摘要：?為什么要用Kubernetes去難為數(shù)據(jù)科學(xué)家呢？

2018年7月，阿里云將深度學(xué)習(xí)工具Arena貢獻(xiàn)給了開源社區(qū)，數(shù)據(jù)科學(xué)家無需學(xué)習(xí)底層IT資源使用，即可在云端運(yùn)行深度學(xué)習(xí)，一分鐘內(nèi)啟動(dòng)深度學(xué)習(xí)任務(wù)，十五分鐘內(nèi)創(chuàng)建異構(gòu)計(jì)算集群。

為什么要有Arena這樣的工具？

現(xiàn)在Kubernetres社區(qū)最流行的深度學(xué)習(xí)解決方案是KubeFlow，Arena是不是又重新造了個(gè)輪子？KubeFlow是基于Kubernetes構(gòu)建的可組合，便攜式, 可擴(kuò)展的機(jī)器學(xué)習(xí)技術(shù)棧，支持實(shí)現(xiàn)從JupyterHub模型開發(fā)，TFJob模型訓(xùn)練到TF-serving，Seldon預(yù)測端到端的解決方案。但是KubeFlow需要用戶精通Kubernetes，比如寫一個(gè)TFJob的部署yaml文件，這對于機(jī)器學(xué)習(xí)平臺(tái)最主要的使用者---數(shù)據(jù)科學(xué)家來說是非常有挑戰(zhàn)的事情。

這與數(shù)據(jù)科學(xué)家的期望還有比較大的差距，數(shù)據(jù)科學(xué)家關(guān)心的是三件事：

1. 數(shù)據(jù)從哪里來

2. 如何運(yùn)行機(jī)器學(xué)習(xí)的代碼

3. 訓(xùn)練結(jié)果（模型和日志）如何查看

數(shù)據(jù)科學(xué)家編寫一些簡單的腳本，在桌面機(jī)上運(yùn)行機(jī)器學(xué)習(xí)代碼，這是他們熟悉和喜歡的工作方式。但是利用桌面機(jī)進(jìn)行模型訓(xùn)練，又會(huì)遇到由于硬盤空間有限導(dǎo)致處理數(shù)據(jù)量不足，無法使用分布式訓(xùn)練導(dǎo)致計(jì)算力受限等問題。

為此我們開發(fā)了Arena，用一個(gè)命令行工具屏蔽所有底層資源、環(huán)境管理、任務(wù)調(diào)度和GPU調(diào)度分配的復(fù)雜性，它幫助數(shù)據(jù)科學(xué)家以一種簡單熟悉的方式提交訓(xùn)練任務(wù)并且檢查訓(xùn)練進(jìn)展。數(shù)據(jù)科學(xué)家在調(diào)用Arena的時(shí)候可以指定數(shù)據(jù)來源，代碼下載和是否使用TensorBoard查看訓(xùn)練效果。

Arena有怎樣的作用？

Arena目前支持單機(jī)訓(xùn)練和PS-Worker模式的分布式訓(xùn)練，其后端實(shí)現(xiàn)依賴于KubeFlow提供的TFJob，很快也會(huì)擴(kuò)展到MPIJob，PytorchJob。

同時(shí)也支持實(shí)時(shí)訓(xùn)練的運(yùn)維包括：
? 利用top命令監(jiān)控GPU資源的分配和調(diào)度
? 支持CPU，GPU的資源監(jiān)控
? 訓(xùn)練日志的實(shí)時(shí)查詢

未來我們希望能夠通過Arena實(shí)現(xiàn)深度學(xué)習(xí)生產(chǎn)流水線 - 集成訓(xùn)練數(shù)據(jù)管理，實(shí)驗(yàn)任務(wù)管理，模型開發(fā)，持續(xù)訓(xùn)練、評估，上線預(yù)測全流程。

Arena的目標(biāo)就是讓數(shù)據(jù)科學(xué)家簡單的釋放KubeFlow的洪荒之力，像桌面機(jī)上訓(xùn)練一樣簡單，同時(shí)又擁有了集群級別調(diào)度和管理的掌控性。為了能夠更好的在社區(qū)內(nèi)共享和合作，我們已經(jīng)在github上開源了自己的代碼：https://github.com/AliyunContainerService/arena，歡迎大家了解和使用，如果您覺得不錯(cuò)，請給我們點(diǎn)贊。如果您希望貢獻(xiàn)代碼，我們非常歡迎。

Arena背后的故事，阿里云容器深度學(xué)習(xí)解決方案

開源工具Arena脫胎于阿里云深度學(xué)習(xí)解決方案， 該方案已經(jīng)支持多種深度學(xué)習(xí)框架（如Tensorflow、Caffe、Hovorod、Pytorch等），從始至終地支撐深度學(xué)習(xí)的整條生產(chǎn)流水線（集成訓(xùn)練數(shù)據(jù)管理、實(shí)驗(yàn)任務(wù)管理、模型開發(fā)、持續(xù)訓(xùn)練及評估、上線預(yù)測等環(huán)節(jié)）。

該方案深度整合阿里云資源與服務(wù)，高效使用CPU、GPU等異構(gòu)資源，統(tǒng)一容器化編排管控，并提供多維度監(jiān)控告警和運(yùn)維平臺(tái)。

寫在最后

“深度學(xué)習(xí)為人工智能帶來變革式的蓬勃發(fā)展，然而對計(jì)算和數(shù)據(jù)資源的依賴也急劇增加。” 阿里云相關(guān)技術(shù)負(fù)責(zé)人張凱表示：“基于容器和異構(gòu)計(jì)算技術(shù)，阿里云為大規(guī)模訓(xùn)練提供端到端的支持，不斷打磨使用更簡單、功能更強(qiáng)大的深度學(xué)習(xí)解決方案?！?/p>

原文鏈接

本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。