語音助手，人臉識(shí)別，外文翻譯等等，AI 已融入到了我們生活的方方面面，極大了促進(jìn)了社會(huì)的發(fā)展。深度學(xué)習(xí)是 AI 的核心技術(shù)，在圖像分類，自然語言處理，自動(dòng)駕駛等眾多領(lǐng)域顯示出了強(qiáng)大的能力，其中 Caffe，TensorFlow，Keras，PyTorch 是主流的深度學(xué)習(xí)框架，擁有強(qiáng)大的社區(qū)支持，是實(shí)踐深度學(xué)習(xí)不可或缺的工具。

　　以 Docker 和 K8S 為代表的容器技術(shù)被越來越多的企業(yè)和機(jī)構(gòu)采用，為此青云 QingCloud推出深度學(xué)習(xí)平臺(tái)容器版，將主流的深度學(xué)習(xí)框架做成 Docker鏡像， 用戶無需為搭建環(huán)境浪費(fèi)時(shí)間，直接通過容器啟動(dòng)配置好的深度學(xué)習(xí)平臺(tái)，使得用戶可以專注于深度學(xué)習(xí)應(yīng)用的開發(fā)，避免了框架繁瑣的安裝部署流程，還可以按需選擇不同版本的深度學(xué)習(xí)框架 Docker鏡像，實(shí)現(xiàn)定制深度學(xué)習(xí)平臺(tái)的目的，提高用戶的開發(fā)和部署效率。

　　1: 青云深度學(xué)習(xí)平臺(tái)容器版

　　青云深度學(xué)習(xí)平臺(tái)容器版提供 GPU 和 CPU 兩個(gè)容器版本：

　　其中 GPU 版本分為 GPU 高級(jí)版和 GPU 基礎(chǔ)版，均搭載 NVIDIA Tesla P100 GPU，GPU 高級(jí)版和 GPU 基礎(chǔ)版的區(qū)別在于 CPU 核數(shù)、內(nèi)存的可配置范圍以及是否支持包年包月。

　　CPU 版本為 QingCloud 深度學(xué)習(xí)平臺(tái)攜手 Intel，推出了兩個(gè)針對(duì) Intel CPU 優(yōu)化的深度學(xué)習(xí)平臺(tái)版本，優(yōu)化版 1：增加 avx 指令集支持以加速 Caffe, TensorFlow, Keras, PyTorch 訓(xùn)練;優(yōu)化版 2：增加 avx2, fma 指令集支持和 MKLDNN 庫(kù)以加速 Caffe, TensorFlow, Keras 訓(xùn)練，增加 avx2 指令集支持加速 PyTorch 訓(xùn)練。

　　 據(jù)測(cè)試，Intel 優(yōu)化版 TensorFlow ，在 16核 Broadwell平臺(tái)上，ResNet 50的推理速度可達(dá) 40 imgs/s ，能夠滿足一些輕量級(jí)模型的訓(xùn)練和推理需求。

　　 GPU 容器版在 Docker 宿主機(jī)中安裝 NVIDIA Driver(387.26)，nvidia-Docker2，Docker(18.03.1-ce)，CPU 容器版在 Docker 宿主機(jī)上安裝 Docker(18.03.1-ce)，容器版在宿主機(jī)上預(yù)置了一個(gè)或多個(gè) Docker 鏡像，鏡像中均安裝 Caffe(BVLC 1.0 或 Intel 1.1)、TensorFlow(1.8.0)，Keras(2.2.0)，PyTorch(0.4.1)框架。

　　同時(shí)，為滿足用戶對(duì)不同 Deep Learning 框架版本、python 版本和 CUDA 版本的需求，青云深度學(xué)習(xí)平臺(tái)容器版提供了匹配不同版本的多個(gè)Docker image，用戶可依據(jù)需要拉取，各框架的 Repository 地址如下：

　　深度學(xué)習(xí)框架鏡像倉(cāng)庫(kù)

　　TensorFlow：

　　https://hub.Docker.com/r/qingcloud/tensorflow/

　　Keras：

　　https://hub.Docker.com/r/qingcloud/keras/

　　Pytorch：

　　https://hub.Docker.com/r/qingcloud/pytorch/

　　Caffe：

　　https://hub.Docker.com/r/qingcloud/caffe/

　　TensorFlow+Keras+Pytorch+Caffe：

　　https://hub.Docker.com/r/qingcloud/deeplearning/

　　PS: 接下來，我們還將推出基于 K8S的機(jī)器學(xué)習(xí)/ 深度學(xué)習(xí)平臺(tái)，敬請(qǐng)期待。

　　2: 平臺(tái)性能測(cè)試

　　為了讓用戶快速了解深度學(xué)習(xí)平臺(tái)的性能指標(biāo)以便于選擇，我們使用 TensorFlow 性能測(cè)試代碼中的 CNN Benchmark ，對(duì)常用硬件配置組合進(jìn)行了測(cè)試。 我們選擇 ResNet-50 模型，調(diào)用 Python 3.6 + TensorFlow 1.7.0 環(huán)境，使用合成數(shù)據(jù)進(jìn)行測(cè)試。

　　3:模型和數(shù)據(jù)

　　為了方便用戶使用，我們收集了深度學(xué)習(xí)常用的數(shù)據(jù)集，以及一些常用模型的預(yù)訓(xùn)練權(quán)重，放在對(duì)象存儲(chǔ)中，用戶可直接使用這些數(shù)據(jù)開始自己的工作，節(jié)省下載數(shù)據(jù)的時(shí)間，提高工作效率。(下載地址：http://t.cn/RkK0v6y)

　　4: 訓(xùn)練與推理實(shí)踐

　　為了方便用戶的學(xué)習(xí)和實(shí)踐，我們還提供了包含圖像分類、目標(biāo)檢測(cè)、人臉識(shí)別及自然語言處理的示例，以下簡(jiǎn)單舉例說明。