基于Spark和BigDL的深度学习技术的案例解析

本文主要分享英特尔和京东在基于Spark和BigDL的深度学习技术在搭建大规模图片特征提取框架上的实战经验。

背景

图像特征提取被广泛地应用于相似图片检索，去重等。在使用BigDL框架（下文即将提到）之前，我们尝试过在多机多GPU卡、GPU集群上分别开发并部署特征抽取应用。但以上框架均存在比较明显的缺点：

在GPU集群中，以GPU卡为单位的资源分配策略非常复杂，资源分配容易出问题，如剩余显存不够而导致OOM和应用崩溃。

在单机情况下，相对集群方式，需要开发者手动做数据分片、负载和容错。

GPU模式的应用以Caffe为例有很多依赖，包括CUDA等等，增加了部署和维护的难度，如碰到不同操作系统版本和GCC版本有问题时，都需要重新编译打包。

以上问题使得基于GPU的前向程序从架构上面临诸多技术应用挑战。

再来看看场景本身。因为很多图片的背景复杂，主体物体占比通常较小，所以为了减少背景对特征提取准确性的干扰，需要将主体从图片中分离出来。自然地，图片特征提取的框架分为两步，先用目标检测算法检测出目标，然后用特征提取算法提取目标特征。在这里，我们采用SSD[1] (Single shot multibox detector) 进行目标检测，并用DeepBit[2]网络进行特征提取。

京东内部有海量的（数亿张以上）商品图片存在于主流的分布式的开源数据库里。因此如何高效地在大规模分布式环境下进行数据检索和处理，是图片特征提取流水线一个很关键的问题。现有的基于GPU的方案在解决上述场景的需求中面临着另外一些挑战：

数据下载耗费很长的时间，基于GPU的方案不能很好地对其进行优化。

针对分布式的开源数据库中的图片数据，GPU方案的前期数据处理过程很复杂，没有一个成熟的软件框架用于资源管理，分布式数据处理和容错性管理等。

因为GPU软件和硬件框架的限制，扩展GPU方案去处理大规模图片有很大的挑战性。

BigDL集成方案

在生产环境中，利用现有的软件和硬件设施，将大幅提高生产效率（如减少新产品的研发时间），同时降低成本。基于在这个案例中，数据存储在大数据集群中主流的分布式开源数据库上，如果深度学习应用能利用已有的大数据集群（如Hadoop或Spark集群）进行计算，便可非常容易地解决上述的挑战。

Intel开源的BigDL项目[3]，是在Spark上的一个分布式深度学习框架，提供了全面的深度学习算法支持。BigDL借助Spark平台的分布式扩展性，可以方便地扩展到上百或上千个节点。同时BigDL利用了Intel MKL数学计算库以及并行计算等技术，在Intel Xeon服务器上可以达到很高的性能（计算能力可取得媲美主流GPU的性能）。

在我们的场景中，BigDL为支持各种模型（检测，分类）进行定制开发；模型从原来只适用于特定 环境移植到了支持通用模型（Caffe，Torch，Tensorflow）BigDL大数据环境 ；整个pipeline全流程获得了优化提速。

通过BigDL在spark环境进行特征提取的流水线如Figure 1所示 ：

使用Spark从分布式开源数据库中读入上亿张原始图片，构建成RDD

使用Spark预处理图片，包括调整大小，减去均值，将数据组成Batch

使用BigDL加载SSD模型，通过Spark对图片进行大规模、分布式的目标检测，得到一系列的检测坐标和对应的分数

保留分数最高的检测结果作为主题目标，并根据检测坐标对原始图片进行裁剪得到目标图片

对目标图片RDD进行预处理，包括调整大小，组成Batch

使用BigDL加载DeepBit模型，通过Spark对检测到的目标图片进行分布式特征提取，得到对应的特征

将检测结果(提取的目标特征RDD)存储在HDFS上

 

整个数据分析流水线，包括数据读取，数据分区，预处理，预测和结果的存储，都能很方便地通过BigDL在Spark中实现。在现有的大数据集群（Hadoop/Spark）上，用户不需要修改任何集群配置，即可使用BigDL运行深度学习应用。并且，BigDL利用Spark平台的高扩展性，可以很容易地扩展到大量的节点和任务上，因此极大地加快数据分析流程。

除了分布式深度学习的支持，BigDL也提供了很多易用的工具，如图片预处理库，模型加载工具（包括加载第三方深度学习框架的模型）等，更方便用户搭建整个流水线。

图片预处理

BigDL提供了基于OpenCV[5]的图像预处理库[4], 支持各种常见的图像转换和图像增强的功能，用户可以很容易地使用这些基本功能搭建图像预处理的流水线。此外，用户也可以调用该库所提供的OpenCV操作自定义图像转换的功能。