訓(xùn)練系統(tǒng)是基于K8S搭建使用的，能夠?qū)崿F(xiàn)自己的調(diào)度。K8S作為容器的調(diào)度平臺(tái)，默認(rèn)是調(diào)度一個(gè)pod在不同的機(jī)器上面運(yùn)行的，但是做多機(jī)訓(xùn)練可能需要同時(shí)使用多個(gè)Pod，每個(gè)機(jī)器上面一個(gè)Pod。這樣就需要相應(yīng)的管理以及生命周期的維護(hù)，我們這套系統(tǒng)是基于K8S做的開發(fā)，承擔(dān)這樣的工作。

機(jī)器學(xué)習(xí)場(chǎng)景下Golang的發(fā)展

如果此前沒有接觸過機(jī)器學(xué)習(xí)？如何能夠加入人工智能的浪潮中，學(xué)習(xí)并進(jìn)入機(jī)器學(xué)習(xí)領(lǐng)域呢？ Go Notebooks、Caffe和Caffe2，TensorFlow-Go幾個(gè)工具都是很好的工具。接下來將演示如何用TensorFlow的Golang binding做一個(gè)簡(jiǎn)單工具。

基于已有模型（他人訓(xùn)練的模型），對(duì)圖片進(jìn)行加載，隨后可輸出帶有標(biāo)記框的圖片，也是模型識(shí)別的效果。

所用的代碼參考如下：          

建議可嘗試用 自己的模型或是TensorFlow官方模型形成小的應(yīng)用，例如人臉識(shí)別。但官方公布的模型精度都不高，原因是數(shù)據(jù)集較小，Momenta擁有的大數(shù)據(jù)平臺(tái)能有效降低人工標(biāo)注的成本，但大數(shù)據(jù)的訓(xùn)練往往涉及到多機(jī)訓(xùn)練。多機(jī)訓(xùn)練已經(jīng)經(jīng)歷了三個(gè)重要時(shí)期，我們定義為：史前時(shí)代、石器時(shí)代和現(xiàn)代文明。

史前時(shí)代

多機(jī)訓(xùn)練最原始的階段是直接登錄到某幾臺(tái)機(jī)器，安裝各類訓(xùn)練框架、驅(qū)動(dòng)和網(wǎng)絡(luò)配置等，在每臺(tái)機(jī)器上跑訓(xùn)練任務(wù)，很難進(jìn)行優(yōu)化。容器出現(xiàn)后，可被用來避免某些重復(fù)的配置，讓多機(jī)訓(xùn)練進(jìn)入了下一個(gè)時(shí)代——石器時(shí)代。

石器時(shí)代

借助D ocker 將智能框架進(jìn)行封裝，在每臺(tái)機(jī)器上面運(yùn)行命令。

現(xiàn)代文明

在現(xiàn)代文明階段，所有調(diào)度和管理工作都通過容器進(jìn)行，可以同時(shí)管理幾百臺(tái)機(jī)器。能夠進(jìn)入這個(gè)階段主要是靠眾多開源社區(qū)的努力和合作，比如 TensorFlow和Kubernetes的強(qiáng)強(qiáng)聯(lián)合便誕生了Kubeflow。

KubeFlow其實(shí)是一些工具的集成或是一些框架，它有官方的自定義資源以及Caffe2的資源。通過KubeFlow，用戶只需要敲幾行命令便可進(jìn)行多機(jī)的訓(xùn)練，也可以實(shí)現(xiàn)簡(jiǎn)單的模型訓(xùn)練。