专家授课︱如何亲自动手搭建一个大数据分析模型

AI这个词，仿佛自带高大上光环

无论它身在哪个行业

总会让人们发出惊叹：

AI打败排名世界第一的围棋选手，WOW！

AI能帮你驾驶汽车，Awesome！

AI能诊断疾病，Niubility！

在这个言高科技必称AI的年代，AI在大众的印象里总是遥远而神秘，但小编要告诉你，其实AI并不遥远~

今天，我们邀请到戴尔易安信非结构化数据解决方案企业技术顾问简君芳，教你如何手动搭建一个AI算法模型。动动手，你也可以亲自实践AI。

简单深度学习实践

搭建猫狗识别AI算法模型

开始前，首先介绍一下AI的工作流程：

简单来说就是分成两部分：

1.训练

①需要累积数据，并预期数据越多越好，所以存储必须可扩展。

②数据科学家处理数据，初步建立算法模型，读取数据。

③需要GPU执行framework(如TensorFlow)，forward前向传播跑出结果，计算误差损失，backward反向传播更新参数修改模型，不断重复， 最终得到准确度较高的训练好的模型。

2. 推断

①需要全新的数据来验证。

②使用训练好的模型，验证准确度是否真的够高。

③部署该模型到实际环境正式使用。

这其实是一个永无止尽不断循环的过程，没有最好的模型，只有更好的模型。总之，目的就是要找出可以帮助公司业务，达到最佳ROI的“那个模型”。但重点是，要怎么找到“那个模型”，够好还有够快？这才是AI时代，各公司真正的核心竞争力所在。

所以现在就要来好好分析一下这个过程的三大要素：

1. 大数据

有人说过，若你有趋近无限的数据，你就可以训练出趋近完美的模型。所以要模型好，准确度高，最重要的就是先要有数据，越多越好。不过这首先就会带来一个问题，这些不断成长数据要放在哪里？本地磁盘容量不够，RAID存储扩充不行，只有真正分布式的横向扩展存储才是最适合大数据的，从而让模型更好。

2. 算力

比如GPU，计算力越强，AI流程越快，也是基础设施成本最贵的部分。可是并非花了大价钱买了GPU，就能高枕无忧了，如果GPU的使用率只有不到50%呢，这样还快得起来吗？

事实上这是目前非常普遍的现象，GPU使用率不高的原因通常都是在于I/O瓶颈。而只有可以分散处理大量并发I/O的分布式存储才是最能提高GPU利用率的，让模型更快。

3. 算法

算法需要数据科学家一方面了解公司业务，另一方面了解数据，建立正确的模型。

说的简单，其中过程也是非常复杂的，比如IoT需要使用Kafka，机器学习需要使用SparkML，深度学习需要使用TensorFlow，大数据分析需要使用Hadoop，处理数据需要使用ETL工具，最后还要做可视化/BI等……若都是分开的孤岛，不但流程复杂，数据需要复制许多份，并且数据迁移来迁移去非常耗时。

这时候不如使用数据湖，不再有孤岛，整合流程，数据保持同一份节省TCO整体成本，省下数据迁移的心力，提升数据科学家的工作效率，让他们专注在最有价值的算法上。

接下来，就用实际的猫狗辨识简单实践来体验一下TensorFlow深度学习吧！

这里我使用的存储是戴尔易安信Isilon，为什么用它呢？通过上面的讲解你应该能知道，AI所需要存储不仅要强大扩展能力，同时还不能有I/O瓶颈。而Isilon正是一款真正分布式的横向扩展NAS存储，不仅能轻松扩展到数十个PB，还能助攻GPU，让使用率高达90%+，更能提供原生数据湖整合流程提升工作效率。

*Isilon由英特尔® 至强®处理器提供支持，该处理器采用软件定义的基础设施和敏捷云架构，为Isilon提供了卓越的性能和效率，可加速要求严苛的文件工作负载，使企业发挥数据资本的价值，加速业务的数字转型。

广告不多说了，下面正式开始实践。

这里我使用VMware Workstation跑两个VM：

一个VM是Ubuntu 16.04作为AI服务器，安装软件如下：

☞ Anaconda with Python 3.7

☞ Jupyter Notebook

☞ TensorFlow

☞ Keras

☞ Opencv

另一个VM是Isilon simulater OneFS 8.2.0作为AI存储，设定准备如下：

☞ 启动trial license

☞ 建立/ifs/ai路径

☞ 在网络上下载了三千张猫跟狗的图片数据，都放在/ifs/ai/datasets/images目录下

☞ 在网络上下载了深度学习猫狗辨识模型的python code，路径为/ifs/ai/dl_isilon.ipynb

☞ 建立/ifs/ai/trained_模型s目录给训练好的模型存档

01 步骤一

建立联机，正式环境可能会使用Kubernetes，可以把Isilon直接用NFS或是透过CSI作为persistent volume提供给GPU Docker。但因为我这里只使用单一VM，所以我用最简单的NFS mount方式，把Isilon mount给Ubuntu的/home/ai/isilon目录。

02 步骤二

接着在Ubuntu上开启Jupyter Notebook，这时候可以看到名为isilon的目录出现，进入/Isilon/ai就可以看到之前准备好的数据和python code。

03 步骤三

打开dl_isilon.ipynb，一开始就是要设定读取数据的地方，这里的路径“./datasets/images/”其实就是指向Isilon的/ifs/ai/datasets/images。

04 步骤四

接下来把三千张图片重设大小，做卷标分类，其中两千张来做训练，一千张做验证，于是会产生四个目录，其中“./datasets/catsvsdogs/train/dogs”其实就是指向Isilon的/ifs/ai/datasets/catsvsdogs/train/dogs，依此类推。

05 步骤五

然后经过一些转格式的预处理动作，就是建立CNNmodel的部分了，其中有些超参数可以调整如batch_size，epochs。

现在就开始训练了，训练好的模型会存档为./trained_models/cats_vs_dogs.h5，其实就是指向Isilon的/ifs/ai/trained_models/cats_vs_dogs.h5。

可以看到，训练十次，每次两千张，损失越来越低，准确度越来越高，训练第一次的准确度只有50%，训练第十次的准确度有71.5%，当然这远远不够高， 是因为只有两千张图片，想象一下若有两万张图片，准确度就可能到达95%以上了，这就是大数据的威力与价值！

接下来用另外一千张图片来验证这个已经训练好，存在Isilon上的模型。

以上就是一个简单的使用Isilon实现AI解决方案的猫狗辨识实践。其实AI并没有那么神秘，动手起来也不难，最重要的，是不是觉得Isilon真的很适合AI了呢？

如果这个训练好的模型准确度高于人类，那么就可以实际部署在生产环境上了，以后就可以让AI帮助公司业务来判断图片，比人类准确度高，比人类速度快，还不会有人为错误，一片美好的未来~

但是！工欲善其事，必先利其器，必须要先有适合的AI存储如Isilon才能往美好的未来迈进，准确并快速地找出可以高效帮助公司业务的模型，达到最佳ROI！