導(dǎo)語(yǔ)：這幾年人工智能技術(shù)之所以能夠獲得快速發(fā)展，主要是有三個(gè)元素的融合：神經(jīng)元網(wǎng)絡(luò)、芯片以及大數(shù)據(jù)。人工智能是讓機(jī)器像人一樣思考甚至超越人類(lèi)，而機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一種方法，它最基本的做法是使用算法來(lái)解析數(shù)據(jù)、從中學(xué)習(xí)，然后對(duì)真實(shí)世界中的事件做出決策和預(yù)測(cè)。深度學(xué)習(xí)又是機(jī)器學(xué)習(xí)的一種實(shí)現(xiàn)方式，它是模擬人神經(jīng)網(wǎng)絡(luò)的方式，用更多的層數(shù)和神經(jīng)元，給系統(tǒng)輸入海量的數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)。下面我以人工智能在醫(yī)療領(lǐng)域的平臺(tái)架構(gòu)為例，進(jìn)行五層模型技術(shù)棧的講解，分別是基礎(chǔ)數(shù)據(jù)層，計(jì)算引擎層，分析引擎層，應(yīng)用引擎層和典型應(yīng)用層，重點(diǎn)講解計(jì)算和分析引擎。

01

首先，探討一下人工智能平臺(tái)的計(jì)算引擎，目前最主流的五個(gè)大數(shù)據(jù)分布式計(jì)算框架包括Hadoop，Spark，F(xiàn)link，Storm，Samaza。下面分別探討其優(yōu)勢(shì)和應(yīng)用場(chǎng)景。

1. Hadoop是***被商用的框架，在工業(yè)和產(chǎn)品界被廣泛認(rèn)可。如果數(shù)據(jù)可以批量處理，可以被分割成小的處理任務(wù)，分發(fā)到計(jì)算集群，然后綜合計(jì)算結(jié)果，并且整個(gè)過(guò)程都是邏輯清晰，那么這個(gè)場(chǎng)景下很適合用Hadoop處理。

2. Spark是采用更先進(jìn)的架構(gòu)，其靈活性、易用性、性能等方面都比Hadoop更有優(yōu)勢(shì)，有取代Hadoop的趨勢(shì)，但其穩(wěn)定性需要大幅提高。

3. Flink既是批處理又是實(shí)時(shí)處理框架，但流處理還是放在***位的，F(xiàn)link提供了一系列API，包括針對(duì)Java和Scala的流API，針對(duì)Java，Scala，Python的靜態(tài)數(shù)據(jù)API，以及在Java和Scala中嵌入SQL查詢(xún)的代碼。它也自帶機(jī)器學(xué)習(xí)和圖像處理包。

4. Storm是占領(lǐng)一定市場(chǎng)份額的分布式計(jì)算框架，其應(yīng)用被設(shè)計(jì)成有向無(wú)環(huán)圖。被設(shè)計(jì)成容易處理***流，并且可用于任何編程語(yǔ)言。每個(gè)節(jié)點(diǎn)每秒處理上百萬(wàn)個(gè)元組，高度可伸縮，提供任務(wù)處理保證。用Clojure寫(xiě)的?？捎糜趯?shí)時(shí)分析，分布式機(jī)器學(xué)習(xí)，以及大量別的情形，特別是數(shù)據(jù)流大的。Storm可以運(yùn)行在YARN上，集成到Hadoop生態(tài)系統(tǒng)中。

5. Samza是由LinkedIn開(kāi)源的一個(gè)分布式流處理框架，它是基于Kafka消息隊(duì)列來(lái)實(shí)現(xiàn)類(lèi)實(shí)時(shí)的流式數(shù)據(jù)處理的，非常像Twitter的流處理系統(tǒng)Storm。不同的是Samza基于Hadoop，而且使用了LinkedIn的Kafka分布式消息系統(tǒng)，并使用資源管理器Apache Hadoop YARN實(shí)現(xiàn)容錯(cuò)處理、處理器隔離、安全性和資源管理。

02

Spark是專(zhuān)為大規(guī)模數(shù)據(jù)處理而設(shè)計(jì)的快速通用的計(jì)算引擎，目前已經(jīng)發(fā)行了2.4版本。Spark是UC Berkeley AMP lab所開(kāi)源的類(lèi)Hadoop MapReduce的通用并行框架，幾乎擁有Hadoop MapReduce所具有的優(yōu)點(diǎn)，借助內(nèi)存分布數(shù)據(jù)集，除了能夠提供交互式查詢(xún)外，還可以?xún)?yōu)化迭代工作負(fù)載。Spark今年發(fā)布的2.4，除了持續(xù)提升Spark的穩(wěn)定性、易用性和性能之外，還擴(kuò)展了Spark的生態(tài)圈，引入了Spark on K8s, 讓用戶(hù)多了一種部署Spark的方式，還引入了Pandas UDF，可以讓用戶(hù)在Spark上直接運(yùn)行Pandas函數(shù)。我們分析其內(nèi)核運(yùn)行架構(gòu)如下：

1. SparkContext引擎構(gòu)建分析：

通常而言，用戶(hù)開(kāi)發(fā)的Spark應(yīng)用程序的提交與執(zhí)行都離不開(kāi)SparkContex的支持。在正式提交應(yīng)用程序之前，首先需要初始化SparkContext。SparkContext隱藏了網(wǎng)絡(luò)通信、分布式部署、消息通信、存儲(chǔ)體系、計(jì)算引擎、度量系統(tǒng)、文件服務(wù)、Web UI等內(nèi)容，應(yīng)用程序開(kāi)發(fā)者只需要使用SparkContext提供的API完成功能開(kāi)發(fā)。

2. SparkEnv環(huán)境構(gòu)建分析：

Spark執(zhí)行環(huán)境SparkEnv是Spark中的Task運(yùn)行所必需的組件。SparkEnv內(nèi)部封裝了RPC環(huán)境(RpcEnv)、序列化管理器、廣播管理器(BroadcastManager)、map任務(wù)輸出跟蹤器(MapOutputTracker)、存儲(chǔ)體系、度量系統(tǒng)(MetricsSystem)、輸出提交協(xié)調(diào)器(OutputCommitCoordinator)等Task運(yùn)行所需的各種組件。

3. 可交換的存儲(chǔ)體系分析：

Spark優(yōu)先考慮使用各節(jié)點(diǎn)的內(nèi)存作為存儲(chǔ)，當(dāng)內(nèi)存不足時(shí)才會(huì)考慮使用磁盤(pán)，這極大地減少了磁盤(pán)I/O，提升了任務(wù)執(zhí)行的效率，使得Spark適用于實(shí)時(shí)計(jì)算、迭代計(jì)算、流式計(jì)算等場(chǎng)景。在實(shí)際場(chǎng)景中，有些Task是存儲(chǔ)密集型的，有些則是計(jì)算密集型的，所以有時(shí)候會(huì)造成存儲(chǔ)空間很空閑，而計(jì)算空間的資源又很緊張。Spark的內(nèi)存存儲(chǔ)空間與執(zhí)行存儲(chǔ)空間之間的邊界可以是“軟”邊界，因此資源緊張的一方可以借用另一方的空間，這既可以有效利用資源，又可以提高Task的執(zhí)行效率。此外，Spark的內(nèi)存空間還提供了Tungsten的實(shí)現(xiàn)，直接操作操作系統(tǒng)的內(nèi)存。由于Tungsten省去了在堆內(nèi)分配Java對(duì)象，因此能更加有效地利用系統(tǒng)的內(nèi)存資源，并且因?yàn)橹苯硬僮飨到y(tǒng)內(nèi)存，空間的分配和釋放也更迅速。

4. 雙級(jí)調(diào)度系統(tǒng)分析：

調(diào)度系統(tǒng)主要由DAGScheduler和TaskScheduler組成，它們都內(nèi)置在SparkContext中。DAGScheduler負(fù)責(zé)創(chuàng)建Job、將DAG中的RDD劃分到不同的Stage、給Stage創(chuàng)建對(duì)應(yīng)的Task、批量提交Task等功能。TaskScheduler負(fù)責(zé)按照FIFO或者FAIR等調(diào)度算法對(duì)批量Task進(jìn)行調(diào)度;為T(mén)ask分配資源;將Task發(fā)送到集群管理器的當(dāng)前應(yīng)用的Executor上，由Executor負(fù)責(zé)執(zhí)行等工作。即使現(xiàn)在Spark增加了SparkSession和DataFrame等新的API，但這些新API的底層實(shí)際依然依賴(lài)于SparkContext。

5. 多維計(jì)算引擎分析：

計(jì)算引擎由內(nèi)存管理器(MemoryManager)、Tungsten、任務(wù)內(nèi)存管理器(TaskMemory-Manager)、Task、外部排序器(ExternalSorter)、Shuffle管理器(ShuffleManager)等組成。MemoryManager除了對(duì)存儲(chǔ)體系中的存儲(chǔ)內(nèi)存提供支持和管理外，還為計(jì)算引擎中的執(zhí)行內(nèi)存提供支持和管理。Tungsten除用于存儲(chǔ)外，也可以用于計(jì)算或執(zhí)行。TaskMemoryManager對(duì)分配給單個(gè)Task的內(nèi)存資源進(jìn)行更細(xì)粒度的管理和控制。ExternalSorter用于在map端或reduce端對(duì)ShuffleMapTask計(jì)算得到的中間結(jié)果進(jìn)行排序、聚合等操作。ShuffleManager用于將各個(gè)分區(qū)對(duì)應(yīng)的ShuffleMapTask產(chǎn)生的中間結(jié)果持久化到磁盤(pán)，并在reduce端按照分區(qū)遠(yuǎn)程拉取ShuffleMapTask產(chǎn)生的中間結(jié)果。

6. 強(qiáng)大的SparkMLlib機(jī)器學(xué)習(xí)庫(kù)：

旨在簡(jiǎn)化機(jī)器學(xué)習(xí)的工程實(shí)踐工作，并方便擴(kuò)展到更大規(guī)模。MLlib由一些通用的學(xué)習(xí)算法和工具組成，包括分類(lèi)、回歸、聚類(lèi)、協(xié)同過(guò)濾、降維等，同時(shí)還包括底層的優(yōu)化原語(yǔ)和高層的管道API。

然后，分析一下人工智能平臺(tái)分析引擎的處理過(guò)程。分析引擎的主要技術(shù)是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。機(jī)器學(xué)習(xí)框架涵蓋用于分類(lèi)，回歸，聚類(lèi)，異常檢測(cè)和數(shù)據(jù)準(zhǔn)備的各種學(xué)習(xí)方法，也可以包括神經(jīng)網(wǎng)絡(luò)方法。深度學(xué)習(xí)框架涵蓋具有許多隱藏層的各種神經(jīng)網(wǎng)絡(luò)拓?fù)?，包括模式識(shí)別的多步驟過(guò)程。網(wǎng)絡(luò)中的層越多，可以提取用于聚類(lèi)和分類(lèi)的特征越復(fù)雜。常見(jiàn)的深度學(xué)習(xí)框架有Caffe，CNTK，DeepLearning4j，Keras，MXNet和TensorFlow。其中Deeplearning4j是應(yīng)用最廣泛的JVM開(kāi)源深度學(xué)習(xí)工具，面向Java、Scala和Clojure用戶(hù)群。它旨在將深度學(xué)習(xí)引入生產(chǎn)棧，與Hadoop與Spark等主流大數(shù)據(jù)框架緊密集成。DL4J能處理圖像、文本、時(shí)間序列和聲音等所有主要數(shù)據(jù)類(lèi)型，提供的算法包括卷積網(wǎng)絡(luò)、LSTM等循環(huán)網(wǎng)絡(luò)、Word2Vec和Doc2Vec等NLP工具以及各類(lèi)自動(dòng)編碼器。Deeplearning4j自帶內(nèi)置Spark集成，用于處理在集群上開(kāi)展的分布式神經(jīng)網(wǎng)絡(luò)訓(xùn)練，采用數(shù)據(jù)并行來(lái)將網(wǎng)絡(luò)訓(xùn)練向外擴(kuò)展至多臺(tái)計(jì)算機(jī)，每個(gè)節(jié)點(diǎn)靠一個(gè)(或四個(gè))GPU運(yùn)行。

03

深度學(xué)習(xí)框架的計(jì)算需要大量的圖像數(shù)據(jù)，數(shù)據(jù)從前端傳輸?shù)胶蠖诉M(jìn)行預(yù)處理，然后進(jìn)行標(biāo)注，獲得訓(xùn)練數(shù)據(jù)集。數(shù)據(jù)整理好之后，進(jìn)行模型訓(xùn)練，這是一個(gè)計(jì)算和通信非常密集的過(guò)程;模型訓(xùn)練完之后，我們進(jìn)行推理預(yù)測(cè)，其主要是一個(gè)前向計(jì)算過(guò)程。其需要對(duì)批量樣本的高吞吐高并發(fā)響應(yīng)和單個(gè)樣本的低延時(shí)響應(yīng)。下面以圖像識(shí)別的過(guò)程為例說(shuō)明如下：

1. 數(shù)據(jù)的采集和獲取：

是通過(guò)物聯(lián)網(wǎng)傳感器，將光或聲音等信息轉(zhuǎn)化為電信息。信息可以是二維的圖象如文字、圖象等，可以是一維的波形如聲波、心電圖、腦電圖，也可以是物理量與邏輯值。

2. 數(shù)據(jù)預(yù)處理：

包括A\D、二值化、圖象的平滑、變換、增強(qiáng)、恢復(fù)、濾波等, 主要指圖象處理。

3. 特征抽取和選擇：

在模式識(shí)別中，需要進(jìn)行特征的抽取和選擇，例如，一幅64x64的圖象可以得到4096個(gè)數(shù)據(jù)，這種在測(cè)量空間的原始數(shù)據(jù)通過(guò)變換獲得在特征空間最能反映分類(lèi)本質(zhì)的特征。這就是特征提取和選擇的過(guò)程。

4. 分類(lèi)器設(shè)計(jì)：

分類(lèi)器設(shè)計(jì)的主要功能是通過(guò)訓(xùn)練確定判決規(guī)則，使按此類(lèi)判決規(guī)則分類(lèi)時(shí)，錯(cuò)誤率***。

5. 分類(lèi)決策：

在特征空間中對(duì)被識(shí)別對(duì)象進(jìn)行分類(lèi)。

***，探討人工智能平臺(tái)分析引擎的深度學(xué)習(xí)，它是如何針對(duì)多層神經(jīng)網(wǎng)絡(luò)上運(yùn)用各種機(jī)器學(xué)習(xí)算法解決圖像、文本等問(wèn)題?深度學(xué)習(xí)從大類(lèi)上可以歸入神經(jīng)網(wǎng)絡(luò)，不過(guò)在具體實(shí)現(xiàn)上有許多變化。深度學(xué)習(xí)的核心是特征學(xué)習(xí)，旨在通過(guò)分層網(wǎng)絡(luò)獲取分層次的特征信息，從而解決以往需要人工設(shè)計(jì)特征的重要難題。深度學(xué)習(xí)是一個(gè)框架，包含多個(gè)重要算法: CNN卷積神經(jīng)網(wǎng)絡(luò)、AutoEncoder自動(dòng)編碼器、Sparse Coding稀疏編碼、RBM限制波爾茲曼機(jī)、DBN深信度網(wǎng)絡(luò)、RNN多層反饋循環(huán)神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)，對(duì)于不同問(wèn)題(圖像，語(yǔ)音，文本)，需要選用不同網(wǎng)絡(luò)模型才能達(dá)到更好效果。

04

重點(diǎn)講一下卷積神經(jīng)網(wǎng)絡(luò)，它就是至少包含一層的神經(jīng)網(wǎng)絡(luò)，該層的功能是：計(jì)算輸入f與可配置的卷積核g的卷積，生成輸出。卷積的目的就是把卷積核應(yīng)用到某個(gè)張量的所有點(diǎn)上，通過(guò)卷積核的滑動(dòng)生成新的濾波后的張量。卷積的價(jià)值在于對(duì)輸入降維能力，通過(guò)降維改變卷積核的跨度strides參數(shù)實(shí)現(xiàn)。設(shè)置跨度是調(diào)整輸入張量維數(shù)的方法，strides參數(shù)格式與輸入向量相同，面臨挑戰(zhàn)：如果應(yīng)對(duì)輸入在邊界，可以采用對(duì)圖像邊界填充方式。數(shù)據(jù)格式NHWC(數(shù)目，高度，寬度，通道數(shù))。卷積核的作用常常是增強(qiáng)卷積核中心位置像素的灰度。卷積神經(jīng)網(wǎng)絡(luò)CNN主要用來(lái)識(shí)別位移、縮放及其他形式扭曲不變性的二維圖形。

由于CNN的特征檢測(cè)層通過(guò)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，所以在使用CNN時(shí)，避免了顯式的特征抽取，而隱式地從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí);再者由于同一特征映射面上的神經(jīng)元權(quán)值相同，所以網(wǎng)絡(luò)可以并行學(xué)習(xí)，這也是卷積網(wǎng)絡(luò)相對(duì)于神經(jīng)元彼此相連網(wǎng)絡(luò)的一大優(yōu)勢(shì)。卷積神經(jīng)網(wǎng)絡(luò)以其局部權(quán)值共享的特殊結(jié)構(gòu)在語(yǔ)音識(shí)別和圖像處理方面有著獨(dú)特的優(yōu)越性，其布局更接近于實(shí)際的生物神經(jīng)網(wǎng)絡(luò)，權(quán)值共享降低了網(wǎng)絡(luò)的復(fù)雜性，特別是多維輸入向量的圖像可以直接輸入網(wǎng)絡(luò)這一特點(diǎn)避免了特征提取和分類(lèi)過(guò)程中數(shù)據(jù)重建的復(fù)雜度。

激活函數(shù)：為神經(jīng)網(wǎng)絡(luò)的輸入引入非線性，通過(guò)曲線能夠刻畫(huà)輸入中更為復(fù)雜的變化，設(shè)計(jì)模型常推薦tf.nn.relu，tf.sigmoid,tf.tanh,tf.nn.dropout,性能較為突出，評(píng)價(jià)一個(gè)激活函數(shù)是否有用的因素如下：?jiǎn)握{(diào)，采用梯度下降法尋找局部極值點(diǎn);可微分，保證任何一個(gè)點(diǎn)可以求導(dǎo)數(shù)，可以使梯度下降法用到激活函數(shù)的輸出上。模型的評(píng)價(jià)指標(biāo)是敏感度、特異度和精度。靈敏度(敏感度，召回率recall，查全率sensitive)=TP/P =TPR;特異度(特效度specificity)=TN/N;精度(查準(zhǔn)率，準(zhǔn)確率precision)=TP/TP+FP。

總之，人工智能的框架時(shí)代已經(jīng)成熟了，不是我們科學(xué)家和技術(shù)專(zhuān)家的主戰(zhàn)場(chǎng)，我們是要重新定義一些計(jì)算模型和算法實(shí)現(xiàn)，來(lái)創(chuàng)新網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方法，這樣的深度學(xué)習(xí)算法會(huì)更加有效，能夠在普通的移動(dòng)設(shè)備端工作，甚至不需要多余的硬件支持或抑制內(nèi)存開(kāi)銷(xiāo)，會(huì)觸發(fā)人工智能技術(shù)進(jìn)入大規(guī)模商用階段，人工智能產(chǎn)品全面進(jìn)入消費(fèi)級(jí)市場(chǎng)。

【本文為51CTO專(zhuān)欄作者“移動(dòng)Labs”原創(chuàng)稿件，轉(zhuǎn)載請(qǐng)聯(lián)系原作者】

戳這里，看該作者更多好文