人工智能训练平台

人工智能训练平台

1、平台定位

为深度学习提供一个深度定制和优化的人工智能集群管理平台，让人工智能堆栈变得简单、快速、可扩展。
● 为深度学习量身定做，可扩展支撑更多AI和大数据框架
通过创新的AI平台运行环境支持，几乎所有深度学习框架如CNTK、TensorFlow、PyTorch等无需修改即可运行；其基于Docker的架构则让用户可以方便地扩展更多AI与大数据框架。
● 容器与微服务化，让AI流水线实现DevOps
AI平台 100%基于微服务架构，让AI平台以及开发便于实现DevOps的开发运维模式。
● 支持GPU多租，可统筹集群资源调度与服务管理能力
在深度学习负载下，GPU逐渐成为资源调度的一等公民，AI平台提供了针对GPU优化的调度算法，丰富的端口管理，支持Virtual Cluster多租机制，可通过Launcher Server为服务作业的运行保驾护航。
● 提供丰富的运营、监控、调试功能，降低运维复杂度
PAI为运营人员提供了硬件、服务、作业的多级监控，同时开发者还可以通过日志、SSH等方便调试作业。

2、系统架构

AI平台的架构如下图所示，用户通过Web Portal调用REST Server的API提交作业（Job）和监控集群，其它第三方工具也可通过该API进行任务管理。随后Web Portal与Launcher交互，以执行各种作业，再由Launcher Server处理作业请求并将其提交至Hadoop YARN进行资源分配与调度。可以看到，AI平台给YARN添加了GPU支持，使其能将GPU作为可计算资源调度，助力深度学习。其中，YARN负责作业的管理，其它静态资