vincentwei2021 / cube-studio

云原生一站式机器学习平台，在线开发，分布式训练，超参搜索，推理服务

Cube Studio

cube是tme开源的一站式云原生机器学习平台，目前主要包含

• 1、特征平台，支持在/离线特征；数据源管理，支持结构数据和媒体标注数据管理；
• 2、在线的vscode/jupyter代码开发；在线镜像调试，支持免dockerfile，增量构建；
• 3、任务流编排，在线拖拉拽；开放的模板市场，支持tf/pytorch/mxnet/spark/ray/horovod/kaldi/volcano等分布式计算/训练任务；task的单节点debug，分布式任务的批量优先级调度，聚合日志；任务运行资源监控，报警；定时调度，支持补录，忽略，重试，依赖，并发限制，定时任务算力的智能修正；
• 4、nni，katib，ray的超参搜索；
• 5、tf/pytorch/onnx模型的推理服务，serverless流量管控，triton gpu推理加速，依据gpu利用率/qps等指标的hpa能力，虚拟化gpu，虚拟显存等服务化能力。
• 6、多集群多项目组资源统筹，联邦调度；

开源共建

有意向进行开源共建的同学请微信添加767065521并备注"Cube Studio开源共建"进入微信群.

支持模板

提示：

• 1、能单机运行没必要多机运行
• 2、开发自定义模板，更符合自己业务线下的需求

模板	类型	组件说明	文档地址
自定义镜像	单机	完全自定义单机运行环境，可自由实现所有自定义单机功能	系统自带
datax	单机	异构数据源导入导出	job-template/job/datax
ray	分布式	python ray框架 多机分布式功能，适用于超多文件在多机上的并发处理	job-template/job/ray
ray-sklearn	分布式	基于ray框架的sklearn支持算法多机分布式并行计算	job-template/job/ray_sklearn
volcano	分布式	volcano框架的多机分布式，可紫玉控制代码，利用环境变量实现多机worker的工作与协同	job-template/job/volcano
pytorchjob-train	分布式	pytorch的多机多卡分布式训练	job-template/job/pytorch_distributed_train_k8s
media-download	分布式	分布式媒体文件下载	job-template/job/video-audio
video-audio	分布式	分布式视频提取音频	job-template/job/video-audio
video-img	分布式	分布式视频提取图片	job-template/job/video-audio
model-offline-predict	分布式	分布式模型离线推理	job-template/job/model_offline_predict
tfjob-train	分布式	tf分布式训练，内部支持plain和runner两种方式	job-template/job/tf_distributed_train
tfjob-runner	分布式	tf分布式-runner方式	job-template/job/tf_distributed_train
tfjob-plain	分布式	tf分布式-plain方式	job-template/job/tf_plain_train
tf-distribute-model-evaluation	分布式	tensorflow2.3分布式模型评估	job-template/job/tf_model_evaluation
tf-model-offline-predict	分布式	tf模型离线推理	job-template/job/tf_model_offline_predict
kaldi-distributed-on-volcanojob	分布式	kaldi音频分布式训练	job-template/job/kaldi_distributed_on_volcanojob

平台部署

参考install/README.md

平台完成部署之后如下:

相关视频

新人使用教程

job模板制作教程

功能简述

整体架构

完整的平台包含

• 1、机器的标准化
• 2、分布式存储(单机可忽略)、k8s集群、监控体系(prometheus/efk/zipkin)
• 3、基础能力(tf/pytorch/mxnet/valcano/ray等分布式，nni/katib超参搜索)
• 4、平台web部分(oa/权限/项目组、在线构建镜像、在线开发、pipeline拖拉拽、超参搜索、推理服务管理等)

点击查看更多细节内容

多集群管控

cube支持多集群调度，可同时管控多个训练或推理集群。在单个集群内，不仅做到一个项目组内在线开发、训练、推理的隔离，还可以做到一个k8s集群下多个项目组算力的隔离。另外在不同项目组下的算力间具有动态均衡的能力，能够在多项目间共享公共算力池和私有化算力池，做到成本最低化。

分布式存储

cube会自动为用户挂载用户个人目录，同一个用户在平台任何地方启动的容器目录下/mnt/$username均为用户个人子目录。可以将pvc/hostpath/memory/configmap等挂载成容器目录。同时可以在项目组中配置项目组的默认挂载，进而实现一个项目组共享同一个目录等功能。

在线开发

cube支持在线jupyterlab/theia(vscode)等功能，多用户，多实例，支持cpu/gpu版本。另外支持在线构建docker镜像，免除算法同学docker学习成本

拖拉拽pipeline编排

支持单任务调试、分布式任务日志聚合查看，pipeline调试跟踪，任务运行资源监控，以及定时调度功能(包含补录，忽略，重试，依赖，并发限制，过期淘汰等功能)

功能模板化

为了避免重复开发，对pipeline中的task功能进行模板化开发。平台开发者或用户可自行开发模板镜像，将镜像注册到平台，这样其他用户就可以复用这些功能。平台自带模板在job-template目录下

nni超参搜索

除了包含katib超参搜索，也加入了nni的超参搜索，支持更多的算法

分布式框架

以k8s为核心，支持tf分布式训练、pytorch分布式训练、spark分布式数据处理、ray分布式超参搜索、mpi分布式训练、horovod分布式训练、nni分布式超参搜索、mxnet分布式训练、volcano分布式数据处理、kaldi分布式语音训练等， 以及在此衍生出来的分布式的数据下载，hdfs拉取，cos上传下载，视频采帧，音频抽取，分布式的训练，例如推荐场景的din算法，ComiRec算法，MMoE算法，DeepFM算法，youtube dnn算法，ple模型，ESMM模型，双塔模型，音视频的wenet，containAI等算法的分布式训练。

推理服务

0代码发布推理服务从底层到上层，包含服务网格，serverless，pipeline，http框架，模型计算。

• 服务网格阶段：主要工作是代理流量的中转和管控，例如分流，镜像，限流，黑白名单之类的。

• serverless阶段：主要为服务的智能化运维，例如服务的激活，伸缩容，版本管理，蓝绿发布。

• pipeline阶段：主要为请求在各数据处理/推理之间的流动。推理的前后置处理逻辑等。

• http/grpc框架：主要为处理客户端的请求，准备推理样本，推理后作出响应。

• 模型计算：模型在cpu/gpu上对输入样本做前向计算。

实时训练

tmeps支持tf框架实时训练，秒级上线，能应对embedding稀疏大模型推荐场景