本文共 1551 字，大约阅读时间需要 5 分钟。

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，其它静态资源（下图蓝色方框所示）则由Kubernetes进行管理。

提交作业：Web Portal 交互中间件：Launcher 作业、资源管理：Hadoop YARN 静态资源管理：Kubernetes

AI平台完全基于微服务架构，所有的AI平台服务和AI Job均在容器中运行，这样的设计让AI平台的部署更加简单，无论是在Ubuntu裸机集群还是在云服务器上，仅需运行几个脚本即可完成部署。这同时也使其能够支持多种不同类型的AI任务，如CNTK、TensorFlow、PyTorch等不同的深度学习框架。此外，用户通过自定义Job容器即可支持新的深度学习框架和其他机器学习、大数据等AI任务，具有很强的扩展性。

在运维方面，AI平台提供了AI任务在线调试、错误报警、日志管理、性能检测等功能，显著降低了AI平台的日常运维难度。同时，它还支持MPI、RDMA网络，可满足企业对大规模深度学习任务的性能要求。 不仅如此，AI平台还实现了与Visual Studio的集成。Visual Studio Tools for AI是微软Visual Studio 2017 IDE的扩展，用户在Visual Studio中就可以开发、调试和部署深度学习和AI解决方案。集成后，用户在Visual Studio中调试好的模型可便捷地部署到AI平台集群中。 AI平台提供了友好的用户界面，操作简单，便于用户进行集群监控、任务提交等。例如，主界面上显示了集群的GPU利用率、节点总数、CPU利用率、网络状况等。当某项数据异常时，AI平台将启动报警机制通知用户，并在UI上以颜色改变的形式进行提醒（如变成红色等）。 AI平台主界面

集群Job概览，点击Job名称可以查看详细信息及日志信息

Job运行状态页显示容器的IP地址、端口和GPU位置，该页面还提供远程SSH登录容器的信息 集群中机器运行状况概览，不同颜色展现了不同的忙闲程度

集群中每台机器上的Service运行状况

本文所有权归属广东腾杰信息科技有限公司

转载地址：http://pbwmf.baihongyu.com/