有關IO模式的問題,數據存儲與深度學習

人工智能，尤其是深度學習是一種正在改變人們生活的許多方面的計算技術。深度學習的算法需要大量的數據。數量確實取決于算法和生成的網絡模型的目標，但對于一些復雜的模式來說，它可能會運行數億的輸入集合。

人工智能是計算領域的熱門話題之一，并且有著充分的理由。深度學習(DL)中的新技術在某些問題上有能力創建比人類精確度更好的神經網絡。圖像識別是深度學習(DL)模型如何在識別圖像中的對象(對象檢測和分類)方面實現比人類準確性更好的一個例子。

ImageNet競賽就是一個例子。自2010年以來，ImageNet大規模視覺識別挑戰(ILSVRC)已被用作圖像識別改進的衡量標準。在2011年，其錯誤率約為25%(該工具可以正確識別培訓數據集之外的75%的圖像)。2012年，深度神經網絡(DNN)的錯誤率降低到16%。在接下來的幾年里，其錯誤率將降至個位數。在2017年，36支參賽團隊中有29人的失誤率低于5%，這通常要比人類識別做的更好。

深度學習使用各種類型的神經網絡，可應用于各種各樣的問題。創建深度學習模型通常有兩個主要步驟：第一步就是所謂的訓練。這是讓模型重復讀取輸入數據集，并調整模型參數以最小化錯誤(正確輸出與計算輸出之間的差異)的過程。這一步需要大量的輸入，需要極端大量的計算量。

第二步發生在模型訓練后，稱之為推理。這是訓練模型在生產中的部署。生產意味著該模型可用于讀取未用于培訓的數據。它產生用于某個任務的輸出，而不是訓練神經網絡。這一步也有一個計算組件。它不需要大量計算，它需要實現諸如最小化延遲、最佳可能精度，最大化吞吐量，以及最大化能源效率等目標。

用于執行這兩個步驟的計算的軟件由框架完成。這些軟件工具和數據庫可以讀取通常用Python編寫的腳本，告訴框架需要什么樣的操作以及神經網絡是什么樣的。該代碼然后由框架讀取，然后執行?？蚣艿睦佑?a href="http://www.qd573.com/tags/tensorflow/" target="_blank">Tensorflow、Caffe或PyTorch。

有關IO模式的問題

通過研究深度學習(DL)框架的功能，可以了解IO模式。人們不需要知道具體框架的細節，也不需要了解神經網絡背后的數學知識。

深度學習(DL)框架中訓練步驟的基本流程非常簡單。神經網絡需要相當多的輸入數據來正確訓練網絡來執行任務。它可以是圖像、視頻、音量、數字或幾乎任何數據的組合。

人們需要大量的數據。此外，其數據必須非常多樣化，并為每個輸入提供廣泛的信息。例如，確定某人是男性還是女性的簡單面部識別需要超過1億張圖像。

輸入數據能夠以各種方式進行存儲，從簡單的csv文件中獲取真正少量的輸入數據，以便了解深度神經網絡(DNN)的數據庫，以及包含圖像的數據庫。只要深度神經網絡(DNN)可以訪問數據并理解輸入格式，數據也可以分布在不同的格式和工具中。它也可以是結構化和非結構化數據的組合，只要用戶知道數據和格式，并且可以在模型中表達這些數據和格式即可。

存儲介質上的數據大小可能會有所不同。在極端情況下，來自MNIST數據集的簡單圖像是28×28灰度圖像(值從0到255)?？偣灿?84個像素，這格式非常小。如今人們擁有4K分辨率的電視機和相機。這將是4,096 x 4,096像素，總共16,777,216個像素。

4K色彩表示通常以8位(256個選擇)開始，或者可以達到16位信息。這可能導致非常大的圖像。如果將一個4K圖像制作為分辨率為4520 x 2540和8位的單個未壓縮的tiff文件，則其大小為45.9 MB。而對于16位色的圖像來說，其大小為91.8 MB。

如果組織擁有1億張圖片，對于一些面部識別算法來說是合理的，組織擁有這么多文件，這對當今的文件系統來說并不算太壞。在8位圖像情況下使用的總空間是4.59 PB。對于使用大型高分辨率圖像的單個神經網絡(NN)來說，這是相當大的空間。

一般來說，神經網絡在訓練網絡時有兩個階段。第一階段稱為前饋。它接受輸入并通過網絡進行處理。輸出與正確的輸出進行比較以產生錯誤。然后通過網絡傳播這個錯誤(反向傳播)來調整網絡的參數，以便希望減少網絡產生的錯誤。

這個過程繼續進行，以便所有圖像通過網絡進行處理。這被稱為epoch(迭代次數，1個epoch等于使用訓練集中的全部樣本訓練一次)。培訓一個網絡達到所需的性能水平可能需要數百、數千或數萬個epoch。深度學習框架(例如Tensorflow或Caffe或PyTorch)負責用戶創建的網絡模型的整個過程。

整體IO進程

深度學習的IO模式的簡要概述是數據一次又一次地被讀取。深度學習經常重復讀取(重讀)。請注意讀取一些文字，但與閱讀相比，它的工作量是很小的，因為它主要是在神經網絡訓練期間檢查指向。但是，為了改進神經網絡訓練，可以使用一些影響IO模式的選項。

作為讀取或寫入數據量的示例，在此假設網絡需要1億張圖像，其中每張圖像為45.9 MB。此外，假設網絡模型需要大約40MB來保存，并且每100個epoch保存一次，并且需要5000個epoch來訓練模型。

如前所述，一個epoch需要讀取4.59 PB的數據。這需要重復5000次。這總共需要讀取22.95EB的數據。如果每個圖像是單個文件，它還需要讀取500億個文件。

對于寫入IO，模型需要寫入50次。這是總共2 GB和50個寫入。與讀取相比，其工作量是非常小的。

對于這個例子，總共有459個PB執行了100億個讀取IO。隨后是40MB的寫入IO。整個IO模式總共重復50次。

這是面向識別應用的深度神經網絡(DNN)的基本IO模式。為了減少訓練時間，可以使用幾種技術。以下的主題是從IO角度對這些技術進行快速概述。

訓練技巧

神經網絡(NN)訓練中使用的第一種技術是輸入數據的隨機混洗。幾乎所有的時間都用它來減少所需的歷元(參考的時刻點)并防止過擬合(優化模型到數據集，但是模型在現實世界的數據上表現不佳)。

在新的epoch開始之前，數據讀取的順序是隨機的。這意味著讀取的IO模式是基于每個圖像的隨機數。在閱讀個人圖像時是連續的，但在圖像之間是隨機的。因此，由于隨機性，將模式表征為“重讀”而非“讀取”是困難的。

也有可以從數據庫中讀取數據的框架。IO模式的讀取仍然非常繁重，可能會隨機對數據進行混洗。這可能會使IO模式的細節更加復雜化，因為數據庫位于內存和框架之間。

有時框架也會使用IO的mmap()函數。這是一個將文件或設備映射到內存的系統調用。當將虛擬內存區域映射到文件時，它被稱為“基于文件的映射”。讀取某些內存區域將會讀取文件。這是默認行為。

無論是否使用mmap()，IO模式仍然是重讀的，遵循以上討論的模式。然而，使用mmap()會使分析復雜化，因為IO直接從文件到內存。

另一種常用的提高訓練性能的技術稱為批處理。在每個輸入圖像(包括向前和向后傳播)之后更新網絡，而不是在輸入“批量”圖像之后更新網絡。網絡的反向傳播部分對錯誤進行操作，例如對它們進行平均，以更新網絡參數。這通常不會改變IO模式，因為圖像仍然需要被讀取，但它可能會影響收斂速度。一般來說，它可以減緩收斂速度，但后向傳播的發生較少，提高了計算速度。

在使用GPU(圖形處理單元)進行訓練時，使用批處理還有助于提高性能。批處理不是將文件從CPU移動到GPU，而是允許用戶將多個文件復制到GPU。這可以提高從CPU到GPU的吞吐量，并減少數據傳輸時間。以這個例子為例，批處理大小為32將減少數據傳輸到3125000個傳輸的數量。

批處理確實有助于收斂，但不會真正影響IO模式。該模式仍然是隨機讀取，寫入很少。但它可以改變框架創建的輸出量。

數據存儲與深度學習

人工智能，尤其是深度學習是一種正在改變人們生活的許多方面的計算技術。深度學習的算法需要大量的數據。數量確實取決于算法和生成的網絡模型的目標，但對于一些復雜的模式來說，它可能會運行數億的輸入集合。通常，用于訓練模型的數據越多，數據越多樣化，最終訓練的模型就越好。這指向非常大的數據集。

在以往，有人討論數據將變得越來越冷。這意味著在創建數據后，很少再次使用它。而人們通過檢查數據，包括工程和企業數據，并發現了一些非常有趣的趨勢：

?這兩種工作負載都更加面向寫入。讀寫字節比率已顯著下降(從4：1到2：1)

?相對于只讀和只寫訪問模式，讀寫訪問模式增加了30倍。

?文件很少重新打開。超過66%只重開一次，95%少于五次。

?文件很少重新打開。

?研究期間超過90%的活動存儲空間未被使用。

?一小部分客戶占文件活動的很大一部分。不到1%的客戶占文件請求的50%。

而總結數據的總體使用非常容易。

?IO模式非常重視寫入。

?數據很少被重復使用，但仍然存在。

比較深入學習算法的IO模式，可以發現它與傳統工程師、HPC和企業應用程序的做法幾乎完全相反。深度學習非常重讀IO導向，數據在設計和訓練模型時被重復使用。即使在模型被訓練之后，仍然需要用新數據來增加現有的訓練數據集，特別是模型輸出中的誤差。這是為了隨著時間的推移對模型進行的改進。