cube studio 开源云原生一站式机器学习 (一)-介绍

cube studio开源云原生一站式机器学习/深度学习/大模型AI平台,支持sso登录,多租户,大数据平台对接,notebook在线开发,拖拉拽任务流pipeline编排,多机多卡分布式训练,超参搜索,推理服务VGPU,边缘计算,serverless,标注平台,自动化标注,数据集管理,大模型微调,vllm大模型推理,llmops,私有知识库,AI模型应用商店,支持模型一键开发/推理/微调,支持国产cpu/gpu/npu芯片,支持RDMA,支持pytorch/tf/mxnet/deepspeed/paddle/colossalai/horovod/spark/ray/volcano分布式。

整体架构

file

功能清单

cube studio是 腾讯音乐 开源的一站式云原生机器学习平台,目前主要包含

模块分组 功能模块 功能清单
基础能力 项目组管理 AI平台需要通过项目划分,支持配置相应项目组用户的权限,任务/服务的挂载,资源组,集群,服务代理,项目组内角色应用
基础能力 网络 支持非80端口,支持公网/域名,支持反向代理和内网穿透方式访问,支持https
基础能力 用户管理 角色管理/权限管理 管理平台用户的基本信息,组织架构,支持账号密码,rbac权限体系。 增加修改和删除,清理等操作的历史记录
基础能力 计量计费功能 1、支持平台资源限制的分配和查看;项目组资源限制,租户资源限制、任务资源限制,项目组下个人的资源限制,包括开发资源,训练资源、推理资源等。   额度限制限制在notebook,docker构建,pipeline,超参搜索,内部服务,推理服务中的生效。限制支持单任务,并行任务总和和历史任务总和等方法2、提供统一的开发、训练、推理服务资源监控,从租户、项目、任务角度分析模型资源分配及使用情况。 3、支持自定义计费模式,通过计量结果自定义获取计费值
基础能力 SSO单点登录 账号密码注册自动登录,支持对接公司账号体系AUTH_OID/AUTH_LDAP/AUTH_REMOTE_USER等登录注册方式,支持消息推送。 增加登录验证,强密码,远程用户,登录频率限制,密码密文传输等
基础能力 支持多种算力 提供多种规格的资源支持不同的使用场景,cpu/gpu等 支持T4/V100/A100等多种卡型,支持arm64芯片,支持vgpu等模式。支持国产gpu,支持调度海光dcu,华为npu,寒武纪mlu,天数智芯GPU,支持rdma调度,mellanox。支持gpu禁用模型,共享模式,独占模式
基础能力 多资源组/多集群 支持划分多资源组,支持ipvs的k8s网络模式,支持多k8s集群,支持containerd容器运行态
基础能力 边缘集群 支持边缘集群模式,支持边缘节点开发,训练,推理
基础能力 serverless集群模式 支持腾讯云serverless集群模式,(notebook,pipeline,推理服务模块支持)阿里云serverless集群模式(notebook,pipeline,推理服务模块支持)
基础能力 数据库存储 支持外部mysql作为元数据库支持外部postgres作为元数据库
基础能力 机器资源管理 web界面控制机器调度类型,所属资源组,是否启动rdma,是否启动vgpu,可用任务场景等
基础能力 存储盘管理 支持web界面添加存储盘,支持项目组绑定,notebook pipeline 推理服务,直接在pod中挂载外部分布式存储。支持nfs,cfs,oss,nas,cos,glusterfs,cephfs,s3/minio
基础能力 国际化能力 mlops支持配置多语言配置,目前支持中英文
数据管理 数据地图 元数据库表管理,指标,维表
数据管理 数据计算 sqllab交互查询,支持mysql,postgresql,clickhouse,hive,presto等计算引擎
数据管理 ETL编排 数据ETL任务流编排,任务管理等对接公司数据中台相应计算/调度引擎
数据管理 数据集管理 允许用户随时上传样本集(图片、音频、文本等),支持sdk进行数据集对接,支持数据集一键探索功能
数据管理 数据标注 支持标注平台,图/文/音/多模态各类型标注能力,对接一站式机器学习平台,支持自动化标注(需购买aihub):支持目标识别,目标边界识别,目标遮罩识别,图片分类,图片描述,ocr,关键点检测。支持大模型自动化标注:文本分类,文本翻译,命名实体识别,阅读理解,问答,摘要提取。
开发环境 镜像功能 镜像仓库/镜像管理/在线构建镜像。同时提供平台所有镜像,包括模板镜像/服务镜像/notebook镜像/gpu基础环境的构建方法和构建后镜像,支持dockerfile在线构建 支持同一仓库多个秘钥配置
开发环境 notebook 支持基于开源的Jupyterlab/vscode,提供在线的交互式开发调试工具;提供多种可选环境ide和开发示例,支持资源类型选择 支持大数据版本,机器学习版本,深度学习版本 大数据版本支持用户信息,hdfs客户端,hive客户端和spark客户端 支持ssh remote与notebook对接远程开发,方便快速将本地代码提交到平台的训练环境。ssh隧道代理,单端口开放 支持matlab,Rstudio等在线ide 支持gpu,cpu,内存,监控,支持git交互 支持自定义notebook镜像,便于封装公司自己的notebook 多环境notebook,支持R语言/julia语言/python2.7/python3.6/python3.7/python3.8/python3.9/python3.10环境和cube-studio专有环境 支持tensorboard任务可视化 notebook支持环境镜像保存 jupyter支持密码保护 notebook支持整卡占用,虚拟卡占用,gpu共享占用 支持notebook启动自动初始化环境
模型训练 拖拉拽任务流编排调试 提供拖拽式交互开发环境,支持开发者以拖拽的方式完成业务逻辑的PIPLINE; 支持单任务调试,训练支持多种资源规格(CPU、GPU等),支持卡型的选择,超时重试等。任务支持独占和共享占用gpu分布式任务模板支持单任务调试用户镜像而非模板镜像 支持rdma资源占用 支持gpu不同厂商,不同卡型的占用 分布式任务模板支持gpu型号透传,rdma资源透传,拉取秘钥透传 pipeline调试,支持定时调度,补录,并发限制,超时,实例依赖等,任务管理,workflow实例管理,资源监控,支持任务输入输出,任务流全局变量,文本/图片/echart结果可视化,支持workflow暂停和恢复。支持任务流优先级 支持单任务和pipeline运行中任务监听端口提供运行中服务监听能力 任务流支持任务推荐定时调度支持最大保留实例数pipeline支持任务流优先级
模型训练 主流功能算子
模型训练 算子自定义 支持算子自定义,通过web界面操作将自定义算法代码镜像,注册为可被他人复用的pipeline算子
模型训练 自动学习 面向非AI背景的用户提供自动学习服务,用户选择某一个场景之后,上传训练数据即可自动开始训练和模型部署,支持示例automl任务流导入导出
模型训练 自定义镜像 面向高级 AI 开发者,提供自定义训练作业(执行环境 + 代码)功能;
模型训练 自动调参 基于单机/分布式自动超参搜索
模型训练 TensorBoard作业 实时/离线观察模型训练过程中的参数和指标变化情况
模型管理 推理服务 内部服务 支持开发或运维工具快捷部署,提供mysql-web,postgresql web,mobgo web, redis web,neo4j,rstudio等开源工具
模型管理 推理服务 模型管理 模型管理用于对模型多版本管理,支持模型发布为推理服务
模型管理 推理服务 推理服务 支持ml/tf/pytorch/tentortrt/onnx常规模型的多版本的0代码发布。 支持gpu卡型选择,支持vgpu,独占,共享占用,支持cpu/mem/gpu等弹性伸缩,支持服务优先级,支持远程模型路径,支持流量分流,流量复制,sidecar配置,支持泛域名配置,支持配置文件挂载,启动目录/命令/环境变量/端口/指标/健康检查等 支持调试环境/测试环境/生产环境 支持域名/ip代理多种形式 支持服务负载指标监控 支持多版本服务滚动升级和回滚,支持单pod滚动发布 支持禁用k8s service负载均衡器 支持大模型分布式推理 提供ml/tf/pytorch/tentortrt/onnx常规模型推理服务镜像 支持用户自定义模型推理镜像支持定时伸缩容支持配置服务的jwt认证功能
监控 整体资源 所有集群,所有计算机器的使用情况,包括机器的所属集群,所属资源组,机器ip,cpu/gpu类型和卡型,当前cpu/内存/gpu的使用率 所有集群,所有计算pod的使用情况,包括pod所属集群,所属资源组,所属命名空间,调度ip,pod名称,启动用户,cpu,gpu,内存的申请使用率 整体资源页面,支持管理员批量删除
监控 监控体系 所有机器的gpu资源的使用情况, 所有机器的内存/cpu/网络io/磁盘io的负载情况, 所有pod的内存/cpu/gpu/网络io负载情况 所有推理服务的内存/cpu/gpu/qps/吞吐/vgpu负载情况 支持ib流量监控
模型应用市场 模型应用管理方案 提供cubestudio sdk,提供模型开发规范和使用规范
模型应用市场 模型应用管理方案 提供web端模型应用体验,支持同步/异步推理
模型应用市场 模型应用管理方案 提供开发多个python cuda版本的基础镜像
模型应用市场 预训练模型 提供视觉,听觉,nlp,多模态等400+预训练模型,提供预训练模型的模型加载和推理能力,可直接一键部署服务,并提供api
模型应用市场 模型市场 aihub应用对接cube-studio平台进行卡片式展示
模型应用市场 模型一键开发 提供一键转notebook开发,提供符合当前模型所需环境的jupyter
模型应用市场 模型一键微调 支持一键转pipeline微调链路,包括示例数据集下载,微调,模型注册,模型部署,支持微调后模型部署
模型应用市场 模型一键部署web 提供模型一键部署提供手机端和pc端web界面和api,和demo示例弹窗演示
模型应用市场 模型自动化标注 支持部署对接labelstudio自动化标注
模型应用市场 数据集sdk 支持通过python sdk搜索上传下载数据集,支持数据集的加解密/解压缩/数据集基础信息查看等
模型应用市场 notebook sdk 支持通过api,对接cube-studio创建notebook,并跳转到指定目录,用于其他算法平台在当前平台的调试和演示
模型应用市场 pipeline训练sdk 支持AI开发主流语言 Python,提供Python SDK支持用户通过SDK来进行pipeline任务流管理和训练任务启动以及任务流编排
模型应用市场 推理服务sdk 提供python sdk,对接cube tudio进行推理服务的发布,服务升级
大模型 大模型分布式多机多卡 支持分布式多机多卡训练,例如mpi/deepspeed/Colossal-AI
大模型 支持大模型推理aihub形式 支持openjourney/gpt3/yuan/sd-v1.5/sd-v2/sd-v3/Stable Cascade/Stable Diffusion XL/chatglm/chatglm2/chatglm3/chatglm4/llama/llama2/llama3/chinese-llama2/chinese-alpaca/llama2-chinese/qwen/baichuan2/qwen2/gemma/yi/aquilachat2部署
大模型 支持大模型推理openai接口 支持fastchat+vllm大模型推理,支持推理加速+流式接口
大模型 支持大模型微调 支持chatglm2/chatglm3/chatglm4/llama2-chinese/llama3-chinese/baichuan2/qwen2 lora微调,支持llama-factory 100+llm微调
大模型 智能对话 提供支持多场景对话,支持提示词构建,推理接口配置,llm问答,支持问询中模型切换,清理,历史上下文
大模型 私有知识库 私有知识库配置,私有知识库召回
大模型 私有知识库 支持召回列表模式
大模型 私有知识库 支持aigc模式
大模型 私有知识库 支持微信公众号服务号对接
大模型 私有知识库 支持企业微信群聊机器人对接
大模型 私有知识库 支持钉钉群聊机器人对接

支持模板

提示:

  • 1、可自由定制任务插件,更适用当前业务需求
模块 模板 类型 文档地址
数据导入导出 datax 单机 job-template/job/datax/README.md
数据导入导出 数据集导入 单机 job-template/job/dataset/README.md
数据导入导出 模型导入 单机 job-template/job/model_download/README.md
数据预处理 data-process 单机 job-template/job/data-process/README.md
数据处理工具 hadoop 单机 job-template/job/hadoop/README.md
数据处理工具 ray 分布式 job-template/job/ray/README.md
数据处理工具 volcanojob 分布式 job-template/job/volcano/README.md
特征处理 feature-process 单机 job-template/job/feature-process/README.md
机器学习框架 ray-sklearn 分布式 job-template/job/ray_sklearn/README.md
机器学习算法 random_forest 单机 job-template/job/random_forest/README.md
机器学习算法 lr 单机 job-template/job/lr/README.md
机器学习算法 lightgbm 单机 job-template/job/lightgbm/README.md
机器学习算法 knn 单机 job-template/job/knn/README.md
机器学习算法 kmeans 单机 job-template/job/kmeans/README.md
机器学习算法 nni 单机 job-template/job/hyperparam-search-nni/README.md
机器学习算法 xgb 单机 job-template/job/xgb/README.md
机器学习算法 gbdt 单机 job-template/job/gbdt/README.md
机器学习算法 decision-tree 单机 job-template/job/decision_tree/README.md
机器学习算法 bayesian 单机 job-template/job/bayesian/README.md
机器学习算法 adaboost 单机 job-template/job/adaboost/README.md
深度学习 tfjob 分布式 job-template/job/tf/README.md
深度学习 pytorchjob 分布式 job-template/job/pytorch/README.md
深度学习 paddle 分布式 job-template/job/paddle/README.md
深度学习 mxnet 分布式 job-template/job/mxnet/README.md
深度学习 mindspore 分布式 job-template/job/mindspore/README.md
深度学习 horovod 分布式 job-template/job/horovod/README.md
深度学习 mpi 分布式 job-template/job/mpi/README.md
深度学习 colossalai 分布式 job-template/job/colossalai/README.md
深度学习 deepspeed 分布式 job-template/job/deepspeed/README.md
深度学习 megatron 分布式 job-template/job/megatron/README.md
模型处理 model-evaluation 单机 job-template/job/model_evaluation/README.md
模型服务化 model-convert 单机 job-template/job/model_convert/README.md
模型服务化 model-register 单机 job-template/job/model_register/README.md
模型服务化 deploy-service 单机 job-template/job/deploy-service/README.md
模型服务化 model-offline-predict 分布式 job-template/job/model_offline_predict/README.md
多媒体类 media-download 分布式 job-template/job/video-audio/README.md
多媒体类 video-img 分布式 job-template/job/video-audio/README.md
多媒体类 video-audio 分布式 job-template/job/video-audio/README.md
大模型 llama2 单机多卡 job-template/job/llama2/README.md
大模型 chatglm2 单机多卡 job-template/job/chatglm2/README.md
大模型 chatglm3 单机多卡 job-template/job/chatglm3/README.md
大模型 chatglm4 单机多卡 job-template/job/chatglm4/README.md
大模型 baichuan2 单机多卡 job-template/job/baichuan2/README.md
大模型 qwen2 单机多卡 job-template/job/qwen2/README.md
大模型 llama-factory 单机多卡 job-template/job/llama_factory/README.md

平台简介

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)

image算力/存储/用户管理

算力:

  • 云原生统筹平台cpu/gpu等算力
  • 支持划分多资源组,支持多k8s集群,多地部署
  • 支持T4/V100/A100/昇腾/dcu/VGPU等异构GPU/NPU环境
  • 支持边缘集群模式,支持边缘节点上开发/训练/推理
  • 支持鲲鹏芯片arm64架构,RDMA

存储:

  • 自带分布式存储,支持多机分布式下文件处理
  • 支持外部存储挂载,支持项目组挂载绑定
  • 支持个人存储空间/组空间等多种形式
  • 平台内存储空间不需要迁移

用户权限:

  • 支持sso登录,对接公司账号体系
  • 支持项目组划分,支持配置相应项目组用户的权限
  • 管理平台用户的基本信息,组织架构,rbac权限体系

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,不仅能做到一个项目组内对在线开发、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。

image

分布式存储

cube会自动为用户挂载用户的个人目录,同一个用户在平台任何地方启动的容器,其用户个人子目录均为/mnt/$username。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。

image

在线开发

  • 系统多租户/多实例管理,在线交互开发调试,无需安装三方控件,只需浏览器就能完成开发。
  • 支持vscode,jupyter,Matlab,Rstudio等多种在线IDE类型
  • Jupyter支持cube-studio sdk,Julia,R,python,pyspark多内核版本,

image

  • 支持c++,java,conda等多种开发语言,以及tensorboard/git/gpu监控等多种插件
  • 支持ssh remote与notebook互通,本地进行代码开发
  • 在线镜像构建,通过Web Shell方式在浏览器中完成构建;并提供各种版本notebook,inference,gpu,python等基础镜像

image

标注平台:

  • 支持图/文/音/多模态/大模型多种类型标注功能,用户管理,工作任务分发
  • 对接aihub模型市场,支持自动化标注;对接数据集,支持标注数据导入;对接pipeline,支持标注结果自动化训练

image

拖拉拽pipeline编排

1、Ml全流程

数据导入,数据预处理,超惨搜索,模型训练,模型评估,模型压缩,模型注册,服务上线,ml算法全流程

2、灵活开放

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)

image

分布式框架

1、训练框架支持分布式(协议和策略)
2、代码识别分布式角色(有状态)
3、控制器部署分布式训练集群(operator)
4、配置分布式训练集群的部署(CRD)

多层次多类型算子

以k8s为核心,
1、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,
2、 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。

image

功能模板化

  • 和非模板开发相比,使用模板建立应用成本会更低一些,无需开发平台。
  • 迁移更加容易,通过模板标准化后,后续应用迁移迭代只需迁移配置模板,简化复杂的配置操作。
  • 配置复用,通过简单的配置就可以复用这些能力,算法与工程分离避免重复开发。

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

image

流水线调试

  • Pipeline调试支持定时执行,支持,补录,并发限制,超时,实例依赖等。
  • Pipeling运行,支持变量在任务间输入输出,全局变量,流向控制,模板变量,数据时间等
  • Pipeling运行,支持任务结果可视化,图片、csv/json,echart源码可视化

image

nni超参搜索

界面化呈现训练各组数据,通过图形界面进行直观呈现。
减少以往开发调参过程的枯燥感,让整个调参过程更加生动具有趣味性,完全无需丰富经验就能实现更精准的参数控制调节。

# 上报当前迭代目标值
nni.report_intermediate_result(test_acc)
# 上报最终目标值
nni.report_final_result(test_acc)

# 接收超参数为输入参数
parser.add_argument('--batch_size', type=int)

image

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。

主要功能:

  • 支持模型管理注册,灰度发布,版本回退,模型指标可视化,以及在piepline中进行模型注册
  • 推理服务支持多集群,多资源组,异构gpu环境,平台资源统筹监控,VGPU,服务流量分流,复制,sidecar
  • 支持0代码的模型发布,gpu推理加速,支持训练推理混部,服务优先级,自定义指标弹性伸缩。

image

监控和推送

监控:cube-studio集成prometheus生态,可以监控包括主机,进程,服务流量,gpu等相关负载,并配套grafana进行可视化

推送:cube-studio开放推送接口,可自定义推送给企业oa系统

image

AIHub

  • 系统自带通用模型数量400+,覆盖绝大数行业场景,根据需求可以不断扩充。
  • 模型开源、按需定制,方便快速集成,满足用户业务增长及二次开发升级。
  • 模型标准化开发管理,大幅降低使用门槛,开发周期时长平均下降30%以上。

image

  • AIHub模型可一键部署为WEB端应用,手机端/PC端皆可,实时查看模型应用效果
  • 点击模型开发即可进入notebook进行模型代码的二次开发,实现一键开发
  • 点击训练即可加入自己的数据进行一键微调,使模型更贴合自身场景

image

GPT训练微调

  • cube-studio支持deepspeed/colossalai等分布式加速框架,可一键实现大模型多机多卡分布式训练
  • AIHub包含gpt/AIGC大模型,可一键转为微调pipeline,修改为自己的数据后,便可以微调并部署

image

GPT-RDMA

rdma插件部署后,k8s机器可用资源

capacity:
  cpu: '128'
  memory: 1056469320Ki
  nvidia.com/gpu: '8'
  rdma/hca: '500'

代码分布式训练中使用IB设备

export NCCL_IB_HCA=mlx5
export MLP_WORKER_GPU=$GPU_NUM
export MLP_WORKER_NUM=$WORLD_SIZE
export MLP_ROLE_INDEX=$RANK
export MLP_WORKER_0_HOST=$MASTER_ADDR
export MLP_WORKER_0_PORT=$MASTER_PORT

image

gpt私有知识库

  • 数据智能模块可配置专业领域智能对话,快速敏捷使用llm
  • 可为某个聊天场景配置私有知识库文件,支持主题分割,语义embedding,意图识别,概要提取,多路召回,排序,多种功能融合

image

gpt智能聊天

  • 可以将智能会话与AIHub相结合,例如下面AIGC模型与聊天会话
  • 可使用Autogpt方式串联所有aihub模型,进行图文音智能化处理
  • 智能会话与公共直接打通,可在微信公众号中进行图文音对话

image

数据中台对接

为了加速AI算法平台的使用,cube-studio支持对接公司原有数据中台,包括数据计算引擎sqllab,元数据管理,指标管理,维表管理,数据ETL,数据集管理

image

三种方式部署

针对企业需求,根据不同场景对计算实时性的不同需求,可以提供三种建设模式

模式一:私有化部署——对数据安全要求高、预算充足、自己有开发能力
模式二:边缘集群部署——算力分散,多个子网环境的场景,或边缘设备场景
模式三:serverless集群——成本有限,按需申请算力的场景

边缘计算

通过边缘集群的形式,在中心节点部署平台,并将边缘节点加入调度,每个私有网用户,通过项目组,将notebook,pipeline,service部署在边缘节点

  • 1、避免数据到中心节点的带宽传输
  • 2、避免中心节点的算力成本,充分利用边缘节点算力
  • 3、避免边缘节点的运维成本

图片 1


相关文章:
cube studio开源云原生一站式机器学习
cube-studio/wiki

为者常成,行者常至