近日，UCloud推出了UAI-Train 智能一体化训练平台，结合此前已推出的UAI-Service、GPU及安全屋等AI系列产品，UCloud现已初步形成一站式AI全服务。
UAI-Train灵活便捷的训练任务托管服务，能够帮助用户摆脱资源采购运维烦恼，降低AI使用门槛；同时，平台采用按需付费模式，降低AI成本投入，避免闲置资源浪费。
AI模型训练的痛点
随着人工智能产业的兴起，人工智能技术已经被广泛运用于各行各业。近年来，人工智能技术在图像（物体识别、人脸识别等）、自然语言（语音识别、翻译、对话机器人）、智能医疗、智能推荐（广告、新闻、视频）等领域取得了飞速发展。与此同时，人工智能技术对计算资源的需求也快速增加，因而“云计算如何服务于人工智能产业的发展”已成为公有云服务的一个新方向。
通常来说，构建人工智能服务包括三个步骤：大数据收集与处理、AI模型训练、AI模型在线服务，其中的每一个环节都需要投入大量计算资源。
对于大数据处理，可通过采购一定数量的云主机或物理机来搭建一个数据处理集群 ，也可通过采用UHadoop产品来搭建Hadoop或Spark集群来处理数据；对于AI在线服务，可通过使用云主机搭建服务集群或直接使用UCloud UAI Service服务，来快速部署AI在线推理服务。
然而对于AI模型训练，用户通常需要高性能的GPU资源来满足AI模型训练过程中所产生的庞大的浮点计算需求，以及处理随之而来的诸多挑战。
◆ 成本投入高
GPU硬件或GPU云主机的采购成本非常高。一块P40 GPU的采购价格超过5万，即使是租用P40云主机，其成本也在4500元/月以上，因此使用GPU硬件一次性投入的成本非常高。
◆ 资源闲置
自行采购GPU还会面临空闲资源闲置等问题。在AI算法研发、迭代过程中，算法设计、数据处理都需要花费大量的时间，但此时GPU设备却通常因为无法被充分利用而造成闲置，进一步增加GPU的使用成本。
◆ 采购周期长
GPU采购和备货周期比普通CPU服务器更长。即使使用公有云服务也无法像使用CPU云主机一样，随时随地购买使用GPU云主机。
◆ 运维成本高
训练环境配置、GPU资源调度、数据存储、训练任务容灾等问题会随着业务量的增加而增加，从而不断提高GPU训练集群维护的运维成本。
诸多问题表明，对于从事AI业务的公司来说，所面临的挑战非常严峻。研发人员可能手握很好的AI算法模型和解决方案，却往往因为AI技术的高门槛要求而导致研发成本增加、研发周期变长。
为了帮助客户解决AI模型训练过程面临的四个关键问题，UCloud AI Train平台基于UCloud性能强大的GPU云主机集群构建，为AI训练任务提供充足的计算能力。同时，提供一站式训练任务托管服务，包括自动实现计算节点调度、训练环境准备、数据上传下载以及任务容灾等功能，能够帮助用户从繁杂的GPU资源采购、管理、运维工作中解放出来。另外，UAI-Train平台按照实际计算消耗付费，不但可以降低GPU的成本投入，而且可以避免闲置资源浪费。
智能一体化训练平台的三大核心优势
◆ 一站式任务托管，实时训练状态追踪
UAI-Train平台提供一站式训练任务托管服务，用户只需要提供打包好的训练镜像、数据源路径、数据输出路径以及训练所需的参数就可以提交训练任务并等待任务结束。UAI-Train平台将自动进行GPU资源调度、数据下载上传和计算节点容灾。
同时UAI-Train平台提供了图形化的实时日志输出，以及TensorBoard的实时展示（Tensorflow和Keras可用），用户可以通过浏览器实时追踪训练的状态。
◆ 基于Docker容器技术，强大的AI兼容性
UAI Train基于Docker容器技术提供兼容性极强的训练环境。用户只需将AI模型训练算法打包至Docker镜像中，即可以将训练任务提交至训练平台，训练平台将会负责：
>>>> 训练数据下载；
>>>> 训练任务执行；
>>>> 训练结果输出并保存。
完全无需用户介入，整个过程如下图所示：
为简化UAI-Train平台的使用过程，UCloud提供了Python SDK和基础Docker镜像，以此来协助用户封装Docker镜像。目前，UAI-Train平台支持4种主流AI框架，包括镜像一键打包和测试工具以及基础镜像（后续还将计划增加对PyTorch、CNTK等开源框架的支持）。
同时，UAI Train平台也支持自定义Docker训练镜像，并提供了预装cuda和cudnn的基础镜像。
◆ 灵活配置选择，超高性价比
UAI-Train平台目前支持3种GPU节点，按需使用收费，计费精确到分钟，具有极高的性价比。
UAI-Train平台还计划逐步推出种类更丰富的硬件加速计算设备，包括更新的GPU设备、Xeon Phi设备等，另外还将推出分布式训练集群支持。
四大核心应用场景，助力企业AI业务发展
◆ 应用场景一：快速AI转型
AI模型训练任务执行环境配置复杂（GPU驱动、AI框架环境安装等）、GPU资源采购周期长、成本高、运维工作繁杂等，这都成为企业快速转型AI业务的绊脚石。使用UAI-Train训练服务可以无需担心资源采购、环境配置、集群维护等问题，快速开展AI模型训练工作。
◆ 应用场景二：降低AI成本
AI训练任务执行需要花费大量计算资源。GPU硬件采购成本高，闲置资源浪费开销大。使用UAI Train训练服务不仅可以获得充足的GPU硬件资源，同时又可以按照实际计算消耗付费，使用较小的投入获取充足的计算资源，具有极高的性价比，可以有效减低AI成本。
◆ 应用场景三：简化AI运维
大规模执行AI模型训练任务需要处理计算资源调度、 任务管理、任务容灾等问题。 UAI-Train训练平台自动帮助使用者解决计算节点调度、任务管理、容灾等问题，更为使用者提供了图形化界面展示训练任务状态。
◆ 应用场景四：共享GPU资源
使用GPU云主机、物理机很难在团队之间、部门之间以及各类使用者之间共享GPU资源。UAI-Train训练平台则可以同时满足成千上百个使用者共享整个GPU资源池， 同时又提供了资源隔离、配额管理功能，可以满足GPU资源共享场景的需求。
在9月份由创新工场联合搜狗、今日头条发起的“AI Challenger全球AI挑战赛”中，UCloud 便作为***的AI GPU合作方，为大赛独家提供了AI模型训练服务（UCloud AI Train）。此次合作也验证UCloud在AI领域强大的研发实力、快速响应服务以及自身平台稳定性，为大赛的成功举办保驾护航。
作为国内领先的云计算服务商，UCloud将继续深入研究AI训练平台的功能与性能，致力为用户提供更丰富的AI框架和分布式训练支持。同时，UCloud还将结合UAI-Service 在线服务平台，打造从AI训练到AI在线服务的一体化解决方案，全方位提升面向AI产业的服务能力。
