到 2021 年底，人工智能市場的價值估計為 583 億美元。這一數(shù)字勢必會增加，預(yù)計未來 5 年將增長 10 倍，到 2026 年將達到 3096 億美元。鑒于人工智能技術(shù)如此受歡迎，公司廣泛希望為其業(yè)務(wù)構(gòu)建和部署人工智能應(yīng)用解決方案。在當今技術(shù)驅(qū)動的世界中，人工智能已成為我們生活中不可或缺的一部分。根據(jù)麥肯錫的一份報告，人工智能的采用率正在繼續(xù)穩(wěn)步上升：56% 的受訪者表示至少在一項業(yè)務(wù)功能中采用了人工智能，高于 2020 年的 50%。這種采用率的增加是由于構(gòu)建和部署戰(zhàn)略的不斷發(fā)展人工智能應(yīng)用。各種策略正在演變以構(gòu)建和部署 AI 模型。AI 應(yīng)用程序容器化就是這樣一種策略。

機器學習操作 (MLOps) 正變得越來越穩(wěn)定。如果您不熟悉 MLOps，它是有助于提高機器學習工作流程效率的原則、實踐和技術(shù)的集合。它基于 DevOps，正如 DevOps 簡化了從開發(fā)到部署的軟件開發(fā)生命周期 (SDLC) 一樣，MLOps 對機器學習應(yīng)用程序也完成了同樣的工作。容器化是用于開發(fā)和交付 AI 應(yīng)用程序的最有趣和新興的技術(shù)之一。容器是軟件包的標準單元，它將代碼及其所有依賴項封裝在一個包中，允許程序快速可靠地從一個計算環(huán)境轉(zhuǎn)移到另一個計算環(huán)境。Docker 處于應(yīng)用程序容器化的最前沿。

什么是容器？

容器是包含應(yīng)用程序執(zhí)行所需的一切的邏輯框。操作系統(tǒng)、應(yīng)用程序代碼、運行時、系統(tǒng)工具、系統(tǒng)庫、二進制文件和其他組件都包含在此軟件包中?；蛘?，根據(jù)特定硬件的可用性，可能會包含或排除某些依賴項。這些容器直接在主機內(nèi)核中運行。容器將共享主機的資源（如 CPU、磁盤、內(nèi)存等）并消除管理程序的額外負載。這就是容器“輕量級”的原因。

為什么容器如此受歡迎？

首先，它們是輕量級的，因為容器共享機器操作系統(tǒng)內(nèi)核。它不需要整個操作系統(tǒng)來運行應(yīng)用程序。VirtualBox，通常稱為虛擬機 (VM)，需要安裝完整的操作系統(tǒng)，這使得它們非常龐大。

容器是可移植的，可以輕松地從一臺機器傳輸?shù)搅硪慌_機器，其中包含所有必需的依賴項。它們使開發(fā)人員和操作員能夠提高物理機的 CPU 和內(nèi)存利用率。

在容器技術(shù)中，Docker 是最流行和使用最廣泛的平臺。不僅基于 Linux 的 Red Hat 和 Canonical 已經(jīng)采用了 Docker，微軟、亞馬遜和甲骨文等公司也在依賴它。如今，幾乎所有 IT 和云公司都采用了 docker，并被廣泛用于為其解決方案提供所有依賴項。

點擊查看完整大小的圖片

虛擬機與容器（來源：Softnautics）

Docker 和容器之間有什么區(qū)別嗎？

Docker 已廣泛成為容器的代名詞，因為它是開源的，擁有龐大的社區(qū)基礎(chǔ)，并且是一個相當穩(wěn)定的平臺。但容器技術(shù)并不新鮮，它以 LXC 的形式被納入 Linux 已有 10 多年了，F(xiàn)reeBSD jails、AIX Workload Partitions 和 Solaris Containers 也提供了類似的操作系統(tǒng)級虛擬化。

Docker 可以通過將 OS 和包需求合并到一個包中來簡化流程，這是容器和 docker 之間的區(qū)別之一。

我們經(jīng)常對為什么 docker 被用于數(shù)據(jù)科學和人工智能領(lǐng)域感到困惑，但它主要用于 DevOps。ML 和 AI 與 DevOps 一樣，具有跨操作系統(tǒng)的依賴性。因此，單個代碼可以在 Ubuntu、Windows、AWS、Azure、谷歌云、ROS、各種邊緣設(shè)備或其他任何地方運行。

AI/ML 的容器應(yīng)用

與任何軟件開發(fā)一樣，AI 應(yīng)用程序在由團隊中的不同開發(fā)人員組裝和運行或與多個團隊協(xié)作時也面臨 SDLC 挑戰(zhàn)。由于 AI 應(yīng)用程序的不斷迭代和實驗性質(zhì)，有時依賴關(guān)系可能會交叉交叉，從而給同一項目中的其他依賴庫帶來不便。

點擊查看完整大小的圖片

AI/ML 對容器應(yīng)用的需求（來源：Softnautics）

問題是真實的，因此，如果您要展示需要特定執(zhí)行方法的項目，則需要遵循每個步驟的可接受文檔。想象一下，對于同一個項目的不同模型，您有多個 python 虛擬環(huán)境，并且沒有更新文檔，您可能想知道這些依賴項是做什么用的？為什么在安裝較新的庫或更新的模型等時會發(fā)生沖突？

開發(fā)人員不斷面臨“它在我的機器上工作”的困境，并不斷嘗試解決它。

為什么它可以在我的機器上運行（來源：Softnautics）

使用 Docker，所有這些都可以變得更容易和更快。容器化可以幫助您節(jié)省大量更新文檔的時間，并使您的程序的開發(fā)和部署從長遠來看更加順利。即使通過提取多個與平臺無關(guān)的圖像，我們也可以使用 docker 容器為多個 AI 模型提供服務(wù)。

完全在 Linux 平臺上編寫的應(yīng)用程序可以使用 docker 在 Windows 平臺上運行，它可以安裝在 Windows 工作站上，使跨平臺的代碼部署變得更加容易。

點擊查看完整大小的圖片

使用 docker 容器部署代碼（來源：Softnautics）

容器與虛擬機上 AI 模型的性能

已經(jīng)進行了許多實驗來比較 Docker 與市場上用于 AI 部署的各種虛擬機的性能：下表可以大致了解影響 AI 模型部署的 VM 和 Docker 容器的性能和差異。

表 1：虛擬機與容器（來源：Softnautics）

從所有比較實驗的結(jié)論中得出的廣泛結(jié)論如下：

容器的開銷比虛擬機低，性能與非虛擬化版本一樣好。

在高性能計算 (HPC) 中，容器的性能優(yōu)于基于管理程序的虛擬化。

深度學習計算工作負載主要卸載到 GPU，從而導致資源爭用，這對于眾多容器來說很嚴重，但由于出色的資源隔離，在虛擬機中這種情況很少。

服務(wù)大型 AI 模型通常通過 REST API 容器完成。

多模型服務(wù)主要使用容器完成，因為它們可以使用更少的資源輕松擴展。

現(xiàn)在，讓我們通過Kennedy Chengeta在他最近的研究中收集的以下實驗結(jié)果來總結(jié)容器對任何 VM 的優(yōu)勢。基于 Prosper Lending 和 Lending Club 數(shù)據(jù)集的深度學習數(shù)據(jù)集進行分類，下表比較了 4 種不同的虛擬化技術(shù)（KVM、Xen、Docker、Docker + Kubernetes）的啟動時間、網(wǎng)絡(luò)延遲、數(shù)據(jù)下載和網(wǎng)絡(luò)延遲. KVM（基于內(nèi)核的 VM）是表中其他的基準值。

表 2：Lending Club 數(shù)據(jù)集表現(xiàn)（越低越好）（來源：Softnautics）

表 3：Prosper 數(shù)據(jù)集（越低越好）（來源：Softnautics）

如您所見，Docker 和由 Kubernetes 管理的 Docker 的性能優(yōu)于 KVM 和 Xen Hypervisors。

大型 AI 模型是否對容器部署構(gòu)成挑戰(zhàn)？

由于開發(fā)人員將使用容器進行訓練和推斷他們的 AI 模型，因此對兩者來說最關(guān)鍵的將是內(nèi)存占用。隨著 AI 架構(gòu)變得越來越大，在它們上訓練的模型也變得越來越大，從 100 MB 到 2 GB。由于容器被認為是輕量級的，因此此類模型變得笨重而無法裝在容器中攜帶。開發(fā)人員使用模型壓縮技術(shù)使它們具有互操作性和輕量級。模型量化是最流行的壓縮技術(shù)，您可以通過將模型的內(nèi)存占用從 float32 集更改為 float16 或 int8 集來減小模型的大小。領(lǐng)先平臺提供的大多數(shù)預(yù)訓練即用型 AI 模型都是容器中的量化模型。

結(jié)論

總而言之，將整個 AI 應(yīng)用程序開發(fā)到部署管道轉(zhuǎn)換為容器的好處如下：

針對不同版本的框架、操作系統(tǒng)和邊緣設(shè)備/平臺，為每個 AI 模型提供單獨的容器。

每個 AI 模型都有一個容器，用于自定義部署。例如：一個容器對開發(fā)人員友好，而另一個容器對用戶友好且無需編碼即可使用。

每個 AI 模型的單獨容器，用于 AI 項目中的不同版本或環(huán)境（開發(fā)團隊、QA 團隊、UAT（用戶驗收測試）等）

容器應(yīng)用程序真正更有效地加速了 AI 應(yīng)用程序開發(fā)-部署管道，并有助于維護和管理用于多種用途的多個模型。

審核編輯 黃昊宇