AI這個詞，仿佛自帶高大上光環(huán)

無論它身在哪個行業(yè)

總會讓人們發(fā)出驚嘆：

AI打敗排名世界第一的圍棋選手，WOW！

AI能幫你駕駛汽車，Awesome！

AI能診斷疾病，Niubility！

在這個言高科技必稱AI的年代，AI在大眾的印象里總是遙遠(yuǎn)而神秘，但小編要告訴你，其實AI并不遙遠(yuǎn)~

今天，我們邀請到戴爾易安信非結(jié)構(gòu)化數(shù)據(jù)解決方案企業(yè)技術(shù)顧問簡君芳，教你如何手動搭建一個AI算法模型。動動手，你也可以親自實踐AI。

簡單深度學(xué)習(xí)實踐

搭建貓狗識別AI算法模型

開始前，首先介紹一下AI的工作流程：

簡單來說就是分成兩部分：

1.訓(xùn)練

①需要累積數(shù)據(jù)，并預(yù)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(xué)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(jié)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(fù)， 最終得到準(zhǔn)確度較高的訓(xùn)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(xùn)練好的模型，驗證準(zhǔn)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(wù)，達(dá)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(xùn)練出趨近完美的模型。所以要模型好，準(zhǔn)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(chǔ)設(shè)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(xué)家一方面了解公司業(yè)務(wù)，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(fù)雜的，比如IoT需要使用Kafka，機器學(xué)習(xí)需要使用SparkML，深度學(xué)習(xí)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(fù)雜，數(shù)據(jù)需要復(fù)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(xué)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(xué)習(xí)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(yīng)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(dá)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(chǔ)設(shè)施和敏捷云架構(gòu)，為Isilon提供了卓越的性能和效率，可加速要求嚴(yán)苛的文件工作負(fù)載，使企業(yè)發(fā)揮數(shù)據(jù)資本的價值，加速業(yè)務(wù)的數(shù)字轉(zhuǎn)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(wù)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(shè)定準(zhǔn)備如下：

?啟動trial license

?建立/ifs/ai路徑

?在網(wǎng)絡(luò)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(wǎng)絡(luò)上下載了深度學(xué)習(xí)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(xùn)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(jìn)入/Isilon/ai就可以看到之前準(zhǔn)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(shè)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(shè)大小，做卷標(biāo)分類，其中兩千張來做訓(xùn)練，一千張做驗證，于是會產(chǎn)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(jīng)過一些轉(zhuǎn)格式的預(yù)處理動作，就是建立CNNmodel的部分了，其中有些超參數(shù)可以調(diào)整如batch_size，epochs。

現(xiàn)在就開始訓(xùn)練了，訓(xùn)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(xùn)練十次，每次兩千張，損失越來越低，準(zhǔn)確度越來越高，訓(xùn)練第一次的準(zhǔn)確度只有50%，訓(xùn)練第十次的準(zhǔn)確度有71.5%，當(dāng)然這遠(yuǎn)遠(yuǎn)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(zhǔn)確度就可能到達(dá)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(jīng)訓(xùn)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(xùn)練好的模型準(zhǔn)確度高于人類，那么就可以實際部署在生產(chǎn)環(huán)境上了，以后就可以讓AI幫助公司業(yè)務(wù)來判斷圖片，比人類準(zhǔn)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(jìn)，準(zhǔn)確并快速地找出可以高效幫助公司業(yè)務(wù)的模型，達(dá)到最佳ROI!

（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）