Intel开源深度学习库BigDL：Non GPU on Spark

Intel开源了基于Apache Spark的分布式深度学习框架BigDL。BigDL借助现有的Spark集群来运行深度学习计算，并简化存储在Hadoop中的大数据集的数据加载。

BigDL适用的应用场景主要为以下三种：

1. 直接在Hadoop/Spark框架下使用深度学习进行大数据分析（即将数据存储在HDFS、HBase、Hive等数据库上）；

2. 在Spark程序中/工作流中加入深度学习功能；

3. 利用现有的 Hadoop/Spark 集群来运行深度学习程序，然后将代码与其他的应用场景进行动态共享，例如ETL（Extract、Transform、Load，即通常所说的数据抽取）、数据仓库（data warehouse）、功能引擎、经典机器学习、图表分析等。

运行于Spark集群上  

Spark是被工业界验证过的，并有很多部署的大数据平台。BigDL针对那些想要将机器学习应用到已有Spark或Hadoop集群的人。

对于直接支持已有Spark集群的深度学习开源库，BigDL是唯一的一个框架。

BigDL可以直接运行在已有Spark集群之上，和Spark RDD, DataFrame/DataSet直接接口，不需要额外的集群数据加载，从而大大提高从数据抽取到深度学习建模的开发运行效率。用户不需要对他们的集群做任何改动，就可以直接运行BigDL。BigDL可以和其它的Spark的workload一起运行，非常方便的进行集成。

BigDL库支持Spark 1.5、1.6和2.0版本。BigDL库中有把Spark RDDs转换为BigDL DataSet的方法，并且可以直接与Spark ML Pipelines一起使用。

Non GPU on Spark  

BigDL目前的测试结果是基于单节点Xeon服务器的（即，与主流GPU相当的CPU），在Xeon上的结果表明，比开箱即用的开源Caffe，Torch或TensorFlow速度上有“数量级”的提升，最高可达到48倍的提升（Orders of magnitude ，up-to 48X today）。而且能够扩展到数十个Xeon服务器。

为什么创建一个默认情况下不使用GPU加速的深度学习框架？对于英特尔来说，它是促进下一代CPU机器学习的策略的一部分。

Spark传统上不是一个GPU加速的产品，虽然目前IBM和Databricks（于去年底）有在自己的集群上增加支持GPU加速的Spark服务；其实使用GPU也将是一种趋势。从另一方面来说，BigDL是给开发者的一个福利，理论上，使用现有软件会比移植到GPU架构上的工作量小很多。比如说英特尔采用GPU-a PCIe附加卡的形式封装了Xeon Phi处理器，由Xeon Phi插件卡组成的系统可以通过简单地更换或添加卡来升级或扩展，而不用更换整个机架。

性能上的优化措施  

与使用GPU加速来加速过程的其他机器学习框架不同，BigDL使用英特尔数学内核库（Intel MKL）来得到最高性能要求。在性能提高策略上，它还针对每个Spark task使用了多线程编程。

对于模型训练，BigDL使用了在多个执行器中执行单个Spark任务的同步小批量SGD（Stochastic Gradient Descent）。每个执行器运行一个多线程引擎并处理一部分微批次数据。在当前版本中，所有的训练和验证数据都存储到存储器中。

BigDL使用Scala开发，并参考了Torch的模型。像Torch一样，它有一个使用Intel MKL库进行计算的Tensor类。Intel MKL（Math Kernel Library）是由一系列为计算优化过的小程序所组成的库，这些小程序从FFT（快速傅立叶变换）到矩阵乘法均有涉及，常用于深度学习模型训练。Module是另一个从Torch借鉴而来的概念，它的灵感来自Torch的nn package。Module代表单独的神经网络层、Table和Criterion。

易用性上的优化  

BigDL的API是参考torch设计的，为用户提供几个模块：

1. Module： 构建神经网络的基本组件，目前提供100+的module，覆盖了主流的神经网络模型。

2. Criterion：机器学习里面的目标函数，提供了十几个，常用的也都包含了。

3. Optimizer：分布式模型训练。包括常用的训练算法（SGD，Adagrad），data partition的分布式训练。

用户只需定义好模型和目标函数，就可以放到Optimizer里面去训练。对于数据预处理，BigDL提供了一个叫Transformer的接口封装，并且提供了很多图像、自然语言处理方面的预处理算法的实现。另外还提供很多示例程序，让用户了解怎么使用BigDL。例如怎么训练模型，怎么和Spark其它模块一起工作。

BigDL提供了一个AWS EC2镜像和一些示例，比如使用卷积神经网络进行文本分类，还有图像分类以及如何将在Torch或Caffe中预训练过的模型加载到Spark中进行预测计算。来自社区的请求主要包括提供对Python的支持，MKL-DNN（MKL的深度学习扩展），faster-rcnn，以及可视化支持。

转自infoq中文站

作者 杜小芳