对于工作，有一个合适的工具当然好；但是把一个工具应用于多个工作且效用更佳，这更好。这就是为什么通用的基于 X86 的计算接管数据中心的原因之一。通过受限范围或者只是把原来有的应用程序单独放在替换平台上，规模经济获得了出乎意料的效率。
十多年前，把计算任务从 CPU 卸载到 GPU 加速器的想法从学术界脱颖而出，并且相对更快的高性能计算社区和 GPU 制造商英伟达扩展了现有的 Fortran 和通常用于 CPU 并行超级计算机的 C++ 框架，这样可以大大拓展计算容量，所得到的系统也会有更好效果。不久之后，有可能使用相同的机械来进行模拟和模型所需的计算，也可以进行渲染来可视化这些模拟和模型的结果。正如我们所知，超级计算机进化的下一步是在机器学习中编排（weave）以分析模拟和模型的结果，并据此做预测。因此一个应用程序将有三个不同、相互交织的层，且全部运行在相同的加速单元上。
数据库和分析领域也进行着一场类似的革命，它由 GPU 驱动，某些情况下也会用到 FPGA 加速器。在 GPU 采用传统的高性能计算方法的几年之后，谷歌、Facebook、百度等巨头公司的主导研究者发现了一个运行神经网络软件的方法，该方法在上世纪 80 年代已被提出，用于解决 GPU 加速系统中大量并行样式的图像识别问题，；该方法最终创造出了可在图像分任务中优于人类的软件。在过去的五年中，机器学习框架中的最先进技术获得了极速发展，图像识别技术也被用于文本、语音、视频识别及翻译服务，而翻译不仅仅限于语言之间，还包括从语音到文本的转换，或者图像、视频到文本的转换，且这些转换的精确度相当惊人。
结果就是，在 HPC 驱动以及机器学习的爆发之下，英伟达 2008 年成立的 Tesla GPU 早期计算业务如今规模扩大了 4 倍，并在今年 2 月英伟达 2017 财年第 4 季度的最后达到了 12 亿美元的年销售额（annual run rate）。英伟达的业务是如此之好以至于其竞争对手 AMD 最终一起推出了 Radeon Instinct GPU 计算平台和 ROCm 软件平台，它们不仅支持 OpenCL 卸载到 Radeon GPU，还具备在 AMD 自身的 Radeon motor 上为其 GPU 仿真英伟达 CUDA 并行编程环境的能力。
而现在，另一个应用正在成为 GPU 上的加速工作负载，它是关系型数据库（relational database），且处在大多数业务系统的核心，具有像 HPC 模拟、建模与机器学习这样的规模问题，这种问题可通过 GPU 的并行特性及其非常高的内存带宽而解决。我们已经记录了 GPU 加速数据库两大主要供应商——Kinetica（以前被称为 GPUdb）和其新兴挑战者 MapD——的兴起，但这一领域还有其他供应商，比如 Sqream、BlazingDB、Blazegraph 和 PG-Strom。并不清楚数据库加速是否会一直像传统 HPC 模拟、建模或者机器学习那样驱动同样的 GPU 单元。后两者几乎带动了英伟达 Tesla GPU 计算收入的一半。但这也有机会成为该业务的另一个重要部分，尤其是在这样的系统上：既可以使用标准 SQL 查询方法咀嚼大型数据集，也可以在同一个单元上可视化这些查询的结果。
本周，英伟达在圣荷西举行的 GTC 大会之前，我们与 MapD 和 Kinetica 谈到了把新兴 GPU 数据库与企业环境中的机器学习框架进行混合的可能性，这两个工作负载不仅共享同样的 GPU 单元，而且还像 HPC 空间中的模拟、可视化和机器学习所做的那样相互反哺。
MapD 创始人 Todd Mostak 告诉 The Next Platform 说，「这将是一个大趋势。如果我们有数据库、可视化和 GPU 机器学习，为什么不使它们一起工作？人们一直希望在 MapD 之上运行 TensorFlow，或者甚至在数据上运行回归以连接点，而无须离开 GPU 生态系统。现在，人们正在使用 Spark，它是好的，因为它连接到了 Hadoop；但是要使用这些公司使用的数据集来获得任何一种性能，他们必须大规模地进行扩展，然后将结果从集群中的 CPU 移到 GPU。但是如果你把一切保留在 GPU 之中，并从 GPU 生态系统的不同部分传递结果，这将是一个巨大的胜利。」
在 GPU 加速的数据库与依赖 GPU 来显著提升性能的机器学习框架之间的搭配中，还有一个问题仍待解决，即数据如何存储在机器的集群中。你是否在一个 CPU-GPU 集群中有一个用于运行数据库的分区，还有另一个分区用来运行 TensorFlow、Torch、Caffe、Theano 和 CNTK 这样的机器学习框架？还是说你实际上想将机器学习算法所用的数据就存在 GPU 数据库中？
Mostak 说，一种方法是使用 GPU 数据库作为记录（record）的存储位置，而且即使数据在该数据库中不是以张量格式存储的，该数据库也可以进行调整使其输出那种格式并将其传递给 TensorFlow 这样的框架。然后人们可以使用简单的老式 SQL 来查询该数据库以获得数据的一个子集，然后将其放入到机器学习框架中。
他补充说：「我们一直都会看到这种情况。公司需要将数据的子集放进它们的训练算法中，而且需要做得非常快。」另一种方法实际上是将本地的机器学习格式放进数据库本身，因为它们确实期望有结构化的数据，而不只是点击流和图像数据的 core dump 或任何对象存储（object store）中东西。Mostak 解释说，张量基本上就是一个向量，以类似于纵列数据库格式的方式表示，所以这里已经有非常好的适配了。
这些天来，GPU 数据库制造商 Kinetica 的 CEO 兼联合创始人 Amit Vij 也在思考人工智能（AI）和商业智能（BI）的交汇。他认同公司正部署以训练机器学习模型的严重依赖 GPU 的系统与 Kinetica 等公司开发的 GPU 加速的数据库具有完全一样的架构。超大规模用户（hyperscalers）已经在从消费者角度来对待这一问题了，它们正在努力分类我们的猫片和家庭视频；但 Kinetica（之前名为 GIS Federal）具有更加严肃的背景。
「因为有军方孵化的背景，所以我们已经将机器学习和图像识别技术用于无人机追踪的实体上，提取特征后返回基地以识别（车辆和其他内容）。」Vij 说，「我们已经有了一个 GPU 加速和分布式数据库，可以将人工智能和 BI 集成在一个平台上。」
你可以在同一个 GPU 集簇上运行 Kinetica 和框架，比如 TensorFlow、Caffe 或 Torch，不过为了方便工作量管理，最好分区运行数据库和机器学习工作负载（这和 MapD 上面所谈到的不一样，你要试着在 GPU 内存上保存所有的东西，从那里读取内容）。区分开人工智能和 BI 工作负载后，就能避免系统超负荷运行，两个不同的工作负载也不会相互负面影响。
Kinetica 也有一个容器环境，每种工作负载可分别向上向下扩展到集群上，以动态虚拟方式并肩运行。Kinetica 可以在内存中（或者 CPU 或者 GPU）存储几十亿行数据，还有用户定义功能，可以用存储在大型数据库的表格中的数据训练 TensorFlow 以及其他机器学习框架。比如，金融服务公司可以存储几个月甚至几年的股票行情数据，根据各种与股票价格相关的既定外部条件，预测分析股票价格（这也是 Kinetica 部署使用案例之一）。
总的说来，那些正在将数据库和机器学习工作负载混搭起来的早期用户，他们用于机器学习的机器比用于数据库处理的机器还要多。典型的 Kinetica 集群部署为 40 到 60 个节点，盒子里有很多 GPU，可以形成相当好的集群来运行机器学习算法。特别是用 MPI 协议延展的机器学习框架，就像俄亥俄州大学研究人员采用的方法那样，或者其他人使用的办法，比如 Facebook 处理已经开源的 Caffe2 框架的方法。虽然公司可以在云端部署 Kinetica，但是，我们更倾向于在这一前提下进行部署：金融服务、军方、制造管理方面的数据敏感性是给定的。而且鉴于这一既定事实：取决于 GPU 加速数据库的应用通常都是关键任务，不能降速，用户通常会部署双活高可用性集群。
为了让人工智能和 BI 集成更加容易，Vij 说 Kinetica「深度对齐」TensorFlow 框架，在 Kinetica 数据库框架中，张量被作为首先考虑的因素并以数据格式存储下来。这个任务并不困难。最初的 GPUdb 数据库就是当时所谓的 GIS 联盟创造的——现在，公司和产品都叫 Kinetica——一开始被作为地理时空引擎，然后它又用 JSON 来表征一个点、线或者多边形，对于一个 GPU 数据库来说，有一个朴素的目标最合适不过了，因为它正在矩阵上运行。
Vij 说，「我把这看作一个方案想法，其中所有的东西像一个苹果产品，通过单一技术进行封装，最终为终端用户轻松部署。并且不仅我们强化技术，用户也会。数据库管理者、机器学习专家和数据科学家不必熟练掌握 5 到 10 种不同的技术；他们也不必亲自使用开源框架，况且这些框架多是批量导向。我们由于所有这些堆栈而成为了分布式 GPU 管道，且开发者将我们用作数据库平台，而无须把数据从一项技术移动到另一个。」
没有人具备时间、金钱或者意向来完成所有的数据移动。因此，关于数据库和机器学习的融合平台将是一个很好的案例。大多数公司不满于为甲骨文数据库及其扩展或者等价的 IBM 和微软数据库服务支付高额费用；但现在，这已成为过去。
原文链接：https://www.nextplatform.com/2017/05/08/crunching-machine-learning-databases-together-gpus/
点击阅读原文，报名参与机器之心 GMIS 2017 ↓↓↓
