深度学习集群管理平台

相比之前如火如荼的大数据作业和负载以及集群硬件情况。深度学习平台的作业和硬件环境有了一些新的不同和趋势：

作业：

相比大数据作业，工作流workflow相比之前的大数据workflow来看相对简化，而将复杂DAG计算图推到了单独的深度模型中。

Training 和 Serving的需求逐步分离。训练过程类似之前大数据批处理作业。深度学习集群更多的解决训练问题。serving相比Training需要考虑更多的naming问题，有可能不是在一个集群内完成。

处理的数据更加多样化，图像，语音，文本等数据。相比之前大数据作业更多以日志分析为大需求。

大多数训练作业不定是分布式作业，数据加工过程可利用大数据框架的分布式作业完成

硬件：

GPU逐步超越CPU称为优先级最高的资源。使得Job性能优化相比大数据考虑的因素有了一些变化。

采用更多的新硬件：FPGA, RDMA等

硬件成本更高

大环境更倾向采用容器化方案进行资源隔离

目前下面列出的为用户可以自行安装和部署的可用的一些方案，关于公有云商提供的方案暂时没有列出。

1 基于Kubernetes的方案

1.1 Kubernetes原生方案

https://kubernetes.io/docs/tasks/manage-gpus/scheduling-gpus/

1.2 基于Kubernets方案

kubeflow

https://github.com/kubeflow/kubeflow

Kubernetes-GPU-Guide

https://github.com/Langhalsdino/Kubernetes-GPU-Guide

2 基于Hadoop Yarn的方案

2.1 YARN原生支持方案

Apache Hadoop 3.1.0 正式发布，原生支持GPU和FPGA

2.2 基于YARN方案

360开源XLearning

https://github.com/Qihoo360/XLearning

3 混合方案

结合Kubernetes和Yarn的混合方案：

微软开源OpenPAI

https://github.com/Microsoft/pai