簡單來說就是分成兩部分：
1.訓練
①需要累積數(shù)據(jù)，并預期數(shù)據(jù)越多越好，所以存儲必須可擴展。
②數(shù)據(jù)科學家處理數(shù)據(jù)，初步建立算法模型，讀取數(shù)據(jù)。
③需要GPU執(zhí)行framework(如TensorFlow)，forward前向傳播跑出結果，計算誤差損失，backward反向傳播更新參數(shù)修改模型，不斷重復， 最終得到準確度較高的訓練好的模型。
2. 推斷
①需要全新的數(shù)據(jù)來驗證。
②使用訓練好的模型，驗證準確度是否真的夠高。
③部署該模型到實際環(huán)境正式使用。
這其實是一個永無止盡不斷循環(huán)的過程，沒有最好的模型，只有更好的模型?？傊?，目的就是要找出可以幫助公司業(yè)務，達到最佳ROI的“那個模型”。但重點是，要怎么找到“那個模型”，夠好還有夠快？這才是AI時代，各公司真正的核心競爭力所在。
所以現(xiàn)在就要來好好分析一下這個過程的三大要素：
1. 大數(shù)據(jù)
有人說過，若你有趨近無限的數(shù)據(jù)，你就可以訓練出趨近完美的模型。所以要模型好，準確度高，最重要的就是先要有數(shù)據(jù)，越多越好。不過這首先就會帶來一個問題，這些不斷成長數(shù)據(jù)要放在哪里？本地磁盤容量不夠，RAID存儲擴充不行，只有真正分布式的橫向擴展存儲才是最適合大數(shù)據(jù)的，從而讓模型更好。
2. 算力
比如GPU，計算力越強，AI流程越快，也是基礎設施成本最貴的部分。可是并非花了大價錢買了GPU，就能高枕無憂了，如果GPU的使用率只有不到50%呢，這樣還快得起來嗎？
事實上這是目前非常普遍的現(xiàn)象，GPU使用率不高的原因通常都是在于I/O瓶頸。而只有可以分散處理大量并發(fā)I/O的分布式存儲才是最能提高GPU利用率的，讓模型更快。
3. 算法
算法需要數(shù)據(jù)科學家一方面了解公司業(yè)務，另一方面了解數(shù)據(jù)，建立正確的模型。
說的簡單，其中過程也是非常復雜的，比如IoT需要使用Kafka，機器學習需要使用SparkML，深度學習需要使用TensorFlow，大數(shù)據(jù)分析需要使用Hadoop，處理數(shù)據(jù)需要使用ETL工具，最后還要做可視化/BI等……若都是分開的孤島，不但流程復雜，數(shù)據(jù)需要復制許多份，并且數(shù)據(jù)遷移來遷移去非常耗時。
這時候不如使用數(shù)據(jù)湖，不再有孤島，整合流程，數(shù)據(jù)保持同一份節(jié)省TCO整體成本，省下數(shù)據(jù)遷移的心力，提升數(shù)據(jù)科學家的工作效率，讓他們專注在最有價值的算法上。
接下來，就用實際的貓狗辨識簡單實踐來體驗一下TensorFlow深度學習吧！
這里我使用的存儲是戴爾易安信Isilon，為什么用它呢？通過上面的講解你應該能知道，AI所需要存儲不僅要強大擴展能力，同時還不能有I/O瓶頸。而Isilon正是一款真正分布式的橫向擴展NAS存儲，不僅能輕松擴展到數(shù)十個PB，還能助攻GPU，讓使用率高達90%+，更能提供原生數(shù)據(jù)湖整合流程提升工作效率。
*Isilon由英特爾? 至強?處理器提供支持，該處理器采用軟件定義的基礎設施和敏捷云架構，為Isilon提供了卓越的性能和效率，可加速要求嚴苛的文件工作負載，使企業(yè)發(fā)揮數(shù)據(jù)資本的價值，加速業(yè)務的數(shù)字轉型。
廣告不多說了，下面正式開始實踐。
這里我使用VMware Workstation跑兩個VM：
一個VM是Ubuntu 16.04作為AI服務器，安裝軟件如下：
? Anaconda with Python 3.7
? Jupyter Notebook
? TensorFlow
? Keras
? Opencv
另一個VM是Isilon simulater OneFS 8.2.0作為AI存儲，設定準備如下：
? 啟動trial license
? 建立/ifs/ai路徑
? 在網絡上下載了三千張貓跟狗的圖片數(shù)據(jù)，都放在/ifs/ai/datasets/images目錄下
? 在網絡上下載了深度學習貓狗辨識模型的python code，路徑為/ifs/ai/dl_isilon.ipynb
? 建立/ifs/ai/trained_模型s目錄給訓練好的模型存檔
01 步驟一
建立聯(lián)機，正式環(huán)境可能會使用Kubernetes，可以把Isilon直接用NFS或是透過CSI作為persistent volume提供給GPU docker。但因為我這里只使用單一VM，所以我用最簡單的NFS mount方式，把Isilon mount給Ubuntu的/home/ai/isilon目錄。
02 步驟二
接著在Ubuntu上開啟Jupyter Notebook，這時候可以看到名為isilon的目錄出現(xiàn)，進入/Isilon/ai就可以看到之前準備好的數(shù)據(jù)和python code。
03 步驟三
打開dl_isilon.ipynb，一開始就是要設定讀取數(shù)據(jù)的地方，這里的路徑“./datasets/images/”其實就是指向Isilon的/ifs/ai/datasets/images。
04 步驟四
接下來把三千張圖片重設大小，做卷標分類，其中兩千張來做訓練，一千張做驗證，于是會產生四個目錄，其中“./datasets/catsvsdogs/train/dogs”其實就是指向Isilon的/ifs/ai/datasets/catsvsdogs/train/dogs，依此類推。
05 步驟五
然后經過一些轉格式的預處理動作，就是建立CNNmodel的部分了，其中有些超參數(shù)可以調整如batch_size，epochs。
現(xiàn)在就開始訓練了，訓練好的模型會存檔為./trained_models/cats_vs_dogs.h5，其實就是指向Isilon的/ifs/ai/trained_models/cats_vs_dogs.h5。
可以看到，訓練十次，每次兩千張，損失越來越低，準確度越來越高，訓練第一次的準確度只有50%，訓練第十次的準確度有71.5%，當然這遠遠不夠高， 是因為只有兩千張圖片，想象一下若有兩萬張圖片，準確度就可能到達95%以上了，這就是大數(shù)據(jù)的威力與價值！
接下來用另外一千張圖片來驗證這個已經訓練好，存在Isilon上的模型。
以上就是一個簡單的使用Isilon實現(xiàn)AI解決方案的貓狗辨識實踐。其實AI并沒有那么神秘，動手起來也不難，最重要的，是不是覺得Isilon真的很適合AI了呢？
如果這個訓練好的模型準確度高于人類，那么就可以實際部署在生產環(huán)境上了，以后就可以讓AI幫助公司業(yè)務來判斷圖片，比人類準確度高，比人類速度快，還不會有人為錯誤，一片美好的未來~
但是！工欲善其事，必先利其器，必須要先有適合的AI存儲如Isilon才能往美好的未來邁進，準確并快速地找出可以高效幫助公司業(yè)務的模型，達到最佳ROI！
