摘要：近年來深度學(xué)習(xí)作為學(xué)術(shù)界與工業(yè)界共同關(guān)注的熱點,取得了飛躍式的發(fā)展,在計算機視覺、語音識別等領(lǐng)域取得了令人矚目的成果.深度學(xué)習(xí)分訓(xùn)練與推理兩個階段,在實際應(yīng)用中主要關(guān)注的是推理階段.深度學(xué)習(xí)推理過程中伴隨著巨大的計算量,通過分布式系統(tǒng)提高其計算速度也得到了越來越多的關(guān)注.然而,構(gòu)建分布式深度學(xué)習(xí)推理系統(tǒng)面臨著深度學(xué)習(xí)加速設(shè)備更新迭代快速、上層應(yīng)用及計算任務(wù)復(fù)雜多樣等挑戰(zhàn).本文設(shè)計并實現(xiàn)的系統(tǒng)信息管理框架,用于收集并處理系統(tǒng)中的各類信息,收集及處理的規(guī)則具有高度的可擴展性和靈活性,并提供通用的RESTful API數(shù)據(jù)訪問接口,以支持分布式深度學(xué)習(xí)推理系統(tǒng)對各類硬件加速器的靈活兼容性以及對任務(wù)調(diào)度策略的動態(tài)調(diào)整能力.最后,本文通過一個應(yīng)用實例對該框架的功能進行驗證并對實驗結(jié)果進行分析.
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
