cube-studio/README_CN.md

337 lines
16 KiB
Markdown
Raw Normal View History

2022-08-03 11:32:42 +08:00
# Cube Studio
### 整体架构
2022-08-03 16:41:33 +08:00
<img width="1437" alt="image" src="https://user-images.githubusercontent.com/20157705/182564530-2c965f5f-407d-4baa-8772-73cb2645901b.png">
2022-08-03 11:32:42 +08:00
2023-04-13 21:57:45 +08:00
cube studio是 腾讯音乐 开源的一站式云原生机器学习平台,目前主要包含
![231695906-5b1da227-8455-4274-8857-624093cf574b](https://user-images.githubusercontent.com/20157705/231781297-4eb49101-0997-4a2b-ac21-f3e92602d6ea.png)
2022-08-03 11:32:42 +08:00
# 帮助文档
https://github.com/tencentmusic/cube-studio/wiki
# 开源共建
2023-11-12 08:52:55 +08:00
学习、部署、体验、开源建设、商业合作 欢迎来撩。或添加微信luanpeng1234备注<开源建设>
2022-08-03 11:32:42 +08:00
2023-02-18 11:53:03 +08:00
<img border="0" width="20%" src="https://user-images.githubusercontent.com/20157705/219829986-66384e34-7ae9-4511-af67-771c9bbe91ce.jpg" />
2022-08-03 11:32:42 +08:00
# 支持模板
提示:
- 1、可自由定制任务插件更适用当前业务需求
2023-11-12 08:52:55 +08:00
| 模块 | 模板 | 类型 | 文档地址 |
| :----- | :---- | :---- |:---- |
| 数据导入导出 | datax | 单机 | job-template/job/datax/README.md
| 数据导入导出 | 数据集导入 | 单机 | job-template/job/dataset/README.md
| 数据导入导出 | 模型导入 | 单机 | job-template/job/model_download/README.md
| 数据预处理 | data-process | 单机 | job-template/job/data-process/README.md
| 数据处理 | hadoop | 单机 | job-template/job/hadoop/README.md
| 数据处理 | spark | 分布式 | job-template/job/spark/README.md
| 数据处理 | ray | 分布式 | job-template/job/ray/README.md
| 数据处理 | volcanojob | 分布式 | job-template/job/volcano/README.md
| 特征工程 | feature-process | 单机 | job-template/job/feature-process/README.md
| 机器学习框架 | ray-sklearn | 分布式 | job-template/job/ray_sklearn/README.md
| 机器学习算法 | random_forest | 单机 | job-template/job/random_forest/README.md
| 机器学习算法 | lr | 单机 | job-template/job/lr/README.md
| 机器学习算法 | lightgbm | 单机 | job-template/job/lightgbm/README.md
| 机器学习算法 | knn | 单机 | job-template/job/knn/README.md
| 机器学习算法 | kmeans | 单机 | job-template/job/kmeans/README.md
| 机器学习算法 | nni | 单机 | job-template/job/hyperparam-search-nni/README.md
| 机器学习算法 | xgb | 单机 | job-template/job/xgb/README.md
| 机器学习算法 | gbdt | 单机 | job-template/job/gbdt/README.md
| 机器学习算法 | decision-tree | 单机 | job-template/job/decision_tree/README.md
| 机器学习算法 | bayesian | 单机 | job-template/job/bayesian/README.md
| 机器学习算法 | adaboost | 单机 | job-template/job/adaboost/README.md
| 深度学习 | tfjob | 分布式 | job-template/job/tf/README.md
| 深度学习 | pytorchjob | 分布式 | job-template/job/pytorch/README.md
| 深度学习 | paddle | 分布式 | job-template/job/paddle/README.md
| 深度学习 | mxnet | 分布式 | job-template/job/mxnet/README.md
| 深度学习 | mindspore | 分布式 | job-template/job/mindspore/README.md
| 深度学习 | horovod | 分布式 | job-template/job/horovod/README.md
| 深度学习 | mpi | 分布式 | job-template/job/mpi/README.md
| 深度学习 | colossalai | 分布式 | job-template/job/colossalai/README.md
| 深度学习 | deepspeed | 分布式 | job-template/job/deepspeed/README.md
| 深度学习 | megatron | 分布式 | job-template/job/megatron/README.md
| 模型处理 | model-evaluation | 单机 | job-template/job/model_evaluation/README.md
| 模型服务化 | model-convert | 单机 | job-template/job/model_convert/README.md
| 模型服务化 | model-register | 单机 | job-template/job/model_register/README.md
| 模型服务化 | deploy-service | 单机 | job-template/job/deploy-service/README.md
| 模型服务化 | model-offline-predict | 分布式 | job-template/job/model_offline_predict/README.md
| 多媒体类 | media-download | 分布式 | job-template/job/video-audio/README.md
| 多媒体类 | video-img | 分布式 | job-template/job/video-audio/README.md
| 多媒体类 | video-audio | 分布式 | job-template/job/video-audio/README.md
| 大模型 | llama2 | 单机多卡 | job-template/job/llama2/README.md
| 大模型 | chatglm2 | 单机多卡 | job-template/job/chatglm2/README.md
| 大模型 | baichuan2 | 单机多卡 | job-template/job/baichuan2/README.md
2022-08-03 11:32:42 +08:00
2022-08-19 15:33:01 +08:00
# 公司
2023-03-07 17:57:32 +08:00
![图片 1](https://user-images.githubusercontent.com/20157705/223387901-1b922d96-0a79-4542-b53b-e70938404b2e.png)
2022-12-06 14:55:16 +08:00
2023-11-12 08:52:55 +08:00
# 平台简介
完整的平台包含
- 1、机器的标准化
- 2、分布式存储(单机可忽略)、k8s集群、监控体系(prometheus/efk/zipkin)
- 3、基础能力(tf/pytorch/mxnet/valcano/ray等分布式nni/katib超参搜索)
- 4、平台web部分(oa/权限/项目组、在线构建镜像、在线开发、pipeline拖拉拽、超参搜索、推理服务管理等)
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/a07b1742-3413-4957-bd15-0f2b3c30f66f)
# 算力/存储/用户管理
算力:
- 云原生统筹平台cpu/gpu等算力
- 支持划分多资源组支持多k8s集群多地部署
- 支持T4/V100/A100/昇腾/dcu/VGPU等异构GPU/NPU环境
- 支持边缘集群模式,支持边缘节点上开发/训练/推理
- 支持鲲鹏芯片arm64架构RDMA
存储:
- 自带分布式存储,支持多机分布式下文件处理
- 支持外部存储挂载,支持项目组挂载绑定
- 支持个人存储空间/组空间等多种形式
- 平台内存储空间不需要迁移
用户权限:
- 支持sso登录对接公司账号体系
- 支持项目组划分,支持配置相应项目组用户的权限
- 管理平台用户的基本信息组织架构rbac权限体系
# 多集群管控
cube支持多集群调度可同时管控多个训练或推理集群。在单个集群内不仅能做到一个项目组内对在线开发、训练、推理的隔离还可以做到一个k8s集群下多个项目组算力的隔离。另外在不同项目组下的算力间具有动态均衡的能力能够在多项目间共享公共算力池和私有化算力池做到成本最低化。
![image](https://user-images.githubusercontent.com/20157705/167534695-d63b8239-e85e-42c4-bc7b-5999b9eff882.png)
# 分布式存储
cube会自动为用户挂载用户的个人目录同一个用户在平台任何地方启动的容器其用户个人子目录均为/mnt/$username。可以将pvc/hostpath/memory/configmap等挂载成容器目录。同时可以在项目组中配置项目组的默认挂载进而实现一个项目组共享同一个目录等功能。
![image](https://user-images.githubusercontent.com/20157705/167534724-733ad796-745e-47e1-9224-9e749f918cf2.png)
# 在线开发
- 系统多租户/多实例管理,在线交互开发调试,无需安装三方控件,只需浏览器就能完成开发。
- 支持vscodejupyterMatlabRstudio等多种在线IDE类型
- Jupyter支持cube-studio sdkJuliaRpythonpyspark多内核版本
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/0819214b-d7c1-421a-8978-465f20b8d594)
- 支持c++javaconda等多种开发语言以及tensorboard/git/gpu监控等多种插件
- 支持ssh remote与notebook互通本地进行代码开发
- 在线镜像构建通过Web Shell方式在浏览器中完成构建并提供各种版本notebookinferencegpupython等基础镜像
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/5793beea-715d-40e2-a01f-8d36939e35bd)
# 标注平台:
- 支持图/文/音/多模态/大模型多种类型标注功能,用户管理,工作任务分发
- 对接aihub模型市场支持自动化标注对接数据集支持标注数据导入对接pipeline支持标注结果自动化训练
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/a70eb024-77b8-4fe9-9b3e-0f0187470c23)
# 拖拉拽pipeline编排
1、Ml全流程
数据导入数据预处理超惨搜索模型训练模型评估模型压缩模型注册服务上线ml算法全流程
2、灵活开放
支持单任务调试、分布式任务日志聚合查看pipeline调试跟踪任务运行资源监控以及定时调度功能(包含补录,忽略,重试,依赖,并发限制,过期淘汰等功能)
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/17d8fc5c-8c13-48ed-934b-bdaffceab4e9)
# 分布式框架
1、训练框架支持分布式协议和策略
2、代码识别分布式角色有状态
3、控制器部署分布式训练集群operator
4、配置分布式训练集群的部署CRD
# 多层次多类型算子
以k8s为核心
1、支持tf分布式训练、pytorch分布式训练、spark分布式数据处理、ray分布式超参搜索、mpi分布式训练、horovod分布式训练、nni分布式超参搜索、mxnet分布式训练、volcano分布式数据处理、kaldi分布式语音训练等
2、 以及在此衍生出来的分布式的数据下载hdfs拉取cos上传下载视频采帧音频抽取分布式的训练例如推荐场景的din算法ComiRec算法MMoE算法DeepFM算法youtube dnn算法ple模型ESMM模型双塔模型音视频的wenetcontainAI等算法的分布式训练。
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/b88580a2-a8bb-47e4-9701-008be2960f73)
# 功能模板化
- 和非模板开发相比,使用模板建立应用成本会更低一些,无需开发平台。
- 迁移更加容易,通过模板标准化后,后续应用迁移迭代只需迁移配置模板,简化复杂的配置操作。
- 配置复用,通过简单的配置就可以复用这些能力,算法与工程分离避免重复开发。
为了避免重复开发对pipeline中的task功能进行模板化开发。平台开发者或用户可自行开发模板镜像将镜像注册到平台这样其他用户就可以复用这些功能。平台自带模板在job-template目录下
![image](https://user-images.githubusercontent.com/20157705/167534770-505ffce8-8172-49be-9506-b265cd6ed465.png)
# 流水线调试
- Pipeline调试支持定时执行支持补录并发限制超时实例依赖等。
- Pipeling运行支持变量在任务间输入输出全局变量流向控制模板变量数据时间等
- Pipeling运行支持任务结果可视化图片、csv/jsonechart源码可视化
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/3d24ac7c-24d8-4192-9575-477665836da0)
# nni超参搜索
界面化呈现训练各组数据,通过图形界面进行直观呈现。
减少以往开发调参过程的枯燥感,让整个调参过程更加生动具有趣味性,完全无需丰富经验就能实现更精准的参数控制调节。
```bash
# 上报当前迭代目标值
nni.report_intermediate_result(test_acc)
# 上报最终目标值
nni.report_final_result(test_acc)
# 接收超参数为输入参数
parser.add_argument('--batch_size', type=int)
```
![image](https://user-images.githubusercontent.com/20157705/167534784-255f101a-3273-4eea-9254-f2df6879ddf1.png)
# 推理服务
0代码发布推理服务从底层到上层包含服务网格serverlesspipelinehttp框架模型计算。
- 服务网格阶段:主要工作是代理流量的中转和管控,例如分流,镜像,限流,黑白名单之类的。
- serverless阶段主要为服务的智能化运维例如服务的激活伸缩容版本管理蓝绿发布。
- pipeline阶段主要为请求在各数据处理/推理之间的流动。推理的前后置处理逻辑等。
- http/grpc框架主要为处理客户端的请求准备推理样本推理后作出响应。
- 模型计算模型在cpu/gpu上对输入样本做前向计算。
主要功能:
- 支持模型管理注册灰度发布版本回退模型指标可视化以及在piepline中进行模型注册
- 推理服务支持多集群多资源组异构gpu环境平台资源统筹监控VGPU服务流量分流复制sidecar
- 支持0代码的模型发布gpu推理加速支持训练推理混部服务优先级自定义指标弹性伸缩。
![image](https://user-images.githubusercontent.com/20157705/167534820-9202851a-a97c-41f7-8d63-900d73e4c57e.png)
# 监控和推送
监控cube-studio集成prometheus生态可以监控包括主机进程服务流量gpu等相关负载并配套grafana进行可视化
推送cube-studio开放推送接口可自定义推送给企业oa系统
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/8e767e8f-b7ef-4015-907f-95cb46b37ed8)
# AIHub
- 系统自带通用模型数量400+,覆盖绝大数行业场景,根据需求可以不断扩充。
- 模型开源、按需定制,方便快速集成,满足用户业务增长及二次开发升级。
- 模型标准化开发管理大幅降低使用门槛开发周期时长平均下降30%以上。
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/03923858-49b4-4430-90e0-94e90735f8b4)
- AIHub模型可一键部署为WEB端应用手机端/PC端皆可实时查看模型应用效果
- 点击模型开发即可进入notebook进行模型代码的二次开发实现一键开发
- 点击训练即可加入自己的数据进行一键微调,使模型更贴合自身场景
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/561b670d-797c-47b5-93fc-de0de7e4b915)
# GPT训练微调
- cube-studio支持deepspeed/colossalai等分布式加速框架可一键实现大模型多机多卡分布式训练
- AIHub包含gpt/AIGC大模型可一键转为微调pipeline修改为自己的数据后便可以微调并部署
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/d3589c4b-afca-44bd-8270-2b542ec4ceaa)
# GPT-RDMA
rdma插件部署后k8s机器可用资源
```bash
capacity:
cpu: '128'
memory: 1056469320Ki
nvidia.com/gpu: '8'
rdma/hca: '500'
```
代码分布式训练中使用IB设备
```bash
export NCCL_IB_HCA=mlx5
export MLP_WORKER_GPU=$GPU_NUM
export MLP_WORKER_NUM=$WORLD_SIZE
export MLP_ROLE_INDEX=$RANK
export MLP_WORKER_0_HOST=$MASTER_ADDR
export MLP_WORKER_0_PORT=$MASTER_PORT
```
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/d53e6a99-4053-4931-9456-cb857dc69723)
# gpt私有知识库
- 数据智能模块可配置专业领域智能对话快速敏捷使用llm
- 可为某个聊天场景配置私有知识库文件支持主题分割语义embedding意图识别概要提取多路召回排序多种功能融合
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/f207cb09-1b5e-486c-91c0-a9ce31863e34)
# gpt智能聊天
- 可以将智能会话与AIHub相结合例如下面AIGC模型与聊天会话
- 可使用Autogpt方式串联所有aihub模型进行图文音智能化处理
- 智能会话与公共直接打通,可在微信公众号中进行图文音对话
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/eb62c8a9-7f89-4898-90d8-d544dd73251c)
# 数据中台对接
为了加速AI算法平台的使用cube-studio支持对接公司原有数据中台包括数据计算引擎sqllab元数据管理指标管理维表管理数据ETL数据集管理
![image](https://github.com/tencentmusic/cube-studio/assets/20157705/a9a0b399-8d02-4d19-8198-4e3681074f2f)
### 实时训练
tmeps支持tf框架实时训练秒级上线能应对embedding稀疏大模型推荐场景
![image](https://user-images.githubusercontent.com/20157705/167534836-418855cf-daef-45a5-85c9-3bb1b7135f4f.png)
# 三种方式部署
针对企业需求,根据不同场景对计算实时性的不同需求,可以提供三种建设模式
模式一:私有化部署——对数据安全要求高、预算充足、自己有开发能力
模式二:边缘集群部署——算力分散,多个子网环境的场景,或边缘设备场景
模式三serverless集群——成本有限按需申请算力的场景
## 边缘计算
通过边缘集群的形式在中心节点部署平台并将边缘节点加入调度每个私有网用户通过项目组将notebookpipelineservice部署在边缘节点
- 1、避免数据到中心节点的带宽传输
- 2、避免中心节点的算力成本充分利用边缘节点算力
- 3、避免边缘节点的运维成本
![图片 1](https://user-images.githubusercontent.com/20157705/170262037-12ad086a-c427-4746-a0fa-ce3bc1586729.png)
2022-08-19 15:33:01 +08:00