云之变6：让AI无处不在的云端训练师( 九 )_随着《云之变》系列走向尾声

1.计算性能的持续升级。算力，是云端训练的基础保障，这里涉及两个基本命题，一是绝对规模，也就是硬件化计算能力，在训练时，数据会被分派给众多训练机器，再通过反馈及标志变量重新组合在一起，从而创建完整的训练模型，对GPU驱动、底层库之间的兼容性等硬件提出了不少挑战。第二需要考虑的则是精度，通过网络优化和超参组合，云平台可以利用少量数据就达到出色的训练效果和高性能的模型，这对于一些中小微开发者来说有着化不可能为可能的现实意义。

2.友好模式的开发态。简单来说，就是降低开发者的训练成本、学习门槛。一种方式是提供简单易上手的开发工具和交互界面。举个例子，神经网络训练的数据集往往达到1PB的数据量，即使用1G带宽的网络来传输也需要耗费将近4个月，黄花菜都要凉了，对此一些云巨头借助新的传输工具，如谷歌的Transfer Appliance ，就能在25 小时内将 1PB 的数据装入数据中心。还有一些自动化、可视化的任务管理工具，能够大大解放开发者的重复劳动，比如训练任务一站式托管，可以自动跟踪任务的训练状态，提供输出日志功能，开发者只需实时监控就可以了；