小米深度學習平臺架構與實現

機器學習是通過機器進行自主學習資料而非以編碼的方式；深度學習是機器學習的一個分支，主要包括四種最基本的網路結構。

CNN是卷積神經網路。通過卷積網路的模型，可以高效地處理影象分類或人臉識別等應用。

MLP是多層感知機，也就是傳統的神經網路。已經被Google大量應用在Youtube視訊推薦和APP推薦上。

RNN模型是在神經元里加入帶記憶的神經元結構，可以處理和時間序列有關的問題。

RL是Alphago用到的增強學習，它的底層也用到一些深度學習技術。

但現在有了神經網路，輸入只是資料，只要定義一個簡單的神經網路，把應用寫好後通過資料訓練，就能實現一個效果不錯的影象分類應用。

Google已經開源了Inception的模型，是層數比較高的一個多層神經網路。這個網路有些複雜，用GPU機器可能要訓練兩到三週才能實現。有了Tensorflow這樣的工具後，可以在Github地址上直接下載它的模型。

GameAI是遊戲人工智慧，通過影象的結果用增強學習和Qlearning的演算法，就可以實現它自動最大化地得到分數。

Tensorflow是Google開源的一個Deep Learning Library，提供了C++和Python介面，支援使用GPU和CPU進行訓練，也支援分散式大規模訓練。

在使用Tensorflow的時候，只寫一個靜態純文字的檔案，通過Python直譯器去執行，所以Tensorflow本質上只是一個Deep Learning Library。

Tensorflow這個Library需要人工安裝，指令碼需要手動執行，環境需要手動配置。分散式的Tensorflow要把一個指令碼拷貝到多臺機器上，手動配置。要進行程式碼調優需要手動Run和Tune。

我們想做Tensorflow模型調優，但伺服器可能出現OOM、可能使用的埠被別人佔用、也可能磁碟出現故障，伺服器環境變成應用開發者的負擔。

分散式Tensorflow同樣需要把程式碼拷貝到分散式的各臺機器上，且不論Tensorflow的效能是否隨著節點數越多而增強，伺服器維護成本已呈線性增加了。

雖然Google開源了一個非常好的深度學習工具，但它並沒有解決深度學習應用部署和排程的問題。

有人說過，任何複雜的問題都能通過抽象來解決。

我們在中間引入一個分散式的管理系統，讓上層業務應用不需要直接管理底層資源，由統一的排程系統去實現。

我們希望這是一個雲端計算，而不是提供裸機的服務。使用者只需寫好應用程式碼提交，不用通過Ssh或登入到伺服器上用指令碼執行。

我們想把模型的訓練和服務進行整合。一個模型訓練完成後會得到一些模型檔案，可以直接把這些模型檔案應用起來。

我們希望這個平臺是高可用的，即使使用者的任務訓練失敗，也能重新給使用者做一個排程。

使用者之間的任務是需要做資源隔離和動態排程。

我們希望能支援併發的訓練。

通過Automatically Tuning平臺，使用者可以一次提交多個超引數組合，讓它並行訓練，等訓練結束可以直接看到效果。

目前這個平臺已經為使用者提供深度學習框架的開發環境，開發完之後可以把程式碼提交上去，然後就可以訓練，訓練結果會直接儲存在我們自己的分散式儲存裡。使用者可以通過這個平臺起一個RPC服務，他的手機或業務伺服器能夠直接呼叫這個服務。我們還提供了Model Zoo以及RPC客戶端的一些功能。

這是深度學習平臺的基本架構。

最上層是使用者業務，有廣告、搜尋、遊戲等，都有自己的業務場景，可以根據自己的資料格式編寫一些Tensorflow、深度學習的指令碼。通過Cloud-Ml的API把任務提交到服務端，由服務端建立一個容器，把它呼叫到真正的物理機計算資源上。

這整個大平臺主要是由Tensorflow和Kubermetes實現的。由這個平臺管理底層維護的CPU伺服器和GPU伺服器、虛擬機器以及AWS的機器。

Kubermetes是一個容器的叢集管理系統，它會依賴一個多節點的Etcd叢集，有一個或多個Master去管理Kubelet節點。每個物理機會部署一個Kubelet和Docker程式，在上面會執行多個Docker的Container。

我們這個平臺封裝了一個Kubelet，讓使用者把業務程式碼提交上來，組成一個Docker容器的格式，然後由Kubelet去排程。

這是一個分層和解耦的基本架構，好處就是API服務只需要負責授權認證、任務管理，排程通過Kubermetes去做，Kubermetes的後設資料都通過Etcd去儲存，每一部分都利用API進行請求。這樣就能把整個系統的元件解耦。

有了深度學習平臺之後，通過已經支援的API宣告提交任務的名稱，編寫好Python程式碼的地址。執行程式碼的引數通過Post請求過來。

我們也提供SDK對API做了封裝。

命令列工具Command能夠直接把寫好的指令碼提交到雲平臺進行訓練。還有內部整合的Web Console。

訓練任務提交之後，在命令列可以看到任務訓練日誌。

Tensorboard可以看定義的模型結構。

訓練任務結束後可以直接起一個Model Service。因為檔案已經儲存在雲端儲存裡了，只要再發一個API請求，在後端也封裝了一個Docker Image。

底層是依賴Google已經開源的Tensorflow Serving直接載入模型檔案。

左邊是Online Services，使用者把模型訓練完儲存在這裡，起一個容器，對外提供高效能的RPC服務。

線上服務支援Grpc和HTTP介面，理論上支援大部分程式語言。可以使用Java客戶端、C++客戶端、Go客戶端和Python客戶端，或直接在Andriod請求模型服務。

通過一個統一的介面對外提供影象相關的API，底層是由Kubermetes進行排程和資源隔離。

右邊是Python的Grpc客戶端，當模型起來以後，使用者只需要編寫二十幾行Python程式碼，把模型的輸入準備好，就可以請求服務。

在有深度學習平臺以後，工作流是這樣的。上面是工作環境，雲端有伺服器和基礎架構維護的服務。使用者在本地環境編寫自己的Tensorflow應用，在本地驗證這個應用能否跑起來。

通過Submit Train Job的API把任務提交到雲端，真正用GPU或CPU訓練的程式碼就在雲端執行。執行完之後會把模型儲存到分散式儲存裡面。

使用者可以用官方提供的Test TF APP去看模型訓練的效果如何，如果沒問題，在使用者自己的環境呼叫Deploy Model的API，這樣就會把Model拿出來起一個容器，對外提供RPC服務。

使用者就可以選擇自己喜歡的客戶端，用RPC的方式請求模型服務。

支援分散式訓練。使用者在Python指令碼里定義了一系列引數，把這個指令碼拷貝到各臺機器上去執行。

我們讓使用者把分散式節點個數和當前程式角色通過環境變數定義，環境變數名是固定的。這樣它只需要一個環境變數就可以定義程式在分散式訓練裡的角色。

我們把使用者的指令碼拿出來以後，不需要它去管理伺服器的環境，只需要宣告這個叢集有多少個PS、Worker和Master，把這些引數提交給Cloud-Ml的API服務，由它來申請可用的IP和埠。

我們對儲存系統做了整合。開源的Tensorflow目前只支援本地儲存，因為我們在雲端訓練，任務由我們排程到特定的機器，使用者不可能直接把訓練資料放到本地。

我們希望使用者能直接訪問我們的分散式儲存，所以對Tensorflow原始碼做了修改。提交任務的時候可以直接指定一個FDS的路徑，系統就能根據使用者的許可權直接讀取訓練資料。

對Google官方的Tensorflow做了擴充。訓練完之後資料全部放在分散式儲存裡，用Tensorflow指定FDS路徑。

訓練完把模型匯出到FDS以後，通過Cloud-Ml的API建立一個服務，載入它的模型檔案。

針對不同的模型宣告不同的請求資料，輸入型別和輸入的值通過Json定義，就可以請求模型服務了。

HPAT是神經網路裡的超引數自動調優，極大縮短了科研人員和專注做演算法模型人員的時間。

讓使用者提交程式碼的時候提交一個標準的Python Package。

讓使用者的Docker直接提交到Kubermetes叢集裡，真正徹底解決使用者依賴的問題。

我們把Model檔案放到儲存中，通過API把Paper實現了，不同的Model都可以部署到這個平臺上，這樣就可以通過RPC來直接訪問這個服務了。

今天主要給大家分享了深度學習的應用，以及在思考做一個深度學習平臺之後，我們的考慮和架構設計，希望能給大家帶來一些幫助。我們也相信雲端計算大資料時代已經到來，下一個時代將會是深度學習，並且未來會繼續往雲深度學習發展。謝謝大家！

今天的分享到此結束，謝謝大家！