mirror of
https://github.com/tencentmusic/cube-studio.git
synced 2024-11-27 05:33:10 +08:00
401 lines
31 KiB
Markdown
401 lines
31 KiB
Markdown
# Cube Studio
|
||
|
||
[English](README_EN.md) | 简体中文
|
||
|
||
### 整体架构
|
||
|
||
|
||
|
||
|
||
# 帮助文档
|
||
|
||
https://github.com/tencentmusic/cube-studio/wiki
|
||
|
||
# 开源共建
|
||
|
||
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>
|
||
|
||
<img border="0" width="20%" src="https://user-images.githubusercontent.com/20157705/219829986-66384e34-7ae9-4511-af67-771c9bbe91ce.jpg" />
|
||
|
||
|
||
# 功能清单
|
||
|
||
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
|
||
|
||
|模块分组|功能模块|功能清单|
|
||
|:-|:--|:--|
|
||
|基础能力|项目组管理|<li>AI平台需要通过项目划分，<li>支持配置相应项目组用户的权限，<li>任务/服务的挂载，资源组，集群，服务代理，<li><u>项目组内角色应用|
|
||
|基础能力|网络|<li>支持非80端口，<li>支持公网/域名，<li>支持反向代理和内网穿透方式访问，<li><u>支持https</u>|
|
||
|基础能力|用户管理 角色管理/权限管理|<li>管理平台用户的基本信息，组织架构，支持账号密码，rbac权限体系。<li> <u>增加修改和删除，清理等操作的历史记录</u>|
|
||
|基础能力|计量计费功能|<u><li>1、支持平台资源限制的分配和查看；项目组资源限制，租户资源限制、任务资源限制，项目组下个人的资源限制，包括开发资源，训练资源、推理资源等。 额度限制限制在notebook，docker构建，pipeline，超参搜索，内部服务，推理服务中的生效。限制支持单任务，并行任务总和和历史任务总和等方法<li>2、提供统一的开发、训练、推理服务资源监控，从租户、项目、任务角度分析模型资源分配及使用情况。<li> 3、支持自定义计费模式，通过计量结果自定义获取计费值</u>|
|
||
|基础能力|SSO单点登录|<li>账号密码注册自动登录，<li><u>支持对接公司账号体系AUTH_OID/AUTH_LDAP/AUTH_REMOTE_USER等登录注册方式，<li><u>支持消息推送。 <li><u>增加登录验证，强密码，远程用户，登录频率限制，密码密文传输等|
|
||
|基础能力|支持多种算力|<li>提供多种规格的资源支持不同的使用场景，cpu/gpu等 支持T4/V100/A100等多种卡型，<li><u>支持arm64芯片，<li><u>支持vgpu等模式。<li><u>支持国产gpu，支持调度海光dcu，华为npu，寒武纪mlu，天数智芯GPU，<li><u>支持rdma调度，mellanox。<li><u>支持gpu禁用模型，共享模式，独占模式|
|
||
|基础能力|多资源组/多集群|<li>支持划分多资源组，<li>支持ipvs的k8s网络模式，<li><u>支持多k8s集群，<li>支持containerd容器运行态|
|
||
|基础能力|边缘集群|<li><u>支持边缘集群模式，支持边缘节点开发，训练，推理|
|
||
|基础能力|serverless集群模式|<li><u>支持腾讯云serverless集群模式，（notebook,pipeline,推理服务模块支持）<li><u>阿里云serverless集群模式（notebook,pipeline,推理服务模块支持）|
|
||
|基础能力|数据库存储|<li>支持外部mysql作为元数据库<li><u>支持外部postgres作为元数据库|
|
||
|基础能力|机器资源管理|<li><u>web界面控制机器调度类型，所属资源组，是否启动rdma，是否启动vgpu，可用任务场景等|
|
||
|基础能力|存储盘管理|<li><u>支持web界面添加存储盘，支持项目组绑定，notebook pipeline 推理服务，直接在pod中挂载外部分布式存储。<li><u>支持nfs，cfs，oss，nas，cos，glusterfs，cephfs，s3/minio|
|
||
|基础能力|国际化能力|<li><u>mlops支持配置多语言配置，目前支持中英文|
|
||
|数据管理|数据地图|<li>元数据库表管理，指标，维表|
|
||
|数据管理|数据计算|<li>sqllab交互查询，支持mysql，<u>postgresql，clickhouse，hive，presto</u>等计算引擎|
|
||
|数据管理|ETL编排|<li>数据ETL任务流编排，任务管理等对接公司数据中台相应计算/调度引擎|
|
||
|数据管理|数据集管理|<li>允许用户随时上传样本集（图片、音频、文本等），<li><u>支持sdk进行数据集对接，<li><u>支持数据集一键探索功能|
|
||
|数据管理|数据标注|<li><u>支持标注平台，图/文/音/多模态各类型标注能力，<li><u>对接一站式机器学习平台，支持自动化标注(需购买aihub)：<li><u>支持目标识别，目标边界识别，目标遮罩识别，图片分类，图片描述，ocr，关键点检测。支持大模型自动化标注：文本分类，文本翻译，命名实体识别，阅读理解，问答，摘要提取。|
|
||
|开发环境|镜像功能|<li>镜像仓库/镜像管理/在线构建镜像。同时提供平台所有镜像，包括模板镜像/服务镜像/notebook镜像/gpu基础环境的构建方法和构建后镜像，<li><u>支持dockerfile在线构建 <li><u>支持同一仓库多个秘钥配置|
|
||
|开发环境|notebook|<li>支持基于开源的Jupyterlab/vscode，提供在线的交互式开发调试工具；<li>提供多种可选环境ide和开发示例，支持资源类型选择 支持大数据版本，机器学习版本，深度学习版本 <li><u>大数据版本支持用户信息，hdfs客户端，hive客户端和spark客户端 <li>支持ssh remote与notebook对接远程开发，方便快速将本地代码提交到平台的训练环境。<li><u>ssh隧道代理，单端口开放 <li><u>支持matlab，Rstudio等在线ide <li><u>支持gpu，cpu，内存，监控，支持git交互 <li><u>支持自定义notebook镜像，便于封装公司自己的notebook <li><u>多环境notebook，支持R语言/julia语言/python2.7/python3.6/python3.7/python3.8/python3.9/python3.10环境和cube-studio专有环境 <li><u>支持tensorboard任务可视化 <li><u>notebook支持环境镜像保存 <li><u>jupyter支持密码保护 <li><u>notebook支持整卡占用，虚拟卡占用，gpu共享占用 <li>支持notebook启动自动初始化环境|
|
||
|模型训练|拖拉拽任务流编排调试|<li>提供拖拽式交互开发环境，支持开发者以拖拽的方式完成业务逻辑的PIPLINE； <li>支持单任务调试，<li>训练支持多种资源规格（CPU、GPU等），支持卡型的选择，超时重试等。<li><u>任务支持独占和共享占用gpu</u></li><li><u>分布式任务模板支持单任务调试用户镜像而非模板镜像</u> <li><u>支持rdma资源占用 <li><u>支持gpu不同厂商，不同卡型的占用 <li><u>分布式任务模板支持gpu型号透传，rdma资源透传，拉取秘钥透传 </u><li>pipeline调试，支持定时调度，补录，并发限制，超时，实例依赖等，<li>任务管理，<li>workflow实例管理，<li>资源监控，<li><u>支持任务输入输出，<li><u>任务流全局变量，<li><u>文本/图片/echart结果可视化，<li><u>支持workflow暂停和恢复。<li><u>支持任务流优先级 <li><u>支持单任务和pipeline运行中任务监听端口提供运行中服务监听能力 <li><u>任务流支持任务推荐<li><u>定时调度支持最大保留实例数<li><u>pipeline支持任务流优先级|
|
||
|模型训练|主流功能算子|基础算子：<li>自定义镜像，<li><u>逻辑节点，</u><li><u>python</u></li> 数据同步：<li>数据集导入，<u>(支持huggingface数据集)</u><li>datax，<u>datax-import</u></li><li>模型导入<u>(支持huggingface模型)</u></li> 数据处理工具：<li>hadoop/spark作业提交，<li>volcanojob/ray分布式数据处理，<li>sparkjob </li> <li><u>hadoop支持hadfs，hive命令，spark命令</u></li> 特征处理： <u><li>-数据合并，包含union、join操作 <li>-去除重复样本 <li>-数据变换，包括boxcox转换、二值化、数据类型转换、dct变换、根据函数转换、ma移动平均、多项式展开 <li>-非数值型变量处理，包括hash、根据统计量转换、one-hot <li>-异常值检测 <li>-获取变量的统计量 <li>-去除值过于单一的变量 <li>-删除缺失率过高的值 <li>-删除缺失率过高的值 <li>-填充缺失值 <li>-数据离散化，等宽、等频、聚类离散化 <li> -标准化、正则化、归一化，有最大绝对值归一化、最大最小归一化、z_score标准化 <li>-索引处理，包含增加索引、索引转列、列索引重命名 <li> -排序 <li> -执行sql <li> -hadamard乘积 <li> -特征组合，用于衍生特征 <li> -降维，包括pca降维和卡方降维 <li> -特征重要性，通过随机森林、逻辑回归、xgboost等模型计算特征重要性，可计算特征的iv值、互信息值、方差等 <li> -特征向量间的相关性计算 <li> -数据拆分，包括列内拆分、列间拆分、行间拆分、svd奇异值分解 <li> -采样，包括随机采样、分层采样、过采样、欠采样</li></u> 传统机器学习：<li>ray-sklearn分布式，<li>xgb单机训练推理 </li>传统机器学习算法：<u><li>ar/arima时间序列算法/random-forest/random-forest-regression/lr/lightgbm/knn/kmean/gbdt/decision-tree/pca/lda/catboost/xgb/超参搜索 </u></li>分布式深度学习框架：<li>tf/pytorch/<u>mxnet/horovod/paddlejob/mindspore分布式训练</u></li> 分布式加速框架：<li><u>mpi/colossalai/deepspeed/horovod/megatron </u></li>模型处理：<u><li>模型评估，<li>模型格式转换 </li></u>模型服务化：<li>模型注册，<li><u>模型离线推理</u>，<li>模型部署 </li>媒体分布式处理：<li>分布式媒体下载，<li>视频提取图片，<li>视频提取图片|
|
||
|模型训练|算子自定义|支持算子自定义，通过web界面操作将自定义算法代码镜像，注册为可被他人复用的pipeline算子|
|
||
|模型训练|自动学习|面向非AI背景的用户提供自动学习服务，用户选择某一个场景之后，上传训练数据即可自动开始训练和模型部署，<u>支持示例automl任务流导入导出|
|
||
|模型训练|自定义镜像|面向高级 AI 开发者，提供自定义训练作业（执行环境 + 代码）功能；|
|
||
|模型训练|自动调参|基于单机/<u>分布式自动超参搜索|
|
||
|模型训练|TensorBoard作业|<u>实时/离线观察模型训练过程中的参数和指标变化情况|
|
||
|模型管理 推理服务|内部服务|支持开发或运维工具快捷部署，提供mysql-web，postgresql web，mobgo web， redis web，neo4j，rstudio等开源工具|
|
||
|模型管理 推理服务|模型管理|模型管理用于对模型多版本管理，支持模型发布为推理服务|
|
||
|模型管理 推理服务|推理服务|<li>支持<u>ml</u>/tf/pytorch/tentortrt/onnx常规模型的多版本的0代码发布。 <li>支持gpu卡型选择，<u>支持vgpu，独占，共享占用</u>，<li>支持cpu/mem/<u>gpu等弹性伸缩，<li>支持服务优先级，</u><li>支持远程模型路径,支持流量分流，流量复制，sidecar配置，支持泛域名配置，支持配置文件挂载，启动目录/命令/环境变量/端口/指标/健康检查等 支持调试环境/测试环境/生产环境 支持域名/ip代理多种形式 <li>支持服务负载指标监控 <li>支持多版本服务滚动升级和回滚，<li><u>支持单pod滚动发布 </u><li><u>支持禁用k8s service负载均衡器 </u><li><u>支持大模型分布式推理 </u><li>提供<u>ml</u>/tf/pytorch/tentortrt/onnx常规模型推理服务镜像 支持用户自定义模型推理镜像<li><u>支持定时伸缩容</li><li><u>支持配置服务的jwt认证功能</li>|
|
||
|监控|整体资源|<li>所有集群，所有计算机器的使用情况，包括机器的所属集群，所属资源组，机器ip，cpu/gpu类型和卡型，当前cpu/内存/gpu的使用率<li> 所有集群，所有计算pod的使用情况，包括pod所属集群，所属资源组，所属命名空间，调度ip，pod名称，启动用户，cpu，gpu，内存的申请使用率 <li><u>整体资源页面，支持管理员批量删除|
|
||
|监控|监控体系|<li>所有机器的gpu资源的使用情况， <li>所有机器的内存/cpu/网络io/磁盘io的负载情况， <li>所有pod的内存/cpu/gpu/网络io负载情况 <li>所有推理服务的内存/cpu/gpu/qps/吞吐/vgpu负载情况 <li><u>支持ib流量监控|
|
||
|模型应用市场|模型应用管理方案|<li><u>提供cubestudio sdk，提供模型开发规范和使用规范|
|
||
|模型应用市场| 模型应用管理方案|<li><u>提供web端模型应用体验，支持同步/异步推理|
|
||
|模型应用市场| 模型应用管理方案|<li><u>提供开发多个python cuda版本的基础镜像|
|
||
|模型应用市场|预训练模型|<li><u>提供视觉，听觉，nlp，多模态等400+预训练模型，提供预训练模型的模型加载和推理能力，可直接一键部署服务，并提供api|
|
||
|模型应用市场|模型市场|<li><u>aihub应用对接cube-studio平台进行卡片式展示|
|
||
|模型应用市场|模型一键开发|<li><u>提供一键转notebook开发，提供符合当前模型所需环境的jupyter|
|
||
|模型应用市场|模型一键微调|<li><u>支持一键转pipeline微调链路，包括示例数据集下载，微调，模型注册，模型部署，支持微调后模型部署|
|
||
|模型应用市场|模型一键部署web|<li><u>提供模型一键部署提供手机端和pc端web界面和api，和demo示例弹窗演示|
|
||
|模型应用市场|模型自动化标注|<li><u>支持部署对接labelstudio自动化标注|
|
||
|模型应用市场|数据集sdk|<li><u>支持通过python sdk搜索上传下载数据集，支持数据集的加解密/解压缩/数据集基础信息查看等|
|
||
|模型应用市场|notebook sdk|<li><u>支持通过api，对接cube-studio创建notebook，并跳转到指定目录，用于其他算法平台在当前平台的调试和演示|
|
||
|模型应用市场|pipeline训练sdk|<li><u>支持AI开发主流语言 Python，提供Python SDK支持用户通过SDK来进行pipeline任务流管理和训练任务启动以及任务流编排|
|
||
|模型应用市场|推理服务sdk|<li><u>提供python sdk，对接cube tudio进行推理服务的发布，服务升级|
|
||
|大模型|大模型分布式多机多卡|<li><u>支持分布式多机多卡训练，例如mpi/deepspeed/Colossal-AI|
|
||
|大模型|支持大模型推理aihub形式|<li><u>支持openjourney/gpt3/yuan/sd-v1.5/sd-v2/sd-v3/Stable Cascade/Stable Diffusion XL/chatglm/chatglm2/chatglm3/chatglm4/llama/llama2/llama3/chinese-llama2/chinese-alpaca/llama2-chinese/qwen/baichuan2/qwen2/gemma/yi/aquilachat2部署|
|
||
|大模型|支持大模型推理openai接口|<li><u>支持fastchat+vllm大模型推理，支持推理加速+流式接口|
|
||
|大模型|支持大模型微调|<li><u>支持chatglm2/chatglm3/chatglm4/llama2-chinese/llama3-chinese/baichuan2/qwen2 lora微调，支持llama-factory 100+llm微调|
|
||
|大模型|智能对话|<li><u>提供支持多场景对话，支持提示词构建，推理接口配置，llm问答，支持问询中模型切换，清理，历史上下文|
|
||
|大模型|私有知识库|<li><u>私有知识库配置，私有知识库召回|
|
||
|大模型|私有知识库|<li><u>支持召回列表模式|
|
||
|大模型|私有知识库|<li><u>支持aigc模式|
|
||
|大模型|私有知识库|<li><u>支持微信公众号服务号对接|
|
||
|大模型|私有知识库|<li><u>支持企业微信群聊机器人对接|
|
||
|大模型|私有知识库|<li><u>支持钉钉群聊机器人对接|
|
||
|
||
|
||
# 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
|
||
|
||
| 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
|
||
| 数据处理工具 | hadoop | 单机 | job-template/job/hadoop/README.md
|
||
| 数据处理工具 | ray | 分布式 | job-template/job/ray/README.md
|
||
| 数据处理工具 | volcanojob | 分布式 | job-template/job/volcano/README.md
|
||
| 特征处理 | 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 | chatglm3 | 单机多卡 | job-template/job/chatglm3/README.md
|
||
| 大模型 | chatglm4 | 单机多卡 | job-template/job/chatglm4/README.md
|
||
| 大模型 | baichuan2 | 单机多卡 | job-template/job/baichuan2/README.md
|
||
| 大模型 | qwen2 | 单机多卡 | job-template/job/qwen2/README.md
|
||
| 大模型 | llama-factory | 单机多卡 | job-template/job/llama_factory/README.md
|
||
|
||
# 公司
|
||
|
||
|
||
|
||
# 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)
|
||
|
||
<img width="1437" alt="image" src="https://user-images.githubusercontent.com/20157705/182564530-2c965f5f-407d-4baa-8772-73cb2645901b.png">
|
||
|
||
|
||
# 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。
|
||
|
||
|
||
|
||
# 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。
|
||
|
||
|
||
|
||
# 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vscode，jupyter，Matlab，Rstudio等多种在线IDE类型
|
||
- Jupyter支持cube-studio sdk，Julia，R，python，pyspark多内核版本，
|
||
|
||
|
||
|
||
|
||
- 支持c++，java，conda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notebook，inference，gpu，python等基础镜像
|
||
|
||
|
||
|
||
|
||
# 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
|
||
|
||
|
||
|
||
|
||
# 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)
|
||
|
||
|
||
|
||
|
||
# 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wenet，containAI等算法的分布式训练。
|
||
|
||
|
||
|
||
|
||
# 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
|
||
|
||
|
||
|
||
# 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/json，echart源码可视化
|
||
|
||
|
||
|
||
# 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)
|
||
```
|
||
|
||
|
||
|
||
|
||
# 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，serverless，pipeline，http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。
|
||
|
||
|
||
|
||
# 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
|
||
|
||
|
||
|
||
# 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。
|
||
|
||
|
||
|
||
|
||
- 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
|
||
|
||
|
||
|
||
# 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
|
||
|
||
|
||
|
||
|
||
# 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
|
||
```
|
||
|
||
|
||
|
||
|
||
# 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
|
||
|
||
|
||
|
||
|
||
# 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
|
||
|
||
|
||
|
||
|
||
# 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
|
||
|
||
|
||
|
||
|
||
### 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
|
||
|
||
|
||
|
||
# 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notebook，pipeline，service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
|
||
|
||
|
||
|