自定義的模型結構，並且支持高性能GPU和分佈式訓練是這個雲深度學習平臺的必須功能，不僅僅是模型訓練，我們還希望集成模型服務等功能來最大化用戶的使用效益。
計算機領域有句名言“任何計算機問題都可以通過增加一個中間層來解決”。無論是AWS、OpenStack、Hadoop、Spark還是TCP/IP都是這樣做的，通過增加一個抽象層來屏蔽底層資源，對上層提供更易用或者更可靠的訪問接口。小米的cloud-ml平臺也需要實現對底層物理資源的屏蔽，尤其是對GPU資源的抽象和調度，但我們不需要重新實現，因為社區已經有瞭很多成熟的分佈式解決方案，如OpenStack、Yarn和Kubernetes。目前OpenStack和Yarn對GPU調度支持有所欠缺，虛擬機也存在啟動速度慢、性能overhead較大等問題，而容器方案中的Kubernetes和Mesos發展迅速，支持GPU調度等功能，是目前最值得推薦的架構選型之一。
目前小米cloud-ml平臺的任務調度和物理機管理基於多節點的分佈式Kubernetes集群，對於OpenStack、Yarn和Mesos我們也保留瞭實現接口，可以通過實現Mesos後端讓用戶的任務調度到Mesos集群進行訓練，最終返回給用戶一致的使用接口。目前Kubernetes最新穩定版是1.6，已經支持Nvidia GPU的調度和訪問，對於其他廠商GPU暫不支持但基本能滿足企業內部的需求，而且Pod、Deployment、Job、StatefulSet等功能日趨穩定，加上Docker、Prometheus、Harbor等生態項目的成熟，已經在大量生產環境驗證過，可以滿足通用PaaS或者Cloud Machine learning等定制服務平臺的需求。
使用Kubernetes管理用戶的Docker容器，還解決瞭資源隔離的問題，保證不同深度學習訓練任務間的環境不會沖突，並且可以針對訓練任務和模型服務使用Job和Deployment等不同的接口，充分利用分佈式容器編排系統的重調度和負載均衡功能。
但是，Kubernetes並沒有完善的多租戶和Quota管理功能，難以與企業內部的權限管理系統對接，這要求我們對Kubernetes API進行再一次“抽象”。我們通過API Server實現瞭內部的AKSK簽名和認證授權機制，在處理用戶請求時加入多租戶和Quota配額功能，並且對外提供簡單易用的RESTful API，進一步簡化瞭整個雲深度學習平臺的使用流程，整體架構設計如圖1。
圖1 雲深度學習平臺整體架構
?通過實現API Server，我們對外提供瞭API、SDK、命令行以及Web控制臺多種訪問方式，最大程度上滿足瞭用戶復雜多變的使用環境。集群內置瞭Docker鏡像倉庫服務，托管瞭我們支持的17個深度學習框架的容器鏡像，讓用戶不需要任何初始化命令就可以一鍵創建各框架的開發環境、訓練任務以及模型服務。多副本的API Server和Etcd集群，保證瞭整個集群所有組件的高可用，和Hadoop或者Spark一樣，我們的cloud-ml服務在任意一臺服務器經歷斷網、宕機、磁盤故障等暴力測試下都能自動Failover保證業務不受任何影響。
前面提到，我們通過抽象層定義瞭雲深度學習平臺的接口，無論後端使用Kubernetes、Mesos、Yarn甚至是OpenStack、AWS都可以支持。通過容器的抽象可以定義任務的運行環境，目前已經支持17個主流的深度學習框架，用戶甚至可以在不改任何一行代碼的情況下定義自己的運行環境或者使用自己實現的深度學習框架。在靈活的架構下，我們還實現瞭分佈式訓練、超參數自動調優、前置命令、NodeSelector、Bring Your Own Image和FUSE集成等功能，將在下面逐一介紹。
雲深度學習平臺實現
前面提到我們後端使用Kubernetes編排系統，通過API Server實現授權認證和Quota配額功能。由於雲深度學習服務是一個計算服務，和我以前做過的分佈式存儲服務有著本質的區別，計算服務離線運算時間較長，客戶端請求延時要求較低而且吞吐很小，因此我們的API服務在易用性和高性能上可以選擇前者，目前主流的Web服務器都可以滿足需求。基於Web服務器我們可以實現集成內部權限管理系統的業務邏輯，小米生態雲提供瞭類似AWS的AKSK簽名認證機制，用戶註冊登錄後可以自行創建Access key和Secret key，請求時在客戶端進行AKSK的簽名後發送，這樣用戶不需要把賬號密碼或密鑰加到請求中，即使密鑰泄露也可以由用戶來禁用，請求時即使簽名被嗅探也隻能重放當前的請求內容，是非常可靠的安全機制。除此之外，我們參考OpenStack項目的體系架構，實現瞭多租戶和Quota功能，通過認證和授權的請求需要經過Quota配額檢查，在高可用數據庫中持久化相應的數據，這樣平臺管理員就可以動態修改每個租戶的Quota，而且用戶可以隨時查看自身的審計信息。
小米cloud-ml服務實現瞭深度學習模型的開發、訓練、調優、測試、部署和預測等完整功能，都是通過提交到後端的Kubernetes集群來實現，完整的功能介紹可以查看官方文檔http://docs.api.xiaomi.com/cloud-ml/ 。Kubernetes對外提供瞭RESTful API訪問接口，通過YAML或者JSON來描述不同的任務類型，不同編程語言實現的系統也可以使用社區開發的SDK來訪問。對於我們支持的多個深度學習框架，還有開發環境、訓練任務、模型服務等功能，都需要定制Docker鏡像，提交到Kubernetes時指定使用的容器鏡像、啟動命令等參數。通過對Kubernetes API的封裝，我們可以簡化Kubernetes的使用細節，保證瞭對Mesos、Yarn等後端支持的兼容性，同時避免瞭直接暴露Kubernetes API帶來的授權問題以及安全隱患。
除瞭可以啟動單個容器執行用戶的訓練代碼，小米cloud-ml平臺也支持TensorFlow的分佈式訓練，使用時隻需要傳入ps和worker個數即可。考慮到對TensorFlow原生API的兼容性，我們並沒有定制修改TensorFlow代碼，用戶甚至可以在本地安裝開源的TensorFlow測試後再提交，同樣可以運行在雲平臺上。但本地運行分佈式TensorFlow需要在多臺服務器上手動起進程，同時要避免進程使用的端口與其他服務沖突，而且要考慮系統環境、內存不足、磁盤空間等問題，代碼更新和運維壓力成倍增加，Cloud Machine Learning下的分佈式TensorFlow隻需要在提交任務時多加兩個參數即可。有人覺得手動啟動分佈式TensorFlow非常繁瑣，在雲端實現邏輯是否更加復雜？其實並不是，通過雲服務的控制節點，我們在啟動任務前就可以分配不會沖突的端口資源，啟動時通過容器隔離環境資源，而用戶不需要傳入Cluster spec等繁瑣的參數，我們遵循Google CloudML標準，會自動生成Cluster spec等信息通過環境變量加入到容器的啟動任務中。這樣無論是單機版訓練任務，還是幾個節點的分佈式任務，甚至是上百節點的分佈式訓練任務，cloud-ml平臺都可以通過相同的鏡像和代碼來運行，隻是啟動時傳入的環境變量不同，在不改變任何外部依賴的情況下優雅地實現瞭看似復雜的分佈式訓練功能。
圖2 雲深度學習平臺分佈式訓練
?看到這裡大傢可能認為，小米的cloud-ml平臺和Google的CloudML服務，都有點類似之前很火的PaaS（Platform as a Service）或者CaaS（Container as a Service）服務。確實如此，基於Kubernetes或者Mesos我們可以很容易實現一個通用的CaaS，用戶上傳應用代碼和Docker鏡像，由平臺調度和運行，但不同的是Cloud Machine Learning簡化瞭與機器學習無關的功能。我們不需要用戶瞭解PaaS的所有功能，也不需要支持所有編程語言的運行環境，暴露提交任務、查看任務、刪除任務等更簡單的使用接口即可，而要支持不同規模的TensorFlow應用代碼，用戶需要以標準的Python打包方式上傳代碼。
Python的標準打包方式獨立於TensorFlow或者小米cloud-ml平臺，幸運的是目前Google CloudML也支持Python的標準打包方式，通過這種標準接口，我們甚至發現Google CloudML打包好的samples代碼甚至可以直接提交到小米cloud-ml平臺上訓練。這是非常有意思的嘗試，意味著用戶可以使用原生的TensorFlow接口來實現自己的模型，在本地計算資源不充足的情況下可以提交到Google CloudML服務上訓練，同時可以一行代碼不用改直接提交到小米或者其他雲服務廠商中的雲平臺上訓練。如果大傢在實現內部的雲深度學習平臺，不妨也參考下標準的Python打包方式，這樣用戶同一份代碼就可以兼容所有雲平臺，避免廠商綁定。
除瞭訓練任務，Cloud Machine Learning平臺最好也能集成模型服務、開發環境等功能。對於模型服務，TensorFlow社區開源瞭TensorFlow Serving項目，可以加載任意TensorFlow模型並且提供統一的訪問接口，而Caffe社區也提供瞭Web demo項目方便用戶使用。目前Kubernetes和Mesos都實現瞭類似Deployment的功能，通過制作TensorFlow Serving等服務的容器鏡像，我們可以很方便地為用戶快速啟動對應的模型服務。通過對Kubernetes API的封裝，我們在暴露給用戶API時也提供瞭replicas等參數，這樣用戶就可以直接通過Kubernetes API來創建多副本的Deployment實例，並且由Kubernetes來實現負載均衡等功能。除此之外，TensorFlow Serving本身還支持在線模型升級和同時加載多個模型版本等功能，我們在保證TensorFlow Serving容器正常運行的情況下，允許用戶更新分佈式對象存儲中的模型文件就可以輕易地支持在線模型升級的功能。
對於比較小眾但有特定使用場景的深度學習框架，Cloud Macine Learning的開發環境、訓練任務和模型服務都支持Bring Your Own Image功能，也就是說用戶可以定制自己的Docker鏡像並在提交任務時指定使用。這種靈活的設置極大地降低瞭平臺管理者的維護成本，我們不需要根據每個用戶的需求定制通用的Golden image，事實上也不可能有完美的鏡像可以滿足所有需求，用戶不同的模型可能有任意的Python或者非Python依賴，甚至是自己實現的私有深度學習框架也可以直接提交到Cloud Machine Learning平臺上訓練。內測BYOI功能時，我們還驚喜地發現這個功能對於我們開發新的深度學習框架支持，以及提前測試鏡像升級有非常大的幫助，同時用戶自己實現的Caffe模型服務和XGBoost模型服務也可以完美支持。
當然Cloud Machine Learning平臺還可以實現很多有意思的功能，例如通過對線上不同GPU機型打label，通過NodeSelector功能可以允許用戶選擇具體的GPU型號進行更細粒度的調度，這需要我們暴露更底層Kubernetes API實現，這在集群測試中也是非常有用的功能。而無論是基於GPU的訓練任務還是模型服務，我們都制作瞭對應的CUDA容器鏡像，通過Kubernetes調度到對應的GPU計算節點就可以訪問本地圖像處理硬件進行高性能運算瞭。小米cloud-ml還開放瞭前置命令和後置命令功能，允許用戶在啟動訓練任務前和訓推薦練任務結束後執行自定義命令，對於不支持分佈式存儲的深度學習框架，可以在前置命令中掛載S3 fuse和FDS fuse到本地目錄，或者初始化HDFS的Kerberos賬號，靈活的接口可以實現更多用戶自定義的功能。
還有超參數自動調優功能，與Google CloudML類似，用戶可以提交時指定多組超參數配置，雲平臺可以自動分配資源起多實例並行計算，為瞭支持讀取用戶自定義的指標數據，我們實現瞭類似TensorBoard的Python接口直接訪問TensorFlow event file數據，並通過命令行返回給用戶最優的超參數組合。最後還有TensorFlow Application Template功能，在Cloud Machine Learning平臺上用戶可以將自己的模型代碼公開或者使用官方維護的開源TensorFlow應用，用戶提交任務時可以直接指定這些開源模板進行訓練，模板已經實現瞭MLP、CNN、RNN和LR等經典神經網絡結構，還可以通過超參數來配置神經網絡每一層的節點數和層數，而且可以支持任意稠密和稀疏的數據集，這樣不需要編寫代碼就可以在雲平臺上訓練自己的數據快速生成AI模型瞭。
在前面的平臺設計和平臺架構後，要實現完整的雲深度學習服務並不困難，尤其是集成瞭Docker、Etcd、Kubernetes、TensorFlow等優秀開源項目，組件間通過API松耦合地交互，需要的重復工作主要是打通企業內部權限系統和將用戶請求轉化成Kubernetes等後端請求而已，而支持標準的打包方式還可以讓業務代碼在任意雲平臺上無縫遷移。
雲深度學習平臺實踐
目前小米雲深度學習平臺已經在內部各業務部門推廣使用，相比於直接使用物理機，雲服務擁有超高的資源利用率、快速的啟動時間、近乎“無限”的計算資源、自動的故障遷移、支持分佈式訓練和超參數自動調優等優點，相信可以得到更好的推廣和應用。
除瞭完成上述的功能，我們在實踐時也聽取瞭用戶反饋進行改進。例如有內部用戶反饋，在雲端訓練的TensorFlow應用把event file也導出到分佈式存儲中，使用TensorBoard需要先下載文件再從本地起服務相對麻煩，因此我們在原有基礎架構實現瞭TensorboardService功能，可以一鍵啟動TensorBoard服務，用戶隻需要用瀏覽器就可以打開使用。
管理GPU資源和排查GPU調度問題也是相當繁瑣的，尤其是需要管理不同GPU設備和不同CUDA版本的異構集群，我們統一規范瞭CUDA的安裝方式，保證Kubernetes調度的容器可以正常訪問宿主機的GPU設備。當然對於GPU資源的調度和釋放，我們有完善的測試文檔可以保證每一個GPU都可以正常使用，根據測試需求實現的NodeSelector功能也幫忙我們更快地定位問題。
由於已經支持幾十個功能和十幾個深度學習框架，每次升級都可能影響已有服務的功能，因此我們會在多節點的分佈式staging集群進行上線演習和測試，並且實現smoke test腳本進行完整的功能性測試。服務升級需要更新代碼，但是為瞭保證不影響線上業務，無論是Kubernetes還是我們實現的API Server都有多副本提供服務，通過高可用技術先遷移服務進行滾動升級，對於一些單機運行的腳本也通過Etcd實現瞭高可用的搶主機制，保證所有組件沒有單點故障。
大傢可以通過前面提到的文檔地址和cloud-ml-sdk項目瞭解到更多細節，或者關註微博@tobe-陳迪豪 與作者交流。
總結
本文介紹瞭實現企業級雲深度學習平臺需要的概念和知識，基於小米cloud-ml服務探討瞭雲平臺的設計、架構、超省錢實現以及實踐這四方面的內容，希望大傢看完有所收獲。?
?作者：陳迪豪，小米深度學習工程師，負責小米雲深度學習平臺的架構和實現，目前專註於TensorFlow和Kubernetes社區。
End.
轉載請註明來自36大數據（36dsj.com)：36大數據? 小米雲深度學習平臺的架構設計與實現
聲明：本文由入駐搜狐公眾平臺的作者撰寫，除搜狐官方賬號外，觀點僅代表作者本人，不代表搜狐立場。 設計
小米
程序設計
您或許有興趣的商品：
全站熱搜
留言列表
