想獨(dú)立開展深度學(xué)習(xí)研究，你準(zhǔn)備好了嗎？
深度學(xué)習(xí)是一門經(jīng)驗(yàn)科學(xué)，具備優(yōu)質(zhì)的研發(fā)基礎(chǔ)架構(gòu)通常能令科研團(tuán)隊(duì)事半功倍。幸運(yùn)的是，依托現(xiàn)有的開源生態(tài)，任何人都能構(gòu)建出非常不錯(cuò)的深度學(xué)習(xí)基礎(chǔ)架構(gòu)。
在這篇文章中，我們會(huì)和大家分享如何開展深度學(xué)習(xí)的研究，也會(huì)一并介紹我們?cè)谘芯恐羞x用的基礎(chǔ)架構(gòu)和開源技術(shù)kubernetes-ec2-autoscaler，這是一種用于Kubernetes批處理任務(wù)的彈性伸縮管理器（batch-optimizedscalingmanager）。
用例
深度學(xué)習(xí)的演進(jìn)通常源于一個(gè)能夠在小問(wèn)題上被驗(yàn)證的構(gòu)想。在這個(gè)階段，你需要快速地進(jìn)行大量隨機(jī)實(shí)驗(yàn)。理想情況下，只需遠(yuǎn)程登錄到一臺(tái)機(jī)器，運(yùn)行一個(gè)腳本，不到一個(gè)小時(shí)就可以得到結(jié)果。
但是構(gòu)建一個(gè)真正可用的模型通常會(huì)經(jīng)歷很多次失敗，需要我們不停地去修復(fù)這些缺陷。（這和其他新建的軟件系統(tǒng)一樣，你需要多次運(yùn)行代碼才能判斷它是如何運(yùn)轉(zhuǎn)的。）
你需要通過(guò)多個(gè)角度的計(jì)算來(lái)檢測(cè)模型，從而意識(shí)到它是如何學(xué)習(xí)的。DarioAmodei的這種增強(qiáng)學(xué)習(xí)機(jī)制（控制右側(cè)的球拍）可以在擊球游戲中獲得很高的分?jǐn)?shù)，但你會(huì)發(fā)現(xiàn)，游戲中右側(cè)的球拍完全沒(méi)有移動(dòng)。
因此深度學(xué)習(xí)的基礎(chǔ)架構(gòu)要能允許用戶靈活地反觀模型，僅僅展示一些統(tǒng)計(jì)結(jié)果是不夠的。
當(dāng)模型表現(xiàn)出一定的應(yīng)用前景，你會(huì)希望將它擴(kuò)展到更大的數(shù)據(jù)集和更多的GPU上運(yùn)行，但這會(huì)花費(fèi)大量的時(shí)間。而且你需要認(rèn)真地管理實(shí)驗(yàn)并非常謹(jǐn)慎地去選擇超參數(shù)（hyperparameters）的范圍。
這種科研的過(guò)程在早期是快速且缺乏系統(tǒng)性的；到了后期，過(guò)程會(huì)逐漸有條理卻很耗費(fèi)精力，但為了獲得完美的結(jié)果，這是必不可少的。
案例
論文ImprovedTechniquesforTrainingGANs開篇講述了TimSalimans對(duì)于如何改進(jìn)生成對(duì)抗網(wǎng)絡(luò)（GAN）訓(xùn)練機(jī)制的一些看法。我們會(huì)挑其中較簡(jiǎn)單的一個(gè)進(jìn)行介紹（這雖然不是最好的半監(jiān)督學(xué)習(xí)案例，但它生成了最好看的樣本）。
GANs由一個(gè)生成器網(wǎng)絡(luò)和一個(gè)鑒別器網(wǎng)絡(luò)構(gòu)成。生成器會(huì)不停地去干擾鑒別器，而鑒別器會(huì)盡力地將生成器造出的數(shù)據(jù)和真實(shí)數(shù)據(jù)區(qū)分開來(lái)。通常來(lái)說(shuō)，判斷生成器的好壞，看它能不能騙過(guò)所有鑒別器就行了，但難題仍然存在：如果生成器一直輸出完全相同的（幾乎和真實(shí)的一樣）樣本會(huì)造成網(wǎng)絡(luò)的崩潰。
Tim提出可以用小批次的樣本數(shù)據(jù)代替原先的一整個(gè)樣本提供給鑒別器。這樣鑒別器就可以判斷生成器是否一直在傳同樣的圖像。當(dāng)崩潰發(fā)生時(shí)，生成器將會(huì)進(jìn)行梯度調(diào)整來(lái)修正這個(gè)問(wèn)題。
下一步就是基于MNIST和CIFAR-10將構(gòu)想轉(zhuǎn)化為原型。這需要快速地構(gòu)建出一個(gè)初步的模型，然后運(yùn)行真實(shí)的數(shù)據(jù)并檢測(cè)結(jié)果。在經(jīng)過(guò)幾次快速的迭代之后，Tim得到了CIFAR-10的樣本，這次的結(jié)果十分振奮人心，幾乎是我們見過(guò)的在這個(gè)數(shù)據(jù)集上跑出的最好樣本了。
深度學(xué)習(xí)（以及常說(shuō)的AI算法）如果要真正形成一定影響就必須擴(kuò)大實(shí)驗(yàn)規(guī)模，一個(gè)小型神經(jīng)網(wǎng)絡(luò)可以驗(yàn)證概念，而大型的神經(jīng)網(wǎng)絡(luò)才能真正解決問(wèn)題。因此IanGoodfellow開始把模型擴(kuò)展到ImageNet進(jìn)行驗(yàn)證。
模型學(xué)習(xí)生成ImageNet的圖像
有了更大的模型和數(shù)據(jù)集，Ian就需要用更多的GPU來(lái)并行地運(yùn)行模型。任務(wù)運(yùn)行時(shí)機(jī)器的CPU和GPU利用率會(huì)飆升至90%，但是即使這樣仍需要花費(fèi)很多天才能完成模型訓(xùn)練。在這種模式下，每一次實(shí)驗(yàn)機(jī)會(huì)都顯得無(wú)比珍貴，他也會(huì)非常細(xì)致地記錄下每次實(shí)驗(yàn)的結(jié)果。
雖然實(shí)驗(yàn)最終得到了不錯(cuò)的結(jié)果，但仍沒(méi)有達(dá)到我們的預(yù)期。為了找到原因我們做了很多嘗試，但仍然攻克不了。這大概就是科學(xué)的本質(zhì)吧。
基礎(chǔ)架構(gòu)
軟件
TensorFlow代碼的樣例
我們絕大部分的研究代碼是用Python完成的，詳細(xì)內(nèi)容可以在我們的開源項(xiàng)目中查看到。我們通常使用TensorFlow（在特殊情況下也會(huì)使用Theano）來(lái)進(jìn)行GPU計(jì)算；使用Numpy或其他方法來(lái)進(jìn)行CPU計(jì)算。研究人員有時(shí)也會(huì)使用更上層的框架，比如基于TensorFlow的Keras。
和多數(shù)深度學(xué)習(xí)社區(qū)一樣，我們會(huì)使用Python2.7。Anaconda也經(jīng)常會(huì)用到，它可以方便地給OpenCV打包，并對(duì)一些科學(xué)算法庫(kù)進(jìn)行性能優(yōu)化。
硬件
對(duì)于理想的批處理任務(wù)，將集群計(jì)算節(jié)點(diǎn)的數(shù)量翻倍會(huì)減半任務(wù)執(zhí)行時(shí)間。不幸的是，在深度學(xué)習(xí)中，機(jī)器人維修，GPU數(shù)量的增加只會(huì)引起任務(wù)亞線性的加速。因此頂級(jí)的計(jì)算性能只能依靠頂級(jí)的GPU來(lái)實(shí)現(xiàn)。我們也使用了許多CPU用于構(gòu)建模擬器、增強(qiáng)學(xué)習(xí)環(huán)境或是小規(guī)模的模型（這類模型跑在GPU上時(shí)運(yùn)行效率不會(huì)有明顯的增加）。
nvidia-smi下滿載的TitanXs
AWS慷慨地為我們提供了大量計(jì)算資源。這些資源被用于CPU實(shí)例以及GPU任務(wù)的水平擴(kuò)展。我們也有自己的物理機(jī)，用的是TitanXGPU。我們期望之后可以使用混合云：對(duì)不同的GPU、連接以及其他技術(shù)開展實(shí)驗(yàn)是非常具有價(jià)值的，這對(duì)深度學(xué)習(xí)未來(lái)的發(fā)展也有著重要影響。
相同物理單元上的htop顯示了大量空閑的CPU。我們通常將CPU密集型和GPU密集型的任務(wù)分開運(yùn)行。
配置
我們對(duì)待基礎(chǔ)架構(gòu)就像許多公司對(duì)待他們的產(chǎn)品一樣：它的界面必須簡(jiǎn)潔，必須兼顧功能性和可用性。我們會(huì)使用一致的工具來(lái)統(tǒng)一管理所有服務(wù)器，并且盡可能地對(duì)他們進(jìn)行相同的配置。
用于管理彈性伸縮組的Terraform配置文件片段。Terraform可以創(chuàng)建、修改或銷毀正在運(yùn)行的云資源來(lái)匹配配置文件。
我們使用Terraform來(lái)創(chuàng)建AWS的云資源（實(shí)例、網(wǎng)絡(luò)路由、DNS記錄等）。我們的云端節(jié)點(diǎn)和物理節(jié)點(diǎn)都運(yùn)行Ubuntu系統(tǒng)，并使用Chef來(lái)做配置。為了實(shí)現(xiàn)加速，www.tka.net.cn，我們使用Packer來(lái)預(yù)先制作集群鏡像（AMI）。我們的所有集群都使用非交叉的IP范圍，用戶可以通過(guò)筆記本上的OpenVPN及物理節(jié)點(diǎn)上的strongSwan（AWS的客戶網(wǎng)關(guān)）連接到公網(wǎng)。
最后，我們將用戶的home目錄、數(shù)據(jù)集和結(jié)果存儲(chǔ)在NFS（基于物理硬件）和EFS/S3（基于AWS）上。
編排
可擴(kuò)展的基礎(chǔ)架構(gòu)通常會(huì)使原本簡(jiǎn)單的用例復(fù)雜化。我們?cè)趯?duì)不同規(guī)模作業(yè)的基礎(chǔ)架構(gòu)研究上投入了同等的精力，也在同步優(yōu)化工具套件，使得分布式的用例能像本地用例一樣好用。
我們?yōu)殡S機(jī)實(shí)驗(yàn)提供了SSH節(jié)點(diǎn)的（有些有GPU有些沒(méi)有）集群，并且使用Kubernetes來(lái)調(diào)度物理節(jié)點(diǎn)和AWS節(jié)點(diǎn)。我們的集群橫跨3個(gè)AWS域因?yàn)橛袝r(shí)任務(wù)量會(huì)突然爆發(fā)，從而占滿單個(gè)區(qū)域的所有資源。
Kubernetes要求每一個(gè)任務(wù)都是一個(gè)Docker容器，這樣就可以實(shí)現(xiàn)依賴隔離和代碼快照。但是創(chuàng)建一個(gè)新的Docker容器會(huì)增加迭代周期的時(shí)間，庫(kù)卡機(jī)器人何服電機(jī)維修，這個(gè)時(shí)間十分寶貴，所以我們也提供工具，將研究人員筆記本上的代碼轉(zhuǎn)成標(biāo)準(zhǔn)鏡像。
TensorBoard中的模型學(xué)習(xí)曲線