基于Volcano優(yōu)化機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的性能

案例背景:
隨著Kubernetes的成熟，越來越多的企業(yè)把Kubernetes作為AI、大數(shù)據(jù)、高性能計(jì)算的下一代基礎(chǔ)設(shè)施。然而Kubernetes作為通用解決方案在AI、大數(shù)據(jù)等專業(yè)領(lǐng)域仍然和業(yè)務(wù)訴求存在一定的差距。主要挑戰(zhàn)在調(diào)度能力無法滿足計(jì)算需求、作業(yè)管理能力無法滿足AI訓(xùn)練的復(fù)雜需求、資源管理能力缺少分時共享等等。Volcano團(tuán)隊(duì)針對這些挑戰(zhàn)進(jìn)行了各種探索和優(yōu)化實(shí)踐，并取得了優(yōu)異的成果。

解決思路:
我們主要針對機(jī)器學(xué)習(xí)的特點(diǎn)，從調(diào)度方面進(jìn)行了優(yōu)化，提供了組調(diào)度、binpack、拓?fù)湔{(diào)度、GPU共享等多種調(diào)度策略，有效縮短了分布式訓(xùn)練的時間。同時我們增強(qiáng)了分布式訓(xùn)練作業(yè)的生命周期管理，讓分布式訓(xùn)練更簡單、更高效。

成果：
優(yōu)化后實(shí)際分布式訓(xùn)練性能提升30%以上