任何深度學習都是從數據開始。這是非常關鍵的一點。沒有數據，我們就無法訓練模型，也無法評估模型質量，更無法做出預測。因此，數據源非常重要。在做研究、構建新的神經網絡架構，以及做實驗時，我們習慣使用最簡單的本地數據源，通常是不同格式的文件。這種方法確實非常有效。但在某種情況下，我們需要更加接近生產環境。這時，簡化和加速生產數據饋送，以及能夠處理大數據就變得非常重要。這也正是 Apache Ignite 大展身手的時候。

Apache Ignite是以內存為中心的分布式數據庫，也是事務性、分析性和流式工作負載的緩存和處理平臺，可以實現 PB 級的內存速度。借助 Apache Ignite 和 TensorFlow 之間的現有集成，您可以將 Apache Ignite 用作神經網絡訓練和推理的數據源，也可以將其用作分布式訓練的檢查點存儲空間和集群管理器。

分布式內存數據源

作為以內存為中心的分布式數據庫，Apache Ignite可以提供快速數據訪問。讓您能夠擺脫硬盤限制，在分布式集群中存儲和處理您需要的所有數據。您可以通過使用 Ignite Dataset 來利用 Apache Ignite 的這些優勢。

請注意，Apache Ignite 不只是數據庫或數據倉庫與 TensorFlow 之間 ETL 管道的一個步驟，它還是一個HTAP（混合事務 / 分析處理）系統。通過選擇 Apache Ignite 和 TensorFlow，您會獲得一個用于事務和分析處理的單一系統，同時還可以使用操作和歷史數據進行神經網絡訓練和推理。

以下基準測試結果表明，Apache Ignite 非常適合用于單節點數據存儲用例。如果存儲空間和客戶端位于同一節點，則通過使用 Apache Ignite，您可以實現每秒超過 850 MB 的吞吐量。如果存儲空間位于與客戶端相關的遠程節點，則吞吐量約為每秒 800 MB。

當存在一個本地 Apache Ignite 節點時 Ignite Dataset 的吞吐量。執行該基準測試時使用的是 2 個 Xeon E5–2609 v4 1.7GHz 處理器，配備 16Gb 內存和每秒 10 Gb 的網絡（1MB 的行和 20MB 的頁面大小）

另一個基準測試表明 Ignite Dataset 如何與分布式 Apache Ignite 集群協作。這是 Apache Ignite 作為 HTAP 系統的默認用例，它使您能夠在每秒 10 Gb 的網絡集群上為單個客戶端實現每秒超過 1 GB 的讀取吞吐量。

分布式 Apache Ignite 集群具備不同數量的節點（從 1 到 9）時 Ignite Dataset 的吞吐量。執行該基準測試時使用的是 2 個 Xeon E5–2609 v4 1.7GHz 處理器，配備 16Gb 內存和每秒 10 Gb 的網絡（1MB 的行和 20MB 的頁面大小）

測試后的用例如下：Apache Ignite 緩存（以及第一組測試中數量不同的分區和第二組測試中的 2048 個分區）由 10000 個大小為 1MB 的行填充，然后 TensorFlow 客戶端使用 Ignite Dataset 讀取所有數據。所有節點均以 2 個 Xeon E5–2609 v4 1.7GHz 處理器表示，配備 16Gb 內存和每秒 10Gb 的網絡連接。每個節點使用默認 配置運行 Apache Ignite。

注：配置 鏈接

https://github.com/apache/ignite/blob/master/examples/config/example-default.xml

您可以很輕松地將 Apache Ignite 同時用作帶有結構化查詢語言 (SQL) 界面的傳統數據庫和 TensorFlow 數據源。

apache-ignite/bin/ignite.shapache-ignite/bin/sqlline.sh -u "jdbc:ignite:thin://localhost:10800/"

CREATE TABLE KITTEN_CACHE (ID LONG PRIMARY KEY, NAME VARCHAR);INSERT INTO KITTEN_CACHE VALUES (1, 'WARM KITTY');INSERT INTO KITTEN_CACHE VALUES (2, 'SOFT KITTY');INSERT INTO KITTEN_CACHE VALUES (3, 'LITTLE BALL OF FUR');

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasettf.enable_eager_execution()dataset = IgniteDataset(cache_name="SQL_PUBLIC_KITTEN_CACHE")for element in dataset: print(element)

{'key': 1, 'val': {'NAME': b'WARM KITTY'}}{'key': 2, 'val': {'NAME': b'SOFT KITTY'}}{'key': 3, 'val': {'NAME': b'LITTLE BALL OF FUR'}}

結構化對象

使用Apache Ignite，您可以存儲任何類型的對象。這些對象可以具備任何層次結構。Ignite Dataset 能夠處理此類對象。

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasettf.enable_eager_execution()dataset = IgniteDataset(cache_name="IMAGES")for element in dataset.take(1): print(element)

{ 'key': 'kitten.png', 'val': { 'metadata': { 'file_name': b'kitten.png', 'label': b'little ball of fur', width: 800, height: 600 }, 'pixels': [0, 0, 0, 0, ..., 0] }}

如果您使用 Ignite Dataset，則神經網絡訓練和其他計算所需的轉換都可以作為tf.data管道的一部分來完成。

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasettf.enable_eager_execution()dataset = IgniteDataset(cache_name="IMAGES").map(lambda obj: obj['val']['pixels'])for element in dataset: print(element)

[0, 0, 0, 0, ..., 0]

分布式訓練

作為機器學習框架，TensorFlow 可以為分布式神經網絡訓練、推理及其他計算提供原生支持。分布式神經網絡訓練的主要理念是能夠在每個數據分區（根據水平分區）上計算損失函數的梯度（例如，誤差的平方），然后對梯度求和，以得出整個數據集的損失函數梯度。借助這種能力，我們可以在數據存儲位置的節點上計算梯度，減少梯度，最后更新模型參數。這樣，您就無需在節點間傳輸數據，從而避免了網絡瓶頸。

Apache Ignite 在分布式集群中使用水平分區存儲數據。在創建 Apache Ignite 緩存（或基于 SQL 的表格）時，我們可以指定將要在此對數據進行分區的分區數量。例如，如果一個 Apache Ignite 集群由 100 臺機器組成，我們創建了一個有 1000 個分區的緩存，則每臺機器將要維護 10 個數據分區。

Ignite Dataset 允許使用分布式神經網絡訓練（使用 TensorFlow）和 Apache Ignite 分區的這兩個方面。Ignite Dataset 是一個可以在遠程工作器上執行的計算圖操作。遠程工作器可以通過為工作器進程（例如 IGNITE_DATASET_HOST、IGNITE_DATASET_PORT 或 IGNITE_DATASET_PART）設置相應的環境變量來替換 Ignite Dataset 的參數（例如主機、端口或分區）。使用這種替換方法，我們可以為每個工作器分配一個特定分區，這樣一個工作器處理一個分區，同時可以與單個數據集透明協作。

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasetdataset = IgniteDataset("IMAGES")# Compute gradients locally on every worker node.gradients = []for i in range(5): with tf.device("/job:WORKER/task:%d" % i): device_iterator = tf.compat.v1.data.make_one_shot_iterator(dataset) device_next_obj = device_iterator.get_next() gradient = compute_gradient(device_next_obj) gradients.append(gradient)# Aggregate them on master node.result_gradient = tf.reduce_sum(gradients)with tf.Session("grpc://localhost:10000") as sess: print(sess.run(result_gradient))

借助 Apache Ignite，您還可以使用 TensorFlow 高級Estimator API來進行分布式訓練。此功能以所謂的 TensorFlow 分布式訓練的 獨立客戶端模式 為基礎，Apache Ignite 在其中發揮數據源和集群管理器的作用。與此相關的內容，我們將在下一篇文章中全面介紹。

注：獨立客戶端模式 鏈接

https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/distribute#standalone-client-mode

檢查點存儲

除數據庫功能外，Apache Ignite 還有一個名為IGFS的分布式文件系統。IGFS 可以提供與 Hadoop HDFS 類似的功能，但僅限于內部存儲。事實上，除自有 API 外，IGFS 還采用了 Hadoop FileSystem API，并且可以透明地插接到 Hadoop 或 Spark 部署中。Apache Ignite 上的 TensorFlow 支持 IGFS 與 TensorFlow 集成。該集成基于 TensorFlow 端的 自定義文件系統插件 和 Apache Ignite 端的IGFS Native API。它有許多用例，例如：

可以將狀態檢查點保存到 IGFS 中，以獲得可靠性和容錯性

訓練過程可以通過將事件文件寫入 TensorBoard 監視的目錄來與 TensorBoard 通信。即使 TensorBoard 在不同的進程或機器中運行，IGFS 也允許進行此通信

注：自定義文件系統插件 鏈接

https://www.tensorflow.org/guide/extend/filesystem

IGFS Native API 鏈接

https://ignite.apache.org/features/igfs.html

此功能于 TensorFlow 1.13 中發布，并將在 TensorFlow 2.0 中作為tensorflow/io的一部分發布。

注：tensorflow/io 鏈接

https://github.com/tensorflow/io

SSL 連接

通過 Apache Ignite，您可以使用SSL和身份驗證來保護數據傳送渠道。Ignite Dataset 支持具備和不具備身份驗證的 SSL 連接。如需更多信息，請參閱Apache Ignite SSL/TLS文檔（https://apacheignite.readme.io/docs/ssltls）。

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasettf.enable_eager_execution()dataset = IgniteDataset(cache_name="IMAGES", certfile="client.pem", cert_password="password", username="ignite", password="ignite")

Windows 支持

Ignite Dataset 完全兼容 Windows 系統。您可以在 Windows 工作站和 Linux/MacOS 系統上將其用作 TensorFlow 的一部分。

試用

以下示例將幫助您輕松開始使用此模塊。

Ignite Dataset

要試用 Ignite Dataset，最簡單的方法是使用 Apache Ignite 和加載好的MNIST數據運行Docker容器，然后使用 Ignite Dataset 與其交互。您可以在 Docker Hub：dmitrievanthony/ignite-with-mnist上找到此容器。您需要在機器上啟動此容器：

docker run -it -p 10800:10800 dmitrievanthony/ignite-with-mnist

注：MNIST 鏈接

http://yann.lecun.com/exdb/mnist/

dmitrievanthony/ignite-with-mnist 鏈接

https://hub.docker.com/r/dmitrievanthony/ignite-with-mnist/

然后您可以按照以下方法使用它：

IGFS

TensorFlow 的 IGFS 支持功能于 TensorFlow 1.13 中發布，并將在 TensorFlow 2.0 中作為tensorflow/io的一部分發布。如要通過 TensorFlow 試用 IGFS，最簡單的方法是使用 Apache Ignite 和 IGFS 來運行Docker容器，然后使用 TensorFlowtf.gfile與其交互。您可以在 Docker Hub：dmitrievanthony/ignite-with-igfs上找到此容器。您可以在自己的機器上運行此容器：

docker run -it -p 10500:10500 dmitrievanthony/ignite-with-igfs

然后您可以按照以下方法使用它：

import tensorflow as tfimport tensorflow.contrib.ignite.python.ops.igfs_opswith tf.gfile.Open("igfs:///hello.txt", mode='w') as w: w.write("Hello, world!")with tf.gfile.Open("igfs:///hello.txt", mode='r') as r: print(r.read())

Hello, world!

限制

目前，Ignite Dataset 需要假設緩存中的所有對象都具有相同的結構（同類型對象），并且緩存中至少包含一個檢索架構所需的對象。另一個限制與結構化對象有關，Ignite Dataset 不支持通用唯一識別碼 (UUID)、地圖和可能是對象結構組成部分的對象數組。所有這些限制都是進一步開發的主題。

即將發布的 TensorFlow 2.0

TensorFlow 2.0 中即將發布的新變更會將此功能分離到tensorflow/io模塊。之后，您將可以更加靈活地使用此功能。這些示例將略有改動，我們的文檔和示例也會反映這一點。