100倍加速！深度学习训练神器Determined AI宣布开源！更快，更简单，更强大
100倍加速！深度学习训练神器Determined AI宣布开源！更快，更简单，更强大
新智元报道
来源：reddit等
编辑：科雨、白峰
【新智元导读】还在抱怨模型训练过于耗时？还在手动苦苦调整超参？现在，这款神器来帮你！24倍分布式训练加速，100倍智能超参优化，Determind AI宣布开源，你的模型有救了！
作为一名深度学习科研人员，小编我可是深受模型训练的困扰：一个模型要跑几天几夜，结果最后发现有一步错了 ...从头再来
超参数怎么调精度都上不去，心真的好累...
手动调整系统环境，只要错一个，就跑不起来了嗷...
常常只是为了训练一个模型，就要耗费巨大的时间，改来改去，还有经过漫长的等待，内心真的在默默哭泣有木有！
然后，我发现我竟然还能再拯救一下——Determined AI驾着七彩祥云来救我啦！
同样受到这种苦恼，深有感触的众多深度学习研究人员，花费了数年心血，终于开发出了一个便利广大深度学习从业人员的训练神器。
这款深度学习训练平台，是由多年从事实践领域的专家，耗费三年时间构建完成的，他们的目标是帮助深度学习团队更快地训练模型，轻松共享GPU资源并有效协作。
Determined使深度学习工程师可以集中精力大规模构建和训练模型，而无需担心DevOps，或者为常见任务（如容错或实验跟踪）编写代码。
官网链接：
https://determined.ai/developers/
“等一下，这里面到底有啥，能不能详细说明一下！”
好，那我就好好扒一扒，给大家看看。
专注模型训练，更快更准！
众所周知，一个完整的深度学习项目，包括了数据准备，模型训练以及模型部署等环节：
而Determined，则可以帮助我们更好的专注于模型本身的训练，而不是把时间和精力大量花在样例代码和DevOps上。
模型训练部分，Determined可以帮助我们完成：
- 更快的分布式训练
- 智能的超参优化
- 实验跟踪和可视化
这样，它就可以使我们可以专注于手头的任务——即训练模型上。
训练人员，可以立即进入为深度学习工作而创建的专用环境，然后将时间花费在来设置模型上，而完全不必担心安装，拆卸和其他样例代码的问题。
看到这里我想说，开发人员真的是太贴心了，他们很清楚我们不想花时间做什么，我真的感激*100！
那这个神器可以帮我们处理什么呢？
- 内置的训练循环抽象，可支持实验跟踪，有效的数据加载，容错，并可以灵活地进行自定义。
- 高性能的分布式培训，无需更改任何代码。
- 基于前沿研究的自动超参数优化。
有了这些功能，模型训练so easy！老板再也不用担心我的模型！
直接点击官网链接，就可以体验这些功能：
接下来，我们可以看看这两个和模型训练密切相关的部分——分布式训练速度和智能超参优化具体是怎么一回事：
分布式训练
Determined主要运用了Horovod，以Horovod为起点，研究人员运用了多年的专业知识和经验，使得整个训练过程比库存配置要快得多。
这样，我们就可以更减少浪费的时间，更好的利用计算机的硬件设备，来达到高效的训练速度。
在这里科普一下Horovod：
Horovod 是一套面向TensorFlow 的分布式训练框架，由Uber 构建并开源，目前已经运行于Uber 的Michelangelo 机器学习即服务平台上。Horovod 能够简化并加速分布式深度学习项目的启动与运行。当数据较多或者模型较大时，为提高机器学习模型训练效率，一般采用多 GPU 的分布式训练。TensorFlow 集群存在诸多缺点，如概念太多、学习曲线陡峭、修改的代码量大、性能损失较大等，而 Horovod 则让深度学习变得更加美好，随着规模增大，Horovod 性能基本是线性增加的，损失远小于 TensorFlow。
有关Horovod的详细信息，大家可以点击下方链接进行学习和了解～
"是时候放弃 TensorFlow 集群，拥抱 Horovod 了"
https://www.infoq.cn/article/J4ry_9bsfbcNkv6dfuqC
使用Determined，我们的分布式模型训练速度能有多快呢？下图告诉我们，可以达到24倍！！
PS：真的有快很多啊噜，感慨...
超参数优化
通过提供和任务密集集成的前沿智能搜索功能，以及默认并行的设置，开发者帮我们免除了传统超参搜索调试的麻烦。
这样，我们就可以用更快的速度，来获得更准确的模型。
那使用Determined，超参数优化的速度又可以提高多少倍呢？
100倍！看到这里，我真的很真实的在感动了... 多出的时间是不是可以用来玩动森? 反正也有正当理由：为ACAL2020做准备哈哈~
GPU调度更加灵活，支持各种流行框架
Determined还可以更加灵活的进行GPU调度，包括：
1）动态调整训练任务的大小
2）自动在AWS和GCP上管理云资源
同时，它还可以支持TensorBoard和基于GPU的Jupyter Notebook。（我最亲爱的小伙伴也可以在这个平台上使用了诶！！）
“Tensorflow和Pytorch都能支持吗？”——吃瓜的路人甲忍不住了
哦对了，还有一个关键点，那就是使用这个平台的同时，我们可以继续使用Tensorflow和Pytorch，只要改一下模型的代码，来实现Determined的API就可以了。
是不是很方便！
平台透明开放，用户服务完备
深度学习团队协作工具
这个平台透明，开放，并且方便团队协作，很适合深度学习团队使用：
Determined通过实验跟踪，日志管理，指标可视化，可重复性和依赖性管理等，帮助任何人在实验管理中脱颖而出。对任何规模的团队来说，这款平台都是完美的。
从一个团队开始，使用者可以在准备就绪后，轻松地共享和扩展工作。
开源，适用于各种云供应商
开发者建议：深度学习从业人员可以选择跳出专有解决方案：
“Determined可以支持云平台，或者本地基础结构，甚至两者都可以。该平台可以在您选择的深度学习框架中工作，并随时导出到流行的服务框架中。”
使用这个平台，使用非常简单的步骤，就可以开源项目，从而造福其他小伙伴～
详细的用户文档
Determined现在已经有正式的用户手册，可以供使用者随时查阅和参考：
https://docs.determined.ai/latest/
还有简单容易上手的tutorial：
最后，开发者还特别贴心的附上了Slack链接，任何人都可以和Determined的开发团队交流，并进行反馈和沟通：
这里放上项目开源地址，有兴趣的小伙伴可以马上去GitHub体验下：
https://github.com/determined-ai/determined
参考资料：
https://www.reddit.com/r/MachineLearning/comments/gaecbq/n_determined_deep_learning_training_platform/
https://determined.ai/developers/