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 AI 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：
1.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。
2.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。
3.采购周期长：GPU采购和备货周期比普通CPU服务器更长。即便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。
4.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：
1.训练数据下载；
2.训练任务执行；
3.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 便作为唯一的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。
