人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)應(yīng)用程序的密集需求對(duì)數(shù)據(jù)中心的性能、可靠性和可擴(kuò)展性提出了挑戰(zhàn)，尤其是在IT架構(gòu)師模仿公共云的設(shè)計(jì)以簡化向混合云和內(nèi)部部署的過渡時(shí)。

 

Excelero公司首席技術(shù)官Sven Breuner和首席架構(gòu)師Kirill Shoikhet為此分享了9個(gè)為人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)準(zhǔn)備數(shù)據(jù)中心的最佳實(shí)踐。

 

數(shù)據(jù)點(diǎn)1：了解目標(biāo)系統(tǒng)性能、投資回報(bào)率和可擴(kuò)展性計(jì)劃。

 

隨著人工智能成為核心業(yè)務(wù)的重要組成部分，大多數(shù)組織都從最初的少量預(yù)算和少量培訓(xùn)數(shù)據(jù)集入手，并為無縫快速的系統(tǒng)增長準(zhǔn)備基礎(chǔ)設(shè)施。需要構(gòu)建所選的硬件和軟件基礎(chǔ)設(shè)施，以實(shí)現(xiàn)靈活的橫向擴(kuò)展，以避免在每個(gè)新的增長階段產(chǎn)生破壞性的變化。數(shù)據(jù)科學(xué)家與系統(tǒng)管理員之間的密切協(xié)作對(duì)于了解性能要求，并了解基礎(chǔ)設(shè)施可能需要隨著時(shí)間的發(fā)展而變得至關(guān)重要。

 

數(shù)據(jù)點(diǎn)2：現(xiàn)在或?qū)碓u(píng)估集群多個(gè)GPU系統(tǒng)。

 

在一臺(tái)服務(wù)器中采用多個(gè)GPU可以在系統(tǒng)內(nèi)部實(shí)現(xiàn)有效的數(shù)據(jù)共享和通信，并具有成本效益，參考設(shè)計(jì)假定將來可以集群使用，并且在單個(gè)服務(wù)器中最多支持16個(gè)GPU。多個(gè)GPU服務(wù)器需要準(zhǔn)備好以很高的速率讀取傳入的數(shù)據(jù)，以使GPU高效運(yùn)行，這意味著它需要一個(gè)超高速的網(wǎng)絡(luò)連接，以及用于訓(xùn)練數(shù)據(jù)庫的存儲(chǔ)系統(tǒng)。但是在某個(gè)時(shí)候，單臺(tái)服務(wù)器將不再足以在合理的時(shí)間內(nèi)處理增長的訓(xùn)練數(shù)據(jù)庫，因此在設(shè)計(jì)中構(gòu)建共享存儲(chǔ)基礎(chǔ)設(shè)施將使隨著人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)使用的擴(kuò)展，添加GPU服務(wù)器變得更容易。

 

數(shù)據(jù)點(diǎn)3：評(píng)估人工智能工作流程各個(gè)階段的瓶頸。

 

數(shù)據(jù)中心基礎(chǔ)設(shè)施需要能夠同時(shí)處理人工智能工作流程的所有階段。對(duì)于具有成本效益的數(shù)據(jù)中心來說，擁有一個(gè)可靠的資源調(diào)度和共享概念是至關(guān)重要的。因此，盡管數(shù)據(jù)科學(xué)家獲得了需要攝取和準(zhǔn)備的新數(shù)據(jù)，但其他人將訓(xùn)練他們的可用數(shù)據(jù)，而其他人則使用先前生成的模型進(jìn)行訓(xùn)練用于生產(chǎn)。Kubernetes已成為解決這一問題的一種主要解決方案，使云計(jì)算技術(shù)易于在內(nèi)部部署使用，并使混合部署變得可行。

 

數(shù)據(jù)點(diǎn)4：查看用于優(yōu)化GPU利用率和性能的策略。

 

許多人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)應(yīng)用程序的計(jì)算密集型性質(zhì)使基于GPU的服務(wù)器成為常見選擇。但是，盡管GPU可以有效地從內(nèi)存加載數(shù)據(jù)，但是訓(xùn)練數(shù)據(jù)集通常遠(yuǎn)遠(yuǎn)超過內(nèi)存，并且涉及的大量文件變得更加難以攝取。在GPU服務(wù)器之間以及與存儲(chǔ)基礎(chǔ)設(shè)施之間，實(shí)現(xiàn)GPU數(shù)量與可用CPU功率、內(nèi)存和網(wǎng)絡(luò)帶寬之間的最佳平衡至關(guān)重要。

 

數(shù)據(jù)點(diǎn)5：支持訓(xùn)練和推理階段的需求。

 

在訓(xùn)練系統(tǒng)“看貓”的經(jīng)典示例中，計(jì)算機(jī)執(zhí)行一個(gè)數(shù)字游戲，需要查看大量不同顏色的貓。由于包含大量并行文件讀取的訪問的性質(zhì)，NVMe閃存通過提供超低的訪問延遲和每秒的大量讀取操作很好地滿足了這些要求。在推理階段，挑戰(zhàn)是相似的，因?yàn)閷?duì)象識(shí)別通常是實(shí)時(shí)發(fā)生的——另一個(gè)使用案例中，NVMe閃存也提供了延遲優(yōu)勢(shì)。

 

數(shù)據(jù)點(diǎn)6：考慮并行文件系統(tǒng)和替代方案。

 

諸如IBM公司的SpectrumScale或BeeGFS之類的并行文件系統(tǒng)可以幫助有效地處理大量小文件的元數(shù)據(jù)，并通過在網(wǎng)絡(luò)上每秒交付數(shù)萬個(gè)小文件，從而使機(jī)器學(xué)習(xí)數(shù)據(jù)集的分析速度提高3到4倍。鑒于訓(xùn)練數(shù)據(jù)的只讀性質(zhì)，因此在將數(shù)據(jù)卷直接提供給GPU服務(wù)器并通過Kubernetes之類的框架以共享方式共享它們時(shí)，也可以完全避免使用并行文件系統(tǒng)。

 

數(shù)據(jù)點(diǎn)7：選擇正確的網(wǎng)絡(luò)主干。

 

人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)通常是一種新的工作負(fù)載，將其重新安裝到現(xiàn)有的網(wǎng)絡(luò)基礎(chǔ)設(shè)施中通常無法支持復(fù)雜計(jì)算和快速高效數(shù)據(jù)傳輸所需的低延遲、高帶寬、高消息速率和智能卸載。基于RDMA的網(wǎng)絡(luò)傳輸RoCE(融合以太網(wǎng)上的RDMA)和InfiniBand已成為滿足這些新需求的標(biāo)準(zhǔn)。

 

數(shù)據(jù)點(diǎn)8：考慮四個(gè)存儲(chǔ)系統(tǒng)的性價(jià)比杠桿。

 

(1)高讀取吞吐量和低延遲，不限制混合部署，可以在云平臺(tái)或內(nèi)部部署資源上運(yùn)行。

 

(2)數(shù)據(jù)保護(hù)。人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)存儲(chǔ)系統(tǒng)通常比數(shù)據(jù)中心中的其他系統(tǒng)要快得多，因此在發(fā)生故障后從備份中恢復(fù)可能會(huì)花費(fèi)很長時(shí)間，并且會(huì)中斷正在進(jìn)行的操作。深度學(xué)習(xí)訓(xùn)練的只讀性質(zhì)使其非常適合于分布式擦除編碼，在這種存儲(chǔ)中，最高容錯(cuò)能力已經(jīng)內(nèi)置在主存儲(chǔ)系統(tǒng)中，原始容量和可用容量之間的差異很小。

 

(3)容量彈性可適應(yīng)任何大小或類型的驅(qū)動(dòng)器，以便隨著閃存介質(zhì)的發(fā)展和閃存驅(qū)動(dòng)器特性的擴(kuò)展，數(shù)據(jù)中心可以在最重要的情況下最大限度地提高性價(jià)比。

 

(4)性能。由于人工智能數(shù)據(jù)集需要隨著時(shí)間的推移而增長，以進(jìn)一步提高模型的準(zhǔn)確性，因此存儲(chǔ)基礎(chǔ)設(shè)施應(yīng)實(shí)現(xiàn)接近線性的縮放系數(shù)，在這種情況下，每增加一次存儲(chǔ)都會(huì)帶來同等的增量性能。這使得組織可以從小規(guī)模開始，并根據(jù)業(yè)務(wù)需要而無中斷地增長。

 

數(shù)據(jù)點(diǎn)9：設(shè)置基準(zhǔn)和性能指標(biāo)以幫助實(shí)現(xiàn)可擴(kuò)展性。

 

例如，對(duì)于深度學(xué)習(xí)存儲(chǔ)，一個(gè)重要指標(biāo)可能是每個(gè)GPU每秒處理X個(gè)文件(通常為數(shù)千或數(shù)萬個(gè))，其中每個(gè)文件的平均大小為Y(從幾十個(gè)到數(shù)千個(gè))kB 。預(yù)先建立適當(dāng)?shù)幕鶞?zhǔn)和性能指標(biāo)有助于從一開始就確定架構(gòu)方法和解決方案，并指導(dǎo)后續(xù)擴(kuò)展。

 

版權(quán)聲明：本文為企業(yè)網(wǎng)D1Net編譯，轉(zhuǎn)載需注明出處為：企業(yè)網(wǎng)D1Net，如果不注明出處，企業(yè)網(wǎng)D1Net將保留追究其法律責(zé)任的權(quán)利。