CN109408351A - 一种ai环境检测和深度学习环境自动部署的方法和装置 - Google Patents
一种ai环境检测和深度学习环境自动部署的方法和装置 Download PDFInfo
- Publication number
- CN109408351A CN109408351A CN201811293232.5A CN201811293232A CN109408351A CN 109408351 A CN109408351 A CN 109408351A CN 201811293232 A CN201811293232 A CN 201811293232A CN 109408351 A CN109408351 A CN 109408351A
- Authority
- CN
- China
- Prior art keywords
- environment
- software
- deep learning
- gpu
- memory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 101000662009 Homo sapiens UDP-N-acetylglucosamine pyrophosphorylase Proteins 0.000 claims description 3
- 102100037921 UDP-N-acetylglucosamine pyrophosphorylase Human genes 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本发明提供了一种AI环境检测和深度学习环境自动部署的方法,包括以下步骤:检测硬件环境和软件环境,获得环境反馈结果;根据环境反馈结果来安装或重新安装软件;进行基准测试;以及基于基准测试的结果正常,自动部署深度学习框架。该方法可以节省人力成本,让AI环境检测、部署变得简单、容易,可以统一收集信息、统一定位错误,适合集群及平台的统一管理,使AI服务器有更好的性能发挥。
Description
技术领域
本发明总体上涉及计算机领域,并且更具体地,涉及一种AI(ArtificialIntelligence,人工智能)环境检测和深度学习环境自动部署的方法和装置。
背景技术
2006年,Hinton和他的学生Ruslan Salakhutdinov在国际顶级期刊《science》上发表了一篇文章,被认为是深度学习取得突破的重要节点,此时的计算设备NV-GPU刚刚发布了它的可编程架构CUDA(Compute Unified Device Architecture,统一计算设备架构)。至今,深度学习算法不断发展从CNN(Convolutional Neural Network,卷积神经网络)到RNN(Recurrent Neural Network,递归神经网络)、GNN(Graph Neural Network,图神经网络);与此同时计算设备的计算能力也由CPU(Central Processing Unit,中央处理器)架构转换为异构GPGPU(General Purpose GPU,通用计算图形处理器)架构,计算能力得到几百倍提升。新一轮的人工智能热潮除去算法层面及计算力方面的提高还有一个重要因素是数据的急剧增长,且大数据也深深影响了计算及算法,谷歌大脑团队的首席架构师Jeff Dean表示:现阶段的大数据及深度学习技术需要当前100万倍的计算能力!计算能力的高效使用及进一步挖掘将会是未来AI深度学习技术能否进一步发展的重要因素。
基于深度学习技术的人工智能业务一般分为两个阶段:其一为线下训练阶段,构建初始的深度网络结构,利用样本数据进行网络训练得到适用于某一场景的模型;其二为推理阶段,将训练阶段得到的模型部署于解决业务场景的设备上(服务器或云端),然后进行新样本的推理计算。当前,在深度学习的两个业务阶段尤其是训练阶段大规模GPU(Graphic Processing Unit,图像处理器)设备提供了大部分的计算解决方案。而往往基于深度学习的算法对计算设备的基础环境有较特殊的要求,如果硬件资源与系统环境不匹配将会影响算法模型收敛的效率;且深度学习算法目前大部分都基于开源的深度学习框架,开源框架的繁琐部署及性能优化选项设置,也成为了服务器性能提高的重要举措。
当前,AI平台的搭建及环境部署主要依靠手工搭建,并结合实际业务场景反馈的平台效率进行后期调配。基本的步骤大致为:1、有AI相关经验的工程师检查平台系统及AI基础环境是否装配完毕、是否搭配合理、基础检测(包括GPU驱动、内存带宽测试、总线带宽测试)是否通过;2、修改基础环境,将驱动及各必须软件环境的版本调至与硬件性能最优版本相匹配;3、安装深度学习库基础依赖;4、安装部署深度学习环境库;5、根据深度学习算法特殊需求,调试机器硬件及软件环境配置,优化机器性能。图1为手动实现AI平台环境搭建所需要的工作,整个工作流程概括为AI基础环境配置。
上述步骤繁琐、易错,且有一定的重复性,比如软件安装检测这一步骤,在检测到基本的CPU、GPU型号后,可根据硬件型号直接定位需要的软件,然后检测系统是否已安装,如果安装是否与定位版本一致,后续的操作可以实现完全自动化,减轻工作量。再比如硬件检测及基准检测,该步骤固定检测统一组件和测试统一示例,可以实现自动化检测,只反馈测试结果,测试结果与标准经验的阈值做对比,返回是否存在问题。上述现有技术中,对于AI环境的配置依然处于最原始的纯手动安装,该种安装方式有两大缺陷,其一需要有经验的工程师,如果量大,浪费较多时间;其二安装过程参差不齐,错误不易追踪,性能问题不易定位,搭配的平台有很大概率不能高效运行。
发明内容
鉴于此,本发明实施例的目的在于提出一种自动检测深度学习算法所依赖的硬件环境、软件环境及基础基准测试并能基于AI基础环境自动检测结果及改进的基础环境自动化、高效安装深度学习框架的方法和装置,使得AI环境的检测、部署变得简单、容易,使AI服务器有更好的性能发挥。
基于上述目的,本发明实施例的一方面提供了一种AI环境检测和深度学习环境自动部署的方法,包括以下步骤:
检测硬件环境和软件环境,获得环境反馈结果;
根据所述环境反馈结果来安装或重新安装所述软件;
进行基准测试;以及
基于所述基准测试的结果正常,自动部署深度学习框架。
在一些实施方式中,检测所述硬件环境包括:检测CPU、内存、GPU、硬盘、主板、总线连接的基本参数。
在一些实施方式中,检测所述软件环境包括:检测AI基础软件是否安装与安装版本。
在一些实施方式中,检测所述软件环境还包括:检测所述软件版本之间的匹配度。
在一些实施方式中,根据所述环境反馈结果来安装或重新安装所述软件包括:在所述硬件环境允许的基础上,根据所述软件版本之间的匹配度来安装或重新安装所述软件。
在一些实施方式中,通过所述基准测试得到GPU和CPU的相关性能参数,所述相关性能参数包括以下至少之一:所述GPU之间的P2P数据、所述GPU的实测带宽、所述CPU与所述GPU之间的实测带宽、内存带宽数据。
在一些实施方式中,所述深度学习框架为TensorFlow。
在一些实施方式中,所述方法通过C语言形成的二进制文件实现。
本发明实施例的另一方面提供了一种AI环境检测和深度学习环境自动部署的装置,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行如权利要求1-8任意一项所述的方法。
在一些实施方式中,所述装置搭载于AGX-2服务器上,所述服务器安装有一个或多个GPU。
本发明具有以下有益技术效果:本发明实施例提供的一种AI环境检测和深度学习环境自动部署的方法和装置能够节省人力成本,让AI环境检测、部署变得简单、容易,该方法可以统一收集信息、统一定位错误,适合集群及平台的统一管理,同时易于使用及扩展,稍具系统基础的工程师都可以轻松完成AI环境的检测、部署,并且可以将该方法搭载服务器形成客户的一种自动化部署选择,使AI服务器有更好的性能发挥。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1是手动实现AI平台环境搭建所需要的工作的示意图;
图2是根据本发明一个实施例的AI环境检测和深度学习环境自动部署的方法的流程图;
图3是用于实现本发明方法的源码的整体架构示意图;
图4是根据本发明一个实施例的执行完所述方法后输出结果的示意图;
图5是根据本发明一个实施例的AI环境检测和深度学习环境自动部署装置的硬件结构示意图。
具体实施方式
以下描述了本公开的实施例。然而,应该理解,所公开的实施例仅仅是示例,并且其他实施例可以采取各种替代形式。附图不一定按比例绘制;某些功能可能被夸大或最小化以显示特定部件的细节。因此,本文公开的具体结构和功能细节不应被解释为限制性的,而仅仅是作为用于教导本领域技术人员以各种方式使用本发明的代表性基础。如本领域普通技术人员将理解的,参考任何一个附图所示出和描述的各种特征可以与一个或多个其他附图中所示的特征组合以产生没有明确示出或描述的实施例。所示特征的组合为典型应用提供了代表性实施例。然而,与本公开的教导相一致的特征的各种组合和修改对于某些特定应用或实施方式可能是期望的。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
综合研究方向,收集前期的客户需求和项目有效经验,针对深度学习算法的特殊需求,本发明的实施例提供了一种AI环境检测和深度学习环境自动部署的方法,如图2所示,包括以下步骤:
步骤S201:检测硬件及软件环境;
步骤S203:检测结果分析并安装或重装相关软件;
步骤S205:基准测试;
步骤S207:自动化部署深度学习框架。
基于目前系统环境复杂,机器平台种类多样,根据本发明的优选实施例选择了较为通用的ubuntu系统及AGX-2服务器平台,GPU型号为Tesla V100。最终呈现是以C语言为基础形成的二进制文件实现解决现有技术中所提到的问题,其中图3是用于实现本发明方法的源码的整体架构示意图。
在一些实施例中,硬件环境检测包括但不限于对CPU、内存、GPU、硬盘检测、主板、总线连接进行检测。其中CPU检测实现的功能及反馈的结果为:CPU的型号、CPU主频、CPU运行频率、CPU核数、CPU中断次数、超频可能性探测、支持的指令集;内存检测实现的功能及反馈的结果为:内存容量、内存型号、内存频率;GPU检测实现的功能及反馈的结果为:GPU型号、GPU主频;硬盘检测实现的功能及反馈的结果为:硬盘IO、IOPS、硬盘容量检测;主板检测实现的功能及反馈的结果为:服务器厂商、PCIe插头数量、BIOS设置检测;总线连接检测实现的功能及反馈的结果为:pcie总线的种类、种类对应的个数。
软件环境检测实现的功能是检查工程所需要的哪些AI基础软件已安装、哪些未安装以及已安装的基础软件的版本。在一些实施例中,基础软件包包括cuda、cudnn、gpu-driver、python、pip等;该步骤的另一功能是实现软件之间耦合关系的匹配度的检查。关于软件之间的匹配关系主要是指cuda、gpu-driver、cudnn之间版本的匹配关系,该匹配关系可以由技术人员提前进行设置,如下所示:
cuda和gpu-driver:
cuda9.0 Tesla V100 Ubuntu16.04>=384.81
cuda9.1 Tesla V100 Ubuntu16.04>=390.46
cuda9.2 Tesla V100 Ubuntu16.04>=396.37
cuda和cudnn:
cuda 9.2 cudnn7.1.2
cuda 9.0 cudnn7.1.2
cuda 9.1 cudnn7.0.5
其中,cuda和gpu-driver中以第一行为例,是指:在Tesla V100 Ubuntu16.04操作系统下,对于9.0版本的cuda,GPU驱动版本号最好>=384.81;cuda和cudnn中以第一行为例,是指:cuda 9.2和cudnn7.1.2最为匹配。在实施例中,当在硬件检测步骤中检测到相关硬件的基本参数后,例如GPU驱动版本号,在该GPU驱动版本号下,选择最匹配的cuda版本进行安装或重装,然后再选择与该版本号的cuda最匹配的cudnn版本进行安装或重装。
在一些实施例中,检测结果分析并安装或重装相关软件是指基于上述步骤获得的反馈结果对AI基础硬件、基础软件进行分析并对相关软件进行安装或重装,也就是说,在硬件环境允许的基础上,根据软件版本之间的匹配度,将工程中所需要的、还未安装的软件选择其最适宜的版本安装到平台上,并且如果某一所需要的软件已经安装,但其版本对于所述硬件环境和软件匹配度并不是最适宜的,则卸载该版本的软件,选择该软件最适宜的版本进行重新安装。
在一些实施例中,在包括硬件和软件的AI基础环境检测全部合格(即相关适宜软件已安装完成)之后,进行基准测试。基准测试(Benchmark Test,即BMT)是指通过设计科学的测试方法、测试工具和测试系统,实现对一类测试对象的某项性能指标进行定量的和可对比的测试。通过基准测试,得到GPU及CPU相关的性能参数,包括GPU之间的P2P数据、GPU的实测带宽、CPU与GPU间的实测带宽、内存带宽数据等。基准测试通过之后,说明AI所依赖的基础硬件和软件环境已搭建成功。
在一些实施例中,深度学习框架为TensorFlow,即在执行完基准测试且测试结果也都正常之后,自动化部署TensorFlow深度学习框架。TensorFlow深度学习框架是目前使用最广泛、最流行的深度学习框架,该方法的自动化部署步骤将提供给客户选择项以选择安装哪一版本,并按照源码安装方式进行安装,其它安装选项全部透明。之所以选择源码安装是因为经测试,以该种方式安装的TensorFlow可以更加贴合平台,发挥更好性能,当然其他安装方式也是可能的。
该套方法在平台上执行之后产生较多输出,输出结果的形式也因平台不一致存在差异,基本的输出形式例如为:
Ubuntu 18.04.1LTS\n\l
cpu mum:4
cpu used:15.50
cpu_version=4 Intel(R)Core(TM)i5-6200U CPU@2.30GHz
cpu_MHz=2401.000000
cpuid is 221121005012000
Totalram:3.884346
Available:0.690746
….
其中,根据本发明一个实施例的输出结果如图4所示。该套方法部署完成后,最后输入命令python-c"import tensorflow as tf;print tf.__version__"会得到TensorFlow的版本号:如1.10.1等。
在技术上可行的情况下,以上针对不同实施例所列举的技术特征可以相互组合,或者改变、添加以及省略等等,从而形成本发明范围内的另外实施例。
从上述实施例可以看出,本发明实施例提供的一种AI环境检测和深度学习环境自动部署的方法能够节省人力成本,让AI环境检测、部署变得简单、容易;该方法可以统一收集信息、统一定位错误,适合集群及平台的统一管理,同时易于使用及扩展,稍具系统基础的工程师都可以轻松完成AI环境的检测、部署,并且可以将该方法搭载服务器形成客户的一种自动化部署选择,使AI服务器有更好的性能发挥。
应当理解,本技术方案可以较为方便的扩展到不同平台、系统及其它硬件设备,目前深度学习依赖的服务器及计算设备大部分为GPGPU异构计算设备,系统多为Linux系统,随着人工智能的大发展,设备及系统都存在较大的可变性。该套方法抓住了深度学习环境自动化监测及部署的点,可以在多套系统上选择实现,实现思路是一致的,需要根据硬件及软件进行微调。AI深度学习环境的搭建、部署、优化将会是未来深度学习领域的重要发展方向,尤其是AI系统优化将会为企业带来巨大收益。
基于上述目的,本发明实施例的第二个方面,提出了一种AI环境检测和深度学习环境自动部署的装置的一个实施例。
所述AI环境检测和深度学习环境自动部署装置包括至少一个处理器和存储器,存储器存储有可在处理器上运行的计算机程序,处理器执行程序时执行上述任意一种方法。
如图5所示,为本发明提供的AI环境检测和深度学习环境自动部署的装置的一个实施例的硬件结构示意图。
以如图5为例,在该装置中包括处理器501以及存储器502,并还可以包括:输入装置503和输出装置504。
处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的所述AI环境检测和深度学习环境自动部署的方法对应的程序指令/模块。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的AI环境检测和深度学习环境自动部署的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据AI环境检测和深度学习环境自动部署的装置的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置503可接收输入的数字或字符信息,以及产生与AI环境检测和深度学习环境自动部署的装置的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。
所述一个或者多个AI环境检测和深度学习环境自动部署的方法对应的程序指令/模块存储在所述存储器502中,当被所述处理器501执行时,执行上述任意方法实施例中的AI环境检测和深度学习环境自动部署的方法。
所述执行所述AI环境检测和深度学习环境自动部署的装置的任何一个实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。
此外,典型地,本发明实施例公开所述的装置、设备等可为各种电子终端设备,例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等,也可以是大型终端设备,如服务器等,因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外,根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时,执行本发明实施例公开的方法中限定的上述功能。
此外,上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外,应该明白的是,本文所述的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中,所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器、磁盘或光盘等。
上述“优选”实施例是实施方式的可能示例,并且仅仅为了清楚理解本发明的原理而提出。所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种AI环境检测和深度学习环境自动部署的方法,其特征在于,包括以下步骤:
检测硬件环境和软件环境,获得环境反馈结果;
根据所述环境反馈结果来安装或重新安装所述软件;
进行基准测试;以及
基于所述基准测试的结果正常,自动部署深度学习框架。
2.根据权利要求1所述的方法,其特征在于,检测所述硬件环境包括:检测CPU、内存、GPU、硬盘、主板、总线连接的基本参数。
3.根据权利要求1所述的方法,其特征在于,检测所述软件环境包括:检测AI基础软件是否安装与安装版本。
4.根据权利要求3所述的方法,其特征在于,检测所述软件环境还包括:检测所述软件版本之间的匹配度。
5.根据权利要求4所述的方法,其特征在于,根据所述环境反馈结果来安装或重新安装所述软件包括:在所述硬件环境允许的基础上,根据所述软件版本之间的匹配度来安装或重新安装所述软件。
6.根据权利要求1所述的方法,其特征在于,通过所述基准测试得到GPU和CPU的相关性能参数,所述相关性能参数包括以下至少之一:所述GPU之间的P2P数据、所述GPU的实测带宽、所述CPU与所述GPU之间的实测带宽、内存带宽数据。
7.根据权利要求1所述的方法,其特征在于,所述深度学习框架为TensorFlow。
8.根据权利要求1所述的方法,其特征在于,所述方法通过C语言形成的二进制文件实现。
9.一种AI环境检测和深度学习环境自动部署的装置,其特征在于,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行如权利要求1-8任意一项所述的方法。
10.根据权利要求9所述的装置,其特征在于,所述装置搭载于AGX-2服务器上,所述服务器安装有一个或多个GPU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811293232.5A CN109408351A (zh) | 2018-11-01 | 2018-11-01 | 一种ai环境检测和深度学习环境自动部署的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811293232.5A CN109408351A (zh) | 2018-11-01 | 2018-11-01 | 一种ai环境检测和深度学习环境自动部署的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109408351A true CN109408351A (zh) | 2019-03-01 |
Family
ID=65471072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811293232.5A Pending CN109408351A (zh) | 2018-11-01 | 2018-11-01 | 一种ai环境检测和深度学习环境自动部署的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408351A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975688A (zh) * | 2019-03-25 | 2019-07-05 | 北京百度网讯科技有限公司 | 用于异构芯片的通用评测方法和装置 |
CN110515811A (zh) * | 2019-08-09 | 2019-11-29 | 中国信息通信研究院 | 终端人工智能性能基准测试方法及装置 |
CN111190605A (zh) * | 2019-12-05 | 2020-05-22 | 五邑大学 | 嵌入式平台的部署方法、设备及存储介质 |
CN112256546A (zh) * | 2020-10-29 | 2021-01-22 | 泰康保险集团股份有限公司 | 软件部署情况监控分析的方法和装置 |
CN114186697A (zh) * | 2021-12-10 | 2022-03-15 | 北京百度网讯科技有限公司 | 基于深度学习框架生成和应用深度学习模型的方法及装置 |
CN114237911A (zh) * | 2021-12-23 | 2022-03-25 | 深圳华大医学检验实验室 | 基于cuda的基因数据处理方法、装置和cuda构架 |
CN115081628A (zh) * | 2022-08-15 | 2022-09-20 | 浙江大华技术股份有限公司 | 一种深度学习模型适配度的确定方法及装置 |
CN116501594A (zh) * | 2023-06-27 | 2023-07-28 | 上海燧原科技有限公司 | 系统建模评估方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294579A (zh) * | 2013-06-09 | 2013-09-11 | 浪潮电子信息产业股份有限公司 | 一种高性能计算集群应用性能测试方法 |
CN107229497A (zh) * | 2017-05-31 | 2017-10-03 | 武汉联影医疗科技有限公司 | 服务器测试方法和服务器测试装置 |
-
2018
- 2018-11-01 CN CN201811293232.5A patent/CN109408351A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294579A (zh) * | 2013-06-09 | 2013-09-11 | 浪潮电子信息产业股份有限公司 | 一种高性能计算集群应用性能测试方法 |
CN107229497A (zh) * | 2017-05-31 | 2017-10-03 | 武汉联影医疗科技有限公司 | 服务器测试方法和服务器测试装置 |
Non-Patent Citations (1)
Title |
---|
HOLYGAO: ""环境配置(近期实测)——Ubuntu 16.04+CUDA9.0+tensorflow-g pu填坑记"", 《HTTPS-BLOG.51CTO.COM-U_8764888-2296248》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975688A (zh) * | 2019-03-25 | 2019-07-05 | 北京百度网讯科技有限公司 | 用于异构芯片的通用评测方法和装置 |
CN110515811A (zh) * | 2019-08-09 | 2019-11-29 | 中国信息通信研究院 | 终端人工智能性能基准测试方法及装置 |
CN111190605A (zh) * | 2019-12-05 | 2020-05-22 | 五邑大学 | 嵌入式平台的部署方法、设备及存储介质 |
WO2021109593A1 (zh) * | 2019-12-05 | 2021-06-10 | 五邑大学 | 嵌入式平台的部署方法、设备及存储介质 |
CN112256546A (zh) * | 2020-10-29 | 2021-01-22 | 泰康保险集团股份有限公司 | 软件部署情况监控分析的方法和装置 |
CN114186697A (zh) * | 2021-12-10 | 2022-03-15 | 北京百度网讯科技有限公司 | 基于深度学习框架生成和应用深度学习模型的方法及装置 |
CN114186697B (zh) * | 2021-12-10 | 2023-03-14 | 北京百度网讯科技有限公司 | 基于深度学习框架生成和应用深度学习模型的方法及装置 |
CN114237911A (zh) * | 2021-12-23 | 2022-03-25 | 深圳华大医学检验实验室 | 基于cuda的基因数据处理方法、装置和cuda构架 |
CN115081628A (zh) * | 2022-08-15 | 2022-09-20 | 浙江大华技术股份有限公司 | 一种深度学习模型适配度的确定方法及装置 |
CN116501594A (zh) * | 2023-06-27 | 2023-07-28 | 上海燧原科技有限公司 | 系统建模评估方法、装置、电子设备及存储介质 |
CN116501594B (zh) * | 2023-06-27 | 2023-09-08 | 上海燧原科技有限公司 | 系统建模评估方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109408351A (zh) | 一种ai环境检测和深度学习环境自动部署的方法和装置 | |
EP3019962B1 (en) | Cloud services performance tuning and benchmarking | |
US11483218B2 (en) | Automating 5G slices using real-time analytics | |
US9584364B2 (en) | Reporting performance capabilities of a computer resource service | |
US9491072B2 (en) | Cloud services load testing and analysis | |
US10310968B2 (en) | Developing software project plans based on developer sensitivity ratings detected from monitoring developer error patterns | |
US8938719B2 (en) | System and method for performance assurance of applications | |
US9183123B2 (en) | Performance tests in a continuous deployment pipeline | |
CN110768872B (zh) | 巡检方法、系统、装置、计算机设备和存储介质 | |
EP3019961B1 (en) | Cloud services load testing and analysis | |
CN105302706B (zh) | 应用程序测试方法和装置 | |
CN104035869A (zh) | 一种应用的评测方法、终端及服务器 | |
EP3975482B1 (en) | Quantitative network testing framework for 5g and subsequent generation networks | |
US20200142679A1 (en) | Constructing and enhancing a deployment pattern | |
CN103927255A (zh) | 基于云测试系统的软件测试方法、云测试系统及其客户端 | |
CN112783793B (zh) | 自动化接口测试系统及方法 | |
Heinrich et al. | Integrating run-time observations and design component models for cloud system analysis | |
CN110750458A (zh) | 大数据平台测试方法、装置、可读存储介质及电子设备 | |
US20230185702A1 (en) | Method and Apparatus for Generating and Applying Deep Learning Model based on Deep Learning Framework | |
US20150089290A1 (en) | Derivation of generalized test cases | |
US20220197783A1 (en) | Software application component testing | |
CN117235527A (zh) | 端到端容器化的大数据模型构建方法、装置、设备及介质 | |
CN103559134A (zh) | 基准测试组件的配置方法和装置 | |
CN113240088A (zh) | 文本意图识别模型的训练方法 | |
CN111352811B (zh) | 一种用户行为数据采集方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |
|
RJ01 | Rejection of invention patent application after publication |