背景

传统算法落地流程：从申请机器，配置环境，拉取数据，处理数据，算法训练，调试，模型测试，服务化上线全流程，算法工程师，在下面的每个环境都浪费了很多时间，而不是主要集中在算法模型的构建上

cube一站式的机器学习平台，从平台架构上解决下面几个问题时做了一些更贴近用户实用化考虑。

Cube Studio

cube studio开源云原生一站式机器学习/深度学习AI平台，支持sso登录，多租户/多项目组，数据资产对接，notebook在线开发，拖拉拽任务流pipeline编排，多机多卡分布式算法训练，超参搜索，推理服务VGPU，多集群调度，边缘计算，serverless，标注平台自动化标注，数据集管理，大模型一键微调，私有知识库，AI应用商店，支持模型一键开发/推理/微调，私有化部署，支持国产cpu/gpu/npu芯片，支持RDMA。

目前主要包含

模块分组	功能	企业版
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，项目组内角色控制
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
基础能力	SSO单点登录	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
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，支持海光gpu，海飞科dcu，华为npu，支持rdma调度
基础能力	多资源组/多集群	支持划分多资源组，支持多k8s集群
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，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/postgres作为元数据库
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
基础能力	国际化能力	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
数据管理	数据标注	支持开源标注平台，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
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
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和内网spark链接 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。 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"
开发环境	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，任务支持虚拟化gpu占用方式，独占和共享占用 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
开发环境	主流功能算子	基础算子：自定义镜像，逻辑节点，python 数据同步：数据集导入，datax，模型导入 数据预处理：删除重复样本/删除高缺失率/填充缺失值/one-hot/变量统计/异常值检测等 特征处理：特征相似度/特征重要性 数据处理：hadoop/spark作业提交，volcanojob/ray分布式数据处理，sparkjob 传统机器学习：ray-sklearn分布式，xgb单机训练推理 传统机器学习算法：random-forest/lr/lightgbm/knn/kmean/gbdt/decision-tree//pca/lda/catboost/xgb，超参搜索 分布式深度学习框架：tf/pytorch/mxnet/horovod/paddlejob/mindspore分布式训练 分布式加速框架：colossalai/deepspeed/horovod 模型处理：模型评估，模型格式转换 模型服务化：模型注册，模型离线处理，模型部署 媒体分布式处理：分布式媒体下载，视频提取图片，视频提取图片"
开发环境	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
开发环境	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
开发环境	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；
开发环境	自动调参	基于单机/分布式自动超参搜索
开发环境	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
模型服务化	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
模型服务化	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
模型服务化	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 支持远程模型路径 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"
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"
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"
AIHUB	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
AIHUB	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
AIHUB	模型应用管理方案	提供开发多个python cuda版本的基础镜像
AIHUB	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
AIHUB	模型市场	aihub应用对接cube-studio平台进行卡片式展示
AIHUB	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
AIHUB	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
AIHUB	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
AIHUB	模型自动化标注	支持部署对接labelstudio自动化标注
AIHUB	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
AIHUB	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
AIHUB	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；
AIHUB	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	支持chatglm/chatglm2/lalma/llama2/通义千问部署
大模型	支持大模型微调	支持chatglm2/llama2/baichuan2 lora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

平台部署

参考install/kubernetes/README.md

平台完成部署之后如下:

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	hadoop	单机	job-template/job/hadoop/README.md
数据处理	spark	分布式	job-template/job/spark/README.md
数据处理	ray	分布式	job-template/job/ray/README.md
数据处理	volcanojob	分布式	job-template/job/volcano/README.md
特征工程	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	baichuan2	单机多卡	job-template/job/baichuan2/README.md

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)

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。

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。

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，

• 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

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

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)

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。

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

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

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)

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。

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

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。

• 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

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

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

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

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

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

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

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