7月15日，被《福布斯》雜志譽為“大數據運動的里程碑”的全球頂級大數據會議Strata Data Conference在京召開。第四范式先知平臺架構師陳迪豪受邀出席大會，并分享了云深度學習平臺的架構與實踐經驗。

作為第四范式先知平臺架構師，陳迪豪活躍于Open stack、Kubernetes、TensorFlow等開源社區，實現了Cloud Machine Learning 云深度學習平臺，對如何進行云深度學習平臺架構有著深厚積累。本次演講中，他介紹了什么是云深度學習？在經過實踐后，應該如何重新定義云深度學習？以及第四范式在這方面的應用和實踐。以下文章按照現場演講實錄整理。

定義云深度學習平臺

什么是云深度學習？隨著機器學習的發展，單機運行的機器學習任務存在缺少資源隔離、無法動態伸縮等問題，因此要用到基于云計算的基礎架構辦事。云機器學習平臺并不是一個全新的概念，Google、微軟、亞馬遜等都有相應的辦事，這里列舉幾個比較典型的例子。

第一個是Google Cloud Machine Learning Engine，它底層托管在Google Cloud上，上層封裝了Training、Prediction、Model Service等機器學習應用的抽象，再上層支持了Google官方的TensorFlow開源框架。亞馬遜也推出了Amzon machine learning平臺，它基于AWS的Iaas架構，在Iaas上提供兩種差別的辦事，別離是可以運行MXNet等框架的EC2虛擬機辦事，以及各種圖象、語音、自然語言處理的SaaS API。此外，微軟提供了Azure Machine Learning Studio辦事，底層也是基于本身可伸縮、可拓展的Microsoft Azure Cloud辦事，上層提供了拖拽式的更易用的Studio工具，再上面支持微軟官方的CNTK等框架，除此之外微軟還有各種感知辦事、圖象處理等SaaS API，這些辦事都是跑在Scalable的云基礎平臺上面。

以上這些都是業界比較成熟的云深度學習平臺，而在真實的企業環境中，我們為什么還需要實現Cloud Machine Learning辦事呢？首先國外的基礎設施并不必然是國內企業可以直接使用的，而如果只是當地安置了TensorFlow，那也只能在裸機上進行訓練，當地默認沒有資源隔離，如果同時跑兩個訓練任務就需要本身去解決資源沖突的問題。因為沒有資源隔離，所以也做不了資源共享，即使你有多節點的計算集群資源，也需要人工的約定才能保證任務不會沖突，無法充分利用資源共享帶來的便當。此外，開源的機器學習框架沒有集群級另外編排功能，例如你想用分布式TensorFlow時，需要手動在多臺辦事器上啟動進程，沒有自動的Failover和Scalling。因此，很多企業已經有機器學習的業務，但因為缺少Cloud Machine Learning平臺，仍會有安排、辦理、集群調度等問題。

那么如何實現Cloud Machine Learning平臺呢？我們對云深度學習辦事做了一個分層，第一層是平臺層，類似于Google cloud、Azure、AWS這樣的IaaS層，企業內部也可以使用一些開源的方案，如容器編排工具Kubernetes或者虛擬機辦理工具OpenStack。有了這層之后，我們還需要支持機器學習相關的功能，例如Training、Prediction、模型上線、模型迭代更新等，我們在Machine Learning Layer層對這些功能進行抽象，實現了對應的API接口。最上面是模型應用層，就可以基于一些開源的機器學習類庫，如TensorFlow、MXNet等。

整個Cloud Machine learning運行在可伸縮的云辦事上，包行了模型開發、模型訓練，以及模型辦事等功能，形成一個完整的機器學習工作流。但這并不是一個閉環，我們在實踐中發現，線上的機器學習模型是有時效性的，例如新聞保舉模型就需要及時更新熱點新聞的樣本特征，這時就需要把閉環打通，把線上的預測結果加入到線下的訓練任務里，然后通過在線學習或者模型升級，實現完整的機器學習閉環，這些都是單機版的機器學習平臺所不能實現的。

打造云深度學習平臺主要包羅以下幾個組件：首先是客戶端拜候的API Service，作為辦事提供方，我們需要提供尺度的RESTful API辦事，后端可以對接一個Kubernetes集群、OpenStack集群、甚至是自研的資源辦理系統?？蛻舳苏埱蟮紸PI辦事后，平臺需要解析機器學習任務的參數，通過Kubernetes或者OpenStack來創建任務，調度到后端真正執行運算的集群資源中。如果是訓練任務，可以通過起一個訓練任務的Container，里面預裝了TensorFlow或MXNet運行環境，通過這幾層抽象就可以將單機版的TensorFlow訓練任務提交到由Kubernetes辦理的計算集群中運行。在模型訓練結束后，系統可以導出模型對應的文件，通過請求云深度學習平臺的API辦事，最終翻譯成Kubernetes可以理解的資源配置請求，在集群中啟動TensorFlow Serving等辦事。除此之外，，在Google Cloud-ML最新的API里多了一個Prediction功能，預測時既可以啟動在線Service，也可以啟動離線的Prediction的任務，平臺只需要創建對應的Prediction的容器來做Inference和生存預測結果即可 。通過這種簡單的封裝，就可以實現類似Google Cloud-ML的基礎架構了。