現(xiàn)如今 AI 技術(shù)、概念火爆、落地應(yīng)用更是繁多，但開發(fā)呢？是否困難？到底有多痛？

據(jù)了解，大部分 AI 開發(fā)者的工作時間并不長，并且十有八九可能不是“科班出身”。從編寫的教材、錄制的課程中就可以看出，所有的教學(xué)都不可避免地帶有很強的的學(xué)術(shù)性，即便有意避免研究導(dǎo)向，仍然離產(chǎn)業(yè)界的需求相去甚遠(yuǎn)。

并且隨著新一波人工智能的熱潮，人們發(fā)現(xiàn)手里的數(shù)據(jù)多了，電腦運算的更快了，但實際上，這些 AI 開發(fā)者使用的工具并不順手。

為幫助開發(fā)者更深入地了解 AI 開發(fā)，快速上手 AI 開發(fā)必備技能，12 月 20 日的AIcon活動上，華為云舉辦了一場以「基于 ModelArts 平臺的 AI 開發(fā)實戰(zhàn)」為主題的現(xiàn)場挑戰(zhàn) Workshop！現(xiàn)場由來自華為云EI深度學(xué)習(xí)服務(wù)團(tuán)隊負(fù)責(zé)人為開發(fā)者講解了 ModelArts 的 相關(guān)技術(shù)與應(yīng)用，幫助開發(fā)者學(xué)習(xí)如何從 0 到 1 打造一款 AI 應(yīng)用模型。

ModelArts——更快的普惠 AI 開發(fā)平臺

ModelArts 是面向 AI 開發(fā)者的一站式開發(fā)平臺，提供海量數(shù)據(jù)預(yù)處理及半自動化標(biāo)注、大規(guī)模分布式訓(xùn)練、自動化模型生成，以及端-邊-云模型按需部署能力，幫助用戶快速創(chuàng)建和部署模型，管理全周期 AI 工作流。

同時，ModelArts 能夠在 AI 開發(fā)全生命周期中，從原始數(shù)據(jù)、標(biāo)注數(shù)據(jù)、訓(xùn)練作業(yè)、算法、模型、推理服務(wù)等，提供全流程可視化管理。支持***模型、數(shù)據(jù)集以及服務(wù)等對象的管理，無需人工干預(yù)，自動生成溯源圖，選擇任一模型就可以找到對應(yīng)的數(shù)據(jù)集、參數(shù)、模型部署在哪里。其中最實用的訓(xùn)練斷點接續(xù)功能、訓(xùn)練結(jié)果比對功能，在華為內(nèi)部開發(fā)者中也頗受歡迎。

簡單來說，ModelArts 的特點是“四快”：

數(shù)據(jù)管理快——讓數(shù)據(jù)準(zhǔn)備效率百倍提升

想象一下，如果你的老板給了你 10 萬張無標(biāo)簽的圖片，并要求你為這些數(shù)據(jù)打上標(biāo)簽。你該怎么辦呢？

許多公司都在數(shù)據(jù)的大海里遨游，不論是交易數(shù)據(jù)、物聯(lián)網(wǎng)傳感器產(chǎn)生的海量數(shù)據(jù)、安全日志，還是圖像、語音數(shù)據(jù)等等，這些都是未標(biāo)注的數(shù)據(jù)。

正如華為云EI深度學(xué)習(xí)服務(wù)團(tuán)隊負(fù)責(zé)人所說，“當(dāng)前做 AI 開發(fā)，最讓開發(fā)者頭疼的就是數(shù)據(jù)的采集和數(shù)據(jù)的處理。曾有開發(fā)者吐槽，光是數(shù)據(jù)準(zhǔn)備就要占掉整體開發(fā)時間的 70%。”那么，為什么數(shù)據(jù)的處理這么難？效率為什么這么低呢？

人工智能界有一個說法：“有多少人工就有多少智能。”因為目前實現(xiàn)人工智能的主要方法是機器學(xué)習(xí)（目前火熱的深度學(xué)習(xí)也是機器學(xué)習(xí)的一部分），而機器學(xué)習(xí)中目前大部分應(yīng)用都是有監(jiān)督的學(xué)習(xí)，即需要大量的 標(biāo)注樣本 去訓(xùn)練人工智能算法模型。

例如圖像識別任務(wù)中，必須有大量已經(jīng)標(biāo)注好的圖片，比如一張貓的圖片，狗的圖片等，你必須明確的告訴 AI 算法，這些圖片里面是什么東西，它再從中去學(xué)習(xí)出相應(yīng)的“知識”。

所以，AI 并不像傳統(tǒng)想象的那樣，丟一堆數(shù)據(jù)給 AI 算法，AI 算法就能夠從中學(xué)習(xí)到各種有用的知識。而是背后有大量的人工在標(biāo)注數(shù)據(jù)。

而 ModelArts 在數(shù)據(jù)管理方面，會將數(shù)據(jù)進(jìn)行預(yù)處理，用 AI 的數(shù)據(jù)去標(biāo)注數(shù)據(jù)，即自動化標(biāo)注和半自動化標(biāo)注。ModelArts 可對數(shù)據(jù)采樣和篩選，預(yù)標(biāo)注，縮減需要標(biāo)記的數(shù)據(jù)量，降低工作量。目前， ModelArts 已經(jīng)在自動駕駛領(lǐng)域有非常多的應(yīng)用，包括人車模型、信號燈模型等等，這些模型在自動駕駛的場景里面，可以快速地提升數(shù)據(jù)處理的效率，實時地處理數(shù)據(jù)。在未來，ModelArts 也將面向通用計算機的其他領(lǐng)域。

訓(xùn)練快——模型訓(xùn)練耗時減低一半

在模型訓(xùn)練部分，ModelArts 通過硬件、軟件和算法協(xié)同優(yōu)化來實現(xiàn)訓(xùn)練加速。尤其在深度學(xué)習(xí)模型訓(xùn)練方面，華為 將分布式加速層抽象出來，形成一套通用框架——MoXing（“模型”的拼音，意味著一切優(yōu)化都圍繞模型展開）。

采用與 fast.ai 一樣的硬件、模型和訓(xùn)練數(shù)據(jù)，ModelArts 可將訓(xùn)練時長可縮短到 10 分鐘，創(chuàng)造了新的紀(jì)錄，為用戶節(jié)省 44% 的時間。

MoXing 是華為云 ModelArts 團(tuán)隊自研的分布式訓(xùn)練加速框架，它構(gòu)建于開源的深度學(xué)習(xí)引擎 TensorFlow、MXNet、PyTorch、Keras 之上，使得這些計算引擎分布式性能更高，同時易用性更好。

MoXing 內(nèi)置了多種模型參數(shù)切分和聚合策略、分布式 SGD 優(yōu)化算法、級聯(lián)式混合并行技術(shù)、超參數(shù)自動調(diào)優(yōu)算法，并且在分布式訓(xùn)練數(shù)據(jù)切分策略、數(shù)據(jù)讀取和預(yù)處理、分布式通信等多個方面做了優(yōu)化，結(jié)合華為云 Atlas 高性能服務(wù)器，實現(xiàn)了硬件、軟件和算法協(xié)同優(yōu)化的分布式深度學(xué)習(xí)加速。

有了 MoXing 后，上層開發(fā)者可以聚焦業(yè)務(wù)模型，無需關(guān)注下層分布式相關(guān)的 API，只用根據(jù)實際業(yè)務(wù)定義輸入數(shù)據(jù)、模型以及相應(yīng)的優(yōu)化器即可，訓(xùn)練腳本與運行環(huán)境（單機或者分布式）無關(guān)，上層業(yè)務(wù)代碼和分布式訓(xùn)練引擎可以做到完全解耦。

另外，衡量分布式深度學(xué)習(xí)框架加速性能時，主要看吞吐量和收斂時間。在與吞吐量和收斂時間相關(guān)的幾個關(guān)鍵指標(biāo)上，華為云 ModelArts 都做了精心處理：

在數(shù)據(jù)讀取和預(yù)處理方面，MoXing 通過利用多級并發(fā)輸入流水線使得數(shù)據(jù) IO 不會成為瓶頸；

在模型計算方面，MoXing 對上層模型提供半精度和單精度組成的混合精度計算，通過自適應(yīng)的尺度縮放減小由于精度計算帶來的損失；

在超參調(diào)優(yōu)方面，采用動態(tài)超參策略（如 momentum、batch size 等）使得模型收斂所需 epoch 個數(shù)降到***；

在底層優(yōu)化方面，MoXing 與底層華為自研服務(wù)器和通信計算庫相結(jié)合，使得分布式加速進(jìn)一步提升

那么，在 MoXing 一系列的優(yōu)化之后，實際效果如何？以國際權(quán)威成績來參考：

在斯坦福大學(xué)發(fā)布 DAWNBenchmark ***成績中，在圖像識別（ResNet50-on-ImageNet，93% 以上精度）的總訓(xùn)練時間上，華為云 ModelArts ***，僅需 10 分 28 秒，比第二名提升近 40%。

在這個匯聚谷歌、亞馬遜 AWS、fast.ai 等高水平隊伍的國際權(quán)威深度學(xué)習(xí)模型基準(zhǔn)平臺上，華為云 ModelArts ***次參加國際排名，便實現(xiàn)了低成本、快速又***的 AI 開發(fā)體驗，其海量數(shù)據(jù)預(yù)處理及半自動化標(biāo)注、大規(guī)模分布式訓(xùn)練、自動化模型生成以及端 - 邊 - 云模型按需部署能力，更是體現(xiàn)了當(dāng)前中國業(yè)界深度學(xué)習(xí)平臺技術(shù)的領(lǐng)先性。

上線快——一鍵部署到云、端、邊，支持各種上線場景

現(xiàn)如今，縱觀整個 AI 產(chǎn)業(yè)，不僅僅是云，還會有邊和端都需要部署的場景。然而，在 AI 規(guī)模化落地的場景下，模型部署會非常復(fù)雜，需要寫代碼集成到應(yīng)用系統(tǒng)，維護(hù)、更新。例如在智慧交通領(lǐng)域，更新后的模型，需要一次性同時部署到各種不同規(guī)格、不同廠商的攝像頭上，這是一項非常耗時、費力的巨大工程。

對于此類場景，ModelArts 可以一鍵推送模型到所有邊緣、端的設(shè)備上，云上的部署還支持在線和批量推理，滿足大并發(fā)和分布式等多種場景需求。

開發(fā)者可以在 ModelArts 上獲得一些高并發(fā)、自動彈性伸縮的特性。能夠根據(jù)用戶制定的策略，自動調(diào)整云服務(wù)器的計算資源，跟隨用戶的業(yè)務(wù)需求變化。在業(yè)務(wù)需求下降時自動減少云服務(wù)器，節(jié)約資源和成本；在業(yè)務(wù)需求高峰時自動增加云服務(wù)器，保證業(yè)務(wù)平穩(wěn)健康運行。

上手快——自動學(xué)習(xí)，零 AI 基礎(chǔ)構(gòu)建模型

ModelArts 具備自動學(xué)習(xí)功能，支持模型的自動設(shè)計與自動調(diào)參等，能夠幫助開發(fā)者提升開發(fā)效率、快速上手。

為什么需要自動學(xué)習(xí)？

AI 開發(fā)有兩大類，***類為 AI 認(rèn)知服務(wù)，比如圖像識別和 OCR 等，這一類門檻很低，但靈活性差，只支持特定類型。當(dāng)不滿足需求時，只能定制一個模型，周期非常長費用也比較高。第二類就是找 AI 的算法工程師、算法專家，去做自己的模型；還有一類就是那些直接用 AI 的框架自己寫代碼以及自己訓(xùn)練數(shù)據(jù)，這一類的門檻較高，靈活度也很高。而自動學(xué)習(xí)就是希望能夠打破這兩者，既有一定的定制化的能力，又能夠降低 AI 定制化模型的門檻，不需要寫代碼，用戶可以定制化自己的模型的特點。

在自動深度學(xué)習(xí)里面，關(guān)鍵的技術(shù)是能夠做到多維度下的模型的架構(gòu)自動設(shè)計，包含模型的元學(xué)習(xí)，涉及一些訓(xùn)練指標(biāo)，還有推動網(wǎng)絡(luò)涉及的推理速度和監(jiān)控等。另外還包括一些元學(xué)習(xí)的訓(xùn)練參數(shù)的自動配置、模型訓(xùn)練的參數(shù)配置及搜索等。

另外，由于深度學(xué)習(xí)向計算機視覺輸入原始數(shù)據(jù)，整個特征工程是在神經(jīng)網(wǎng)絡(luò)里面做的，而機器學(xué)習(xí)需要很多算法工程師去識別哪些特征是對業(yè)務(wù)是起正向作用的，所以自動機器學(xué)習(xí)的關(guān)鍵技術(shù)，就是高效自動特征工程和自動調(diào)參。

除此之外，據(jù)華為云EI深度學(xué)習(xí)服務(wù)團(tuán)隊負(fù)責(zé)人介紹，華為云 ModelArts 還有一個特色，就是面向應(yīng)用開發(fā)者。對于有經(jīng)驗的開發(fā)者，可以在 ModelArts 上自行編寫并導(dǎo)入算法代碼，核心組件 MoXing SDK 支持豐富的模型庫、優(yōu)化算法和各類工具庫；支持自動超參數(shù)調(diào)優(yōu)；包含訓(xùn)練 - 驗證 - 預(yù)測 - 模型導(dǎo)出的整套框架；開發(fā)者只需要編寫一套代碼就能自動實現(xiàn)單機及分布式化。

對于編程苦手卻想快速生成模型的 AI 初學(xué)者，ModelArts 也預(yù)置了能夠覆蓋大部分常用應(yīng)用場景的算法模型（如 RestNet_50、Faster_RCNN、SegNet_VGG_16 等，未來還將上線更多算法模型），所有預(yù)置模型的基于開源數(shù)據(jù)集訓(xùn)練，模型精度領(lǐng)先。只需配置數(shù)據(jù)路徑 / 日志輸出路徑和 Hyper Parameter 自動選擇設(shè)置就可以一鍵啟動訓(xùn)練。

ModelArts 應(yīng)用實例：金融票據(jù) OCR 識別

金融票據(jù)，包括銀行承兌票據(jù)和商業(yè)承兌票據(jù)，目前銀行承兌票據(jù)占了 90% 以上的票據(jù)市場份額，金融票據(jù) OCR 識別工作重點在于銀行票據(jù)的識別。

對于業(yè)界普通 OCR 軟件，在金融票據(jù)領(lǐng)域識別準(zhǔn)確率不高，對于現(xiàn)有一些針對金融票據(jù)做過優(yōu)化的 OCR，識別準(zhǔn)確率也算達(dá)到 90%。由于金融票據(jù)金額不低，對于 OCR 識別要求很高，而金融票據(jù)難點在于票據(jù)格式多樣且差別細(xì)微等。

另外，票據(jù)模型開發(fā)訓(xùn)練難點包括數(shù)據(jù)標(biāo)注、模型訓(xùn)練、調(diào)參和部署上都有較多難點，對于 AI 開發(fā)水平要求很高，需要非常資深的 AI 專家進(jìn)行繁瑣和長時間對于票據(jù) AI 進(jìn)行不斷訓(xùn)練。

通過 ModelArts 助力金融票據(jù) OCR 識別的實戰(zhàn)。多位 ATN 社區(qū)使用者使用后認(rèn)為：ModelArts 適合 AI 的初學(xué)者，通過數(shù)據(jù)集的分類，可自動學(xué)習(xí)，無需調(diào)參等操作；適用于遷移學(xué)習(xí)；線上部署便利，逐步集成更多的數(shù)據(jù)標(biāo)注工具，擴大應(yīng)用范圍。

后續(xù)，華為云 ModelArts 將進(jìn)一步整合軟硬一體化的優(yōu)勢，提供從芯片（Ascend）、服務(wù)器（Atlas Server）、計算通信庫（CANN）到深度學(xué)習(xí)引擎（MindSpore）和分布式優(yōu)化框架（MoXing）全棧優(yōu)化的深度學(xué)習(xí)訓(xùn)練平臺。

華為云 ModelArts 會逐步集成更多的數(shù)據(jù)標(biāo)注工具，擴大應(yīng)用范圍，將繼續(xù)服務(wù)于智慧城市、智能制造、自動駕駛及其它新興業(yè)務(wù)場景，在公有云上為用戶提供更普惠的 AI 服務(wù)。