CN111459506A - 深度学习平台集群的部署方法、装置、介质及电子设备 - Google Patents

深度学习平台集群的部署方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN111459506A
CN111459506A CN202010136850.XA CN202010136850A CN111459506A CN 111459506 A CN111459506 A CN 111459506A CN 202010136850 A CN202010136850 A CN 202010136850A CN 111459506 A CN111459506 A CN 111459506A
Authority
CN
China
Prior art keywords
deep learning
installation package
learning platform
installation
storage node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010136850.XA
Other languages
English (en)
Other versions
CN111459506B (zh
Inventor
钟孝勋
贺波
万书武
李均
蒋英明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010136850.XA priority Critical patent/CN111459506B/zh
Publication of CN111459506A publication Critical patent/CN111459506A/zh
Application granted granted Critical
Publication of CN111459506B publication Critical patent/CN111459506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Stored Programmes (AREA)

Abstract

本公开涉及过程优化领域，揭示了一种深度学***台安装包、与深度学***台依赖的***安装包、深度学***台的目标设备下发下载指令，以使目标设备在根据下载指令下载深度学***台的安装包、运行深度学***台特别是深度学习平台集群的部署效率，降低了部署成本。

Description

深度学习平台集群的部署方法、装置、介质及电子设备
技术领域
本公开涉及过程优化技术领域，特别涉及一种深度学习平台集群的部署方法、装置、介质及电子设备。
背景技术
人工智能的浪潮正席卷全球，随着人工智能的发展，深度学***台也不断涌现。然而，目前如果要安装一个深度学***台自身的版本、要安装的设备使用的操作***的版本、要安装的深度学***台时，需要相关人员具有专业的技能并进行繁琐的操作，特别是当要部署一个深度学习平台的集群时，存在部署效率低下、部署成本高等问题。
发明内容
在过程优化技术领域，为了解决上述技术问题，本公开的目的在于提供一种深度学习平台集群的部署方法、装置、介质及电子设备。
根据本申请的一方面，提供了一种深度学习平台集群的部署方法，所述方法包括：
设置存储节点；
将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包上传至所述存储节点进行存储，其中，所有所述深度学***台的安装包；
将所述深度学习平台的安装程序上传至所述存储节点进行存储；
向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
根据本申请的另一方面，提供了一种深度学习平台集群的部署装置，所述装置包括：
设置模块，被配置为设置存储节点；
第一上传模块，被配置为将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包上传至所述存储节点进行存储，其中，所有所述深度学***台的安装包；
第二上传模块，被配置为将所述深度学习平台的安装程序上传至所述存储节点进行存储；
指令下发模块，被配置为向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
根据本申请的另一方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行如前所述的方法。
根据本申请的另一方面，提供了一种电子设备，所述电子设备包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如前所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请所提供的深度学***台的安装包、与至少一个深度学***台所依赖的***安装包上传至所述存储节点进行存储，其中，所有所述深度学***台的安装包；将所述深度学***台的目标设备下发下载指令，以使所述目标设备在根据所述下载指令的指示下载所述深度学***台的安装程序，从所述存储节点下载并安装与所述目标设备匹配的深度学***台所依赖的***安装包以及/或者深度学习计算安装包。
此方法下，通过在设置存储节点后，将深度学***台所依赖的***安装包等安装运行深度学***台的安装程序分别上传至该存储节点，等到要在目标设备上部署深度学***台的安装程序，并通过安装运行该安装程序可以自动从存储节点下载安装与目标设备自身适配的安装运行深度学***台所需的安装包的自动适配、下载和安装，从而提高了深度学***台的集群的部署效率，降低了部署成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种深度学习平台集群的部署方法的***架构示意图；
图2是根据一示例性实施例示出的一种深度学习平台集群的部署方法的流程图；
图3是根据图2对应实施例示出的一实施例的步骤220和步骤240的细节的流程图；
图4是根据一示例性实施例示出的目标设备运行深度学习平台的安装脚本时所执行的步骤的流程图；
图5是根据一示例性实施例示出的一种深度学习平台集群的部署装置的框图；
图6是根据一示例性实施例示出的一种实现上述深度学习平台集群的部署方法的电子设备示例框图；
图7是根据一示例性实施例示出的一种实现上述深度学习平台集群的部署方法的计算机可读存储介质。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
本公开首先提供了一种深度学***台亦可以称为深度学***台有TensorFlow、Keras、PyTorch、百度飞桨(PaddlePaddle)等。部署深度学***台，本公开提供的深度学***台集群的部署。
本公开的实施终端可以是任何具有运算和处理功能的设备，该设备可以与外部设备相连，用于接收或者发送数据，具体可以是便携移动设备，例如智能手机、平板电脑、笔记本电脑、PDA(Personal Digital Assistant)等，也可以是固定式设备，例如，计算机设备、现场终端、台式电脑、服务器、工作站等，还可以是多个设备的集合，比如云计算的物理基础设施。
优选地，本公开的实施终端可以为服务器或者云计算的物理基础设施。
图1是根据一示例性实施例示出的一种深度学***台的设备集群110，设备集群110包括多个设备，用户终端130与每一设备之间、每一设备与文件服务器120之间以及文件服务器120与用户终端130之间，均通过通信链路相连。在本实施例中，用户终端130为本申请的执行终端，目标设备集群110中的各目标设备之间可以以预设的架构组织起来实现数据的交互。当本公开提供的深度学***台的安装包、对应的深度学***台所依赖的***安装包以及深度学***台的目标设备下发下载指令，目标设备可以根据下载指令的指示下载深度学***台的安装包、运行所述深度学***台的部署，各目标设备上部署的深度学***台集群。
值得一提的是，图1所示实施例仅为本申请的一个实施例，虽然在本实施例中，设备集群中的设备与本申请的执行终端为不同的设备，且用于存储安装程序和各种安装包的存储节点为一个节点，但在其他实施例中或者具体应用中，设备集群中的设备可以为本申请的执行终端，它可以与目标设备为不同的设备，用于存储安装程序和各种安装包的存储节点可以为多个节点，比如存储节点集群，本公开对此不作任何限定，本公开的保护范围也不应因此而受到任何限制。
图2是根据一示例性实施例示出的一种深度学习平台集群的部署方法的流程图。本实施例可以由前述的服务器或者台式电脑执行，如图2所示，可以包括以下步骤：
步骤210，设置存储节点。
存储节点可以为任何具备存储和通信功能的设备，它可以与本申请的执行终端为相同类型的设备，也可以为不同类型的设备。所设置的存储节点的数量可以为一个，也可以为多个，比如当设置了多个存储节点时，多个存储节点可以为服务器集群。
设置存储节点可以采用各种方式。
在一个实施例中，所述设置存储节点，包括：
向目标节点发送存储管理***的安装包，以便所述目标节点在接收并安装了所述安装包后，成为存储节点。
在一个实施例中，目标节点预先安装了客户端，本端预先安装了与客户端对应的服务端，所述设置存储节点，包括：
在服务端配置与所述目标节点的客户端对应的配置文件，以将所述目标节点设置为存储节点。
在一个实施例中，所述存储节点为文件服务器。
步骤220，将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包上传至所述存储节点进行存储。
其中，所有所述深度学***台的安装包。
如前所述，深度学习平台可以是各种支持运行深度学习模型或算法的软件***架构，比如可以为TensorFlow。
当上传至所述存储节点进行存储的深度学***台的安装包可以是同一平台但不同版本的安装包。
目标***可以是各种操作***，比如可以是基于Linux的红帽(RedHat)操作***、基于Linux的社区企业操作***(Community Enterprise Operating System，Centos)、基于Linux的乌班图(ubuntu)操作***等。
深度学***台的安装包。有关深度学习平台的安装包、深度学习计算安装包以及***安装包的详细介绍将在对步骤240的解释中陈述，此处暂不详述。
步骤230，将所述深度学习平台的安装程序上传至所述存储节点进行存储。
安装程序可以是任何可用于安装所述深度学习平台的程序实体，比如可以是软件、模块、组件或脚本等。
步骤240，向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
下载指令是用于指示目标设备下载深度学习平台的安装程序的指令。
目标设备通过运行深度学***台的安装包、运行所述深度学***台的安装包、运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包着两种安装包。
在一个实施例中，利用ansible自动化运维工具向要部署所述深度学习平台的目标设备下发下载指令。
Ansible是一种自动化运维工具，不需要在远程主机上安装客户端(clients)或代理(agent)，基于ssh来和远程主机通讯。
比如，目标***为RedHat操作***，深度学***台的目标设备下发的下载指令可以为wget install-tensorflow.sh，其中，install-tensorflow.sh即为脚本类型的安装程序。
在本步骤中，通过向要部署所述深度学***台以及运行深度学习平台所依赖的环境的搭建。
在一个实施例中，所述深度学***台所依赖的***安装包包括编译器套件的安装包和***核心库安装包，所述至少一个深度学***台的图形处理版本的安装包，所述深度学***台的图形处理版本的安装包相对应，步骤220以及步骤240的具体步骤可以如图3所示。
图3是根据图2对应实施例示出的一实施例的步骤220和步骤240的细节的流程图。如图3所示，包括以下步骤：
步骤220'，将至少一个深度学***台的图形处理版本的安装包对应的通用并行计算架构安装包和深度神经网络库安装包以及与所述深度学习平台的安装包匹配的编译器套件的安装包和***核心库安装包上传至所述存储节点进行存储。
在本实施例中，要安装运行深度学***台本身的安装包之外，还需要其他依赖的安装包，包括通用并行计算架构安装包、深度神经网络库安装包、编译器套件的安装包以及***核心库安装包。
安装包之间的对应是指两个安装包的版本对应，从而使两个安装包在安装并运行后可以相互兼容以实现协同工作。
由于一个版本的一种安装包的开发往往是基于特定版本的其他种类的安装包以及其操作***的版本的，所以运行一种安装包往往要基于对应的特定版本号的其他种类的安装包以及特定版本的操作***才能实现兼容。比如，对于一个版本的与深度学***台，需要安装与该版本的深度学习安装包对应版本的通用并行计算架构安装包、深度神经网络库安装包等。
在一个实施例中，深度学***台的图形处理版本的安装包对应的通用并行计算架构安装包为与TensorFlow-gpu对应的CUDA包，与深度学习平台的图形处理版本的安装包对应的深度神经网络库安装包为与TensorFlow-gpu对应的cuDNN包，所述编译器套件的安装包为GCC包，所述***核心库安装包为GLIBC包。
比如，当安装的TensorFlow-gpu包的版本号为1.11.0，那么与该TensorFlow-gpu包对应的cuDNN包的版本号应当为7.0，与该TensorFlow-gpu包对应的CUDA包的版本号应当为9.0。
CUDA(Compute Unified Device Architecture，计算通用设备架构)，是显卡厂商NVIDIA推出的运算平台。
cuDNN(The NVIDIACUDADeep Neural Network library，NVIDIA深度神经网络库)，是一个gpu加速的深度神经网络原语库。
The GNU C Library(glibc)。GNU C库工程为GNU***和GNU/Linux***以及许多其他使用Linux作为内核的***提供了核心库。这些库提供了关键的api(ApplicationProgramming Interface，应用程序编程接口)，包括ISO C11、POSIX.1-2008、BSD、特定于os的api等等。这些api包括诸如open、read、write、malloc、printf、getaddrinfo、dlopen、pthread_create、crypt、login、exit等基础设施。
GNU是“GNU is Not Unix”的递归缩写。GNU是一个自由的操作***，其内容软件完全以GPL方式发布。
GCC是GNU编译器套件(GNU Compiler Collection)。
步骤240'，向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、与深度学***台的安装包匹配的编译器套件的安装包和***核心库安装包或者
与所述目标设备匹配的深度学***台的安装包匹配的编译器套件的安装包和***核心库安装包。
在本实施例中，目标设备通过运行所述深度学***台自身以及所依赖的安装包，比如，对于深度学***台所需的安装包与目标设备的匹配性，使得在目标设备上部署深度学***台特别是深度学习平台的集群的部署效率，降低了部署成本。
在一个实施例中，所述设置存储节点，包括：
设置多个存储节点；
所述将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包上传至所述存储节点进行存储，包括：
将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包分别上传至所述多个存储节点进行存储；
所述向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包，包括：
向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
在本实施例中，通过设置多个存储节点并在目标设备要部署所述深度学***台的安装包以及依赖的安装包，在一定程度上提高了目标设备在部署深度学***台的部署效率；另外，由于深度学习平台的安装包、深度学习计算安装包以及***安装包被分别上传至了多个存储节点，降低了单一存储节点的负载。
在一个实施例中，所述将所述深度学习平台的安装程序上传至所述存储节点进行存储，包括：
将所述深度学习平台的安装脚本上传至所述存储节点进行存储；
所述向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包，包括：
向要部署所述深度学***台的安装脚本后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
比如，目标***可以为基于Linux的RedHat操作***，深度学习平台为tensorflow，安装脚本被命名为install-tensorflow.sh，那么运行该脚本可以使用的命令为sh install-tensorflow.sh。
在一个实施例中，所述深度学***台所依赖的***安装包包括编译器套件的安装包和***核心库安装包，所述至少一个深度学***台的图形处理版本的安装包，安装包之间的对应关系为安装包的版本号的对应关系，所述深度学***台的图形处理版本的安装包相对应，当所述深度学习平台的安装脚本被所述目标设备执行时，所实现的步骤可以如图4所示。
图4是根据一示例性实施例示出的目标设备运行深度学习平台的安装脚本时所执行的步骤的流程图。如图4所示，包括以下步骤：
信息获取步骤410：获取目标设备的***内核版本信息。
可以用cat/etc/redhat-release命令获取***内核版本信息。
内核版本判断步骤420：比较所述***内核版本信息与预设版本信息，若一致，则转至***安装包版本判断步骤，若不一致，则转至***安装包升级步骤。
假如预设版本信息为7.4，而获取的***内核版本信息为6.7，那么两者就不一致，此时就转至步骤430。
***安装包升级步骤430：分别从所述存储节点下载并安装与所述预设版本信息对应的编译器套件的安装包和***核心库安装包。
本步骤的具体过程可以是这样的：在分别创建编译器套件的安装目录和***核心库的安装目录后，进入所述编译器套件的安装目录，以所述编译器套件的安装目录为路径从所述存储节点下载并安装与预设版本信息对应的编译器套件，进入所述***核心库的安装目录，以所述***核心库的安装目录为路径从所述存储节点下载并安装与预设版本信息对应的***核心库。比如，编译器套件可以为gcc，***核心库可以为glibc，通过cd命令进入gcc的安装目录，在该安装目录用wget命令所述存储节点下载与预设版本信息对应的gcc然后安装，通过cd命令进入glibc的安装目录，在该安装目录用wget命令所述存储节点下载与预设版本信息对应的glibc然后安装。
***安装包版本判断步骤440：获取所述目标设备当前安装的编译器套件的版本和***核心库的版本，以确定编译器套件的版本和***核心库的版本是否均为预设版本，如果是，则转至设备类型判断步骤，如果否，则转至***安装包升级步骤。
比如，编译器套件可以为gcc，***核心库可以为glibc，那么对应的获取所述目标设备当前安装的编译器套件的版本和***核心库的版本的命令可以分别为gcc-version和ldd–version。
本步骤对编译器套件的版本和***核心库的版本进行了二次校验。
设备类型判断步骤450：判断所述目标设备是否为图形处理设备，如果是，则转至深度学***台安装包安装步骤。
比如，如果图形处理(GPU)设备为装有英伟达(nvidia)的GPU的设备，可以通过lspci|grep-i nvidia命令判断所述目标设备是否为GPU设备，其中，当目标设备为GPU设备时，会根据这一命令返回nvidia的GPU有关信息。
深度学习计算安装包安装步骤460：从所述存储节点下载并安装通用并行计算架构安装包和对应版本的深度神经网络库安装包。
平台安装包安装步骤470：获取所述目标设备的设备类型和所述目标设备安装的通用并行计算架构的版本号，若所述目标设备为图形处理设备，则从所述存储节点下载并安装与所述通用并行计算架构的版本号对应的深度学***台的非图形处理版本的安装包。
通过执行nvidia-smi|grep CUDA命令，可以获取所述目标设备的设备类型和所述目标设备安装的通用并行计算架构的版本号，若目标设备根据nvidia-smi|grep CUDA命令指令返回了相关信息，则确定所述目标设备为GPU设备且返回的信息中包含CUDA的版本号，先创建目录，在用cd命令进入目录，然后用wget命令从存储节点下载与CUDA的版本号对应的tensorflow-gpu安装包后，安装该tensorflow-gpu安装包；若目标设备未根据nvidia-smi|grep CUDA命令指令返回相关信息，确定所述目标设备为CPU设备，则获取目标设备已安装的gcc和glibc的版本号，然后用wget命令从存储节点下载与该版本号对应的tensorflow-cpu安装包，最后安装该tensorflow-cpu安装包。
在一个实施例中，所述判断所述目标设备是否为图形处理设备，包括：
在运行图形处理信息获取指令后，基于所述目标设备根据所述指令返回的图形处理信息，判断所述目标设备是否为图形处理设备，其中，所述图形处理信息包括所述目标设备的图形处理器的型号；
所述存储节点还存储了与各图形处理器的型号对应的驱动程序，所述从所述存储节点下载并安装通用并行计算架构安装包和对应版本的深度神经网络库安装包，包括：
从所述存储节点下载并安装与所述目标设备的图形处理器的型号对应的驱动程序；
从所述存储节点下载并安装通用并行计算架构安装包和对应版本的深度神经网络库安装包；
将与所述通用并行计算架构和深度神经网络库对应的配置环境写入至预设目录。
在本实施例中，不仅下载安装了通用并行计算架构和深度神经网络库，还完成了驱动和环境的配置。
目标设备的图形处理器的型号可以为各种图形处理器的型号，比如可以是nvidia的GPU的型号。
配置环境写入预设目录的方式可以是多种多样的。比如，可以通过chown命令修改/usr/local/cuda的权限，然后将配置环境写入到/etc/profile，并执行source/etc/profile以使配置环境保存生效。
在一个实施例中，所述预设版本信息为版本号，所述存储节点存储的每一安装包的名称包括该安装包的版本号，对应的各安装包在所述存储节点对应存储。
在一个实施例中，所述预设版本信息为版本号，所述存储节点存储的每一安装包的名称包括该安装包的版本号，所述存储节点还存储了各安装包的版本号的对应关系表，通过查询该表，可以确定与一个安装包对应的另一安装包。
在一个实施例中，被上传至所述存储节点进行存储的还包括测试代码，在平台安装包安装步骤之后，当所述深度学习平台的安装脚本被所述目标设备执行时，还执行以下步骤：
测试步骤：从所述存储节点下载并运行所述测试代码，以验证所述深度学习平台的部署是否正确。
比如，测试代码为test.py，而深度学***台的搭建是否正确。
本实施例的好处在于，在深度学***台的运行所需的各种安装包搭建完毕后，通过进一步运行测试代码进行测试，保证了搭建的深度学习平台及环境的可靠性。
在一个实施例中，所述测试代码可以为：
import tensorflow as tf
sess＝tf.Session(config＝tf.ConfigProto(log_device_placement＝True))
本公开还提供了一种深度学习平台集群的部署装置，以下是本公开的装置实施例。
图5是根据一示例性实施例示出的一种深度学习平台集群的部署装置的框图。如图5所示，装置500包括：
设置模块510，被配置为设置存储节点；
第一上传模块520，被配置为将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包上传至所述存储节点进行存储，其中，所有所述深度学***台的安装包；
第二上传模块530，被配置为将所述深度学习平台的安装程序上传至所述存储节点进行存储；
指令下发模块540，被配置为向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
据本公开的第三方面，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。
存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
根据本公开的第四方面，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种深度学习平台集群的部署方法，其特征在于，所述方法包括：
设置存储节点；
将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包上传至所述存储节点进行存储，其中，所有所述深度学***台的安装包；
将所述深度学习平台的安装程序上传至所述存储节点进行存储；
向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
2.根据权利要求1所述的方法，其特征在于，所述深度学***台所依赖的***安装包包括编译器套件的安装包和***核心库安装包，所述至少一个深度学***台的图形处理版本的安装包，所述深度学***台的图形处理版本的安装包相对应，所述将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包上传至所述存储节点进行存储，包括：
将至少一个深度学***台的图形处理版本的安装包对应的通用并行计算架构安装包和深度神经网络库安装包以及与所述深度学习平台的安装包匹配的编译器套件的安装包和***核心库安装包上传至所述存储节点进行存储；
所述向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包，包括：
向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、与深度学***台的安装包匹配的编译器套件的安装包和***核心库安装包或者
与所述目标设备匹配的深度学***台的安装包匹配的编译器套件的安装包和***核心库安装包。
3.根据权利要求1所述的方法，其特征在于，所述将所述深度学习平台的安装程序上传至所述存储节点进行存储，包括：
将所述深度学习平台的安装脚本上传至所述存储节点进行存储；
所述向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包，包括：
向要部署所述深度学***台的安装脚本后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
4.根据权利要求3所述的方法，其特征在于，所述深度学***台所依赖的***安装包包括编译器套件的安装包和***核心库安装包，所述至少一个深度学***台的图形处理版本的安装包，安装包之间的对应关系为安装包的版本号的对应关系，所述深度学***台的图形处理版本的安装包相对应，当所述深度学习平台的安装脚本被所述目标设备执行时，实现以下步骤：
信息获取步骤：获取目标设备的***内核版本信息；
内核版本判断步骤：比较所述***内核版本信息与预设版本信息，若一致，则转至***安装包版本判断步骤，若不一致，则转至***安装包升级步骤；
***安装包升级步骤：分别从所述存储节点下载并安装与所述预设版本信息对应的编译器套件的安装包和***核心库安装包；
***安装包版本判断步骤：获取所述目标设备当前安装的编译器套件的版本和***核心库的版本，以确定编译器套件的版本和***核心库的版本是否均为预设版本，如果是，则转至设备类型判断步骤，如果否，则转至***安装包升级步骤；
设备类型判断步骤：判断所述目标设备是否为图形处理设备，如果是，则转至深度学***台安装包安装步骤；
深度学习计算安装包安装步骤：从所述存储节点下载并安装通用并行计算架构安装包和对应版本的深度神经网络库安装包；
平台安装包安装步骤：获取所述目标设备的设备类型和所述目标设备安装的通用并行计算架构的版本号，若所述目标设备为图形处理设备，则从所述存储节点下载并安装与所述通用并行计算架构的版本号对应的深度学***台的非图形处理版本的安装包。
5.根据权利要求4所述的方法，其特征在于，所述判断所述目标设备是否为图形处理设备，包括：
在运行图形处理信息获取指令后，基于所述目标设备根据所述指令返回的图形处理信息，判断所述目标设备是否为图形处理设备，其中，所述图形处理信息包括所述目标设备的图形处理器的型号；
所述存储节点还存储了与各图形处理器的型号对应的驱动程序，所述从所述存储节点下载并安装通用并行计算架构安装包和对应版本的深度神经网络库安装包，包括：
从所述存储节点下载并安装与所述目标设备的图形处理器的型号对应的驱动程序；
从所述存储节点下载并安装通用并行计算架构安装包和对应版本的深度神经网络库安装包；
将与所述通用并行计算架构和深度神经网络库对应的配置环境写入至预设目录。
6.根据权利要求4所述的方法，其特征在于，被上传至所述存储节点进行存储的还包括测试代码，在平台安装包安装步骤之后，当所述深度学习平台的安装脚本被所述目标设备执行时，还执行以下步骤：
测试步骤：从所述存储节点下载并运行所述测试代码，以验证所述深度学习平台的部署是否正确。
7.根据权利要求1所述的方法，其特征在于，所述设置存储节点，包括：
设置多个存储节点；
所述将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包上传至所述存储节点进行存储，包括：
将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包分别上传至所述多个存储节点进行存储；
所述向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包，包括：
向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
8.一种深度学习平台集群的部署装置，其特征在于，所述装置包括：
设置模块，被配置为设置存储节点；
第一上传模块，被配置为将至少一个深度学***台的安装包对应的深度学***台所依赖的***安装包上传至所述存储节点进行存储，其中，所有所述深度学***台的安装包；
第二上传模块，被配置为将所述深度学习平台的安装程序上传至所述存储节点进行存储；
指令下发模块，被配置为向要部署所述深度学***台的安装程序后，通过运行所述深度学***台的安装包、运行所述深度学习平台所依赖的***安装包以及/或者深度学习计算安装包。
9.一种计算机可读程序介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一项所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至7任一项所述的方法。
CN202010136850.XA 2020-03-02 2020-03-02 深度学习平台集群的部署方法、装置、介质及电子设备 Active CN111459506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010136850.XA CN111459506B (zh) 2020-03-02 2020-03-02 深度学习平台集群的部署方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010136850.XA CN111459506B (zh) 2020-03-02 2020-03-02 深度学习平台集群的部署方法、装置、介质及电子设备

Publications (2)

Publication Number Publication Date
CN111459506A true CN111459506A (zh) 2020-07-28
CN111459506B CN111459506B (zh) 2023-10-13

Family

ID=71682449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010136850.XA Active CN111459506B (zh) 2020-03-02 2020-03-02 深度学习平台集群的部署方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN111459506B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084391A (zh) * 2020-09-08 2020-12-15 中国平安人寿保险股份有限公司 依赖包信息的获取方法、装置、设备及计算机介质
WO2022110861A1 (zh) * 2020-11-27 2022-06-02 苏州浪潮智能科技有限公司 一种网络训练的数据集缓存方法、装置、设备及存储介质
CN118151961A (zh) * 2024-05-07 2024-06-07 龙芯中科(合肥)技术有限公司 运行环境的部署方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729019A (zh) * 2017-10-09 2018-02-23 平安普惠企业管理有限公司 版本部署的方法、装置、设备和计算机存储介质
CN108762768A (zh) * 2018-05-17 2018-11-06 烽火通信科技股份有限公司 网络服务智能化部署方法及***
CN108845816A (zh) * 2018-06-22 2018-11-20 平安科技（深圳）有限公司 应用程序更新方法、***、计算机设备及存储介质
CN109460827A (zh) * 2018-11-01 2019-03-12 郑州云海信息技术有限公司 一种深度学习环境的搭建与优化方法和***
CN109491669A (zh) * 2018-12-29 2019-03-19 北京奇安信科技有限公司 数据的部署安装方法、设备、***和介质
CN109543829A (zh) * 2018-10-15 2019-03-29 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 在终端和云端上混合部署深度学习神经网络的方法和***
CN109582315A (zh) * 2018-10-26 2019-04-05 北京百度网讯科技有限公司 服务私有化方法、装置、计算机设备及存储介质
CN110377314A (zh) * 2019-07-19 2019-10-25 苏州浪潮智能科技有限公司 一种分布式存储***的***升级方法、装置、设备及介质
CN110750282A (zh) * 2019-10-14 2020-02-04 支付宝(杭州)信息技术有限公司 用于运行应用程序的方法、装置及gpu节点

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729019A (zh) * 2017-10-09 2018-02-23 平安普惠企业管理有限公司 版本部署的方法、装置、设备和计算机存储介质
CN108762768A (zh) * 2018-05-17 2018-11-06 烽火通信科技股份有限公司 网络服务智能化部署方法及***
CN108845816A (zh) * 2018-06-22 2018-11-20 平安科技（深圳）有限公司 应用程序更新方法、***、计算机设备及存储介质
CN109543829A (zh) * 2018-10-15 2019-03-29 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 在终端和云端上混合部署深度学习神经网络的方法和***
CN109582315A (zh) * 2018-10-26 2019-04-05 北京百度网讯科技有限公司 服务私有化方法、装置、计算机设备及存储介质
CN109460827A (zh) * 2018-11-01 2019-03-12 郑州云海信息技术有限公司 一种深度学习环境的搭建与优化方法和***
CN109491669A (zh) * 2018-12-29 2019-03-19 北京奇安信科技有限公司 数据的部署安装方法、设备、***和介质
CN110377314A (zh) * 2019-07-19 2019-10-25 苏州浪潮智能科技有限公司 一种分布式存储***的***升级方法、装置、设备及介质
CN110750282A (zh) * 2019-10-14 2020-02-04 支付宝(杭州)信息技术有限公司 用于运行应用程序的方法、装置及gpu节点

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
熊伟;: "面向移动设备的深度学习部署运算优化技术", 电子制作, no. 12 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084391A (zh) * 2020-09-08 2020-12-15 中国平安人寿保险股份有限公司 依赖包信息的获取方法、装置、设备及计算机介质
CN112084391B (zh) * 2020-09-08 2024-02-09 中国平安人寿保险股份有限公司 依赖包信息的获取方法、装置、设备及计算机介质
WO2022110861A1 (zh) * 2020-11-27 2022-06-02 苏州浪潮智能科技有限公司 一种网络训练的数据集缓存方法、装置、设备及存储介质
CN118151961A (zh) * 2024-05-07 2024-06-07 龙芯中科(合肥)技术有限公司 运行环境的部署方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111459506B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
KR102414096B1 (ko) 종단 장치에서의 기계 학습을 위한 패키지 생성 및 배포
US11210070B2 (en) System and a method for automating application development and deployment
US10936309B2 (en) Development project blueprint and package generation
US7886292B2 (en) Methodology of individualized software deployment for hardware-independent personal computer mass development
CN111459506B (zh) 深度学习平台集群的部署方法、装置、介质及电子设备
CN110096424B (zh) 测试的处理方法、装置、电子设备及存储介质
CN106569794A (zh) 应用程序开发装置
CN108958992A (zh) 测试方法和装置
CN110647332A (zh) 基于容器云的软件部署方法和装置
US11061739B2 (en) Dynamic infrastructure management and processing
CN108614767A (zh) 一种远程调试方法及装置
CN109783355A (zh) 页面元素获取方法、***、计算机设备及可读存储介质
US20230185702A1 (en) Method and Apparatus for Generating and Applying Deep Learning Model based on Deep Learning Framework
CN108351790A (zh) 用于期望状态配置的非单调最终收敛
US11243868B2 (en) Application containerization based on trace information
CN107193565B (zh) 跨移动端开发原生app的方法
CN112631915B (zh) 一种pcie设备软件仿真的方法、***、设备及介质
CN115268964A (zh) 一种数据回注方法、***、电子设备及可读存储介质
CN111506904B (zh) 漏洞在线修复的方法和装置
Chowhan Hands-on Serverless Computing: Build, Run and Orchestrate Serverless Applications Using AWS Lambda, Microsoft Azure Functions, and Google Cloud Functions
CN108334360A (zh) 应用程序动态加载的方法、装置、存储介质和计算机设备
US9411569B1 (en) System and method for providing a climate data analytic services application programming interface distribution package
US20180165136A1 (en) A system, method, computer program and data signal for hosting and executing a program on a mainframe
CN116248526A (zh) 部署容器平台的方法、装置及电子设备
US10176062B2 (en) Cloud servers and methods for handling dysfunctional cloud services

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant