СРАВНИТЕЛЬНЫЙ АНАЛИЗ ОБЛАЧНЫХ СЕРВИСОВ ДЛЯ ОБУЧЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 373.51

СРАВНИТЕЛЬНЫЙ АНАЛИЗ ОБЛАЧНЫХ СЕРВИСОВ ДЛЯ ОБУЧЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

И. Р. Идиатулин, Ю. В. Фаут Научный руководитель - С. А. Шикунов

Красноярский государственный педагогический университет им. В.П. Астафьева Российская Федерация, 660060, г. Красноярск, ул. Ады Лебедевой, 89 E-mail: dar.290199@mail.ru

ИНС - являются важной составляющей ракетно-космический инфраструктуры, принимающей участие в моделировании и конструировании летательных аппаратов. Образовательный процесс, касающийся обучения ИНС, нуждается в качественном техническом сопровождении, что не всегда возможно в современных реалиях. В данной статье рассматриваются облачные сервисы, предназначенные для обучения искусственных нейронных сетей в специфике образовательного процесса.

Ключевые слова: искусственные нейронные сети, машинное обучение, облачные технологии, GPU, TPU, образовательный процесс.

REVIEW ANALYSIS OF THE WORLD FOR LEARNING ARTIFICIAL NEURAL

NETWORKS

I. R. Idiatulin, J. V. Faut Scientific supervisor - S. A. Shikunov

Krasnoyarsk State Pedagogical University named for. V.P. Astafyev 89, Ady Lebedevoy st., Krasnoyarsk, 660060, Russian Federation E-mail: dar.290199@mail.ru

ANN is an important component of the rocket and space infrastructure involved in the modeling and design of aircraft. The educational process relating to ins training needs quality technical support, which is not always possible in today's realities. This article looks at cloud services designed to train artificial neural networks in the specifics of the educational process.

Keywords: artificial neural networks, machine learning, cloud technology, GPU, TPU, educational process.

Машинное обучение (от англ. «Machine Learning», ML) - одно из перспективных направлений современной IT-инженерии. Искусственные нейронные сети (ИНС), как одни из самых популярных классов алгоритмов ML, позволяют облегчить процессы работы с большими объемами данных, однако само обучение ИНС назвать простым не приходится. Явный дефицит программистов в данной сфере привел к тому, что многие учебные заведение вводят образовательные программы по ML-направлению. Обучение ИНС включает в себя проведение большого количества вычислительных процессов, а значит, подразумевает оснащенность учреждения высокопроизводительной техникой, что не всегда является возможным. Использование облачных GPU для машинного обучения — один из лучших способов выполнения высокопроизводительных вычислений в образовательном

Секция «Математические методы моделирования, управления и анализа данных»

процесса, так как отпадает необходимость приобретать дорогостоящую аппаратуру и ПО, нанимать специалистов для обслуживания.

Облачный сервер (VPS/VDS) - виртуальный выделенный сервер, по сути, эмуляция физического сервера на стороннем устройстве, доступ к которому осуществляется через интернет. Использование облачных вычислений для глубокого обучения позволяет обучающим алгоритмам с легкостью обрабатывать большие наборы данных и управлять ими. Кроме того, это повышает эффективность масштабирования моделей глубокого обучения и снижает затраты за счет использования вычислительных ресурсов графических процессоров. Технологии глубокого обучения в облаке при использовании распределенных сетей позволяют ускорить проектирование и разработку приложений, а также обучение работе с ними.

На 2020 год сервисов, предоставляющих возможность обучения ИНС в «облаке» более тридцати, притом их список постоянно пополняется. Проведем сравнительный анализ некоторых из них.

Amazon SageMaker (SM) - облачный сервис создания и поддержки ИНС. Amazon SM состоит из трех основных компонентов:

1) Поддержка командной оболочки для интерактивных вычислений Jupyter notebook.

2) Размещение модели с конечными точками HTTP, позволяющее получать результаты в режиме реального времени. Задействованные здесь механизмы поддерживают трафик и позволяют проводить тестирование одновременно на нескольких моделях. Эти конечные точки также могут быть созданы с помощью встроенных инструментов или из пользовательских образов контейнеров Docker.

3) Обучение модели: сервис для распределенных построения, обучения и валидации модели. SM позволяет как пользоваться общими контролируемыми и неконтролируемыми алгоритмами и фреймворками обучения, так и создавать собственные с помощью контейнеров Docker. Обучение может расширяться на десятки экземпляров для поддержки ускоренного построения моделей.

Amazon SM предоставляет обширный круг возможностей для обучения ИНС, но не является полностью бесплатным. Amazon предоставляет пользователям пробный период SageMaker на первые два месяца. В течение этого времени (каждый месяц) в распоряжении педагога есть 50 часов на обучение ИНС. Из-за этого построение образовательного процесса с помощью данного сервиса не является целесообразным, т.к. тарифы на обучение опираются на коммерческое использований крупными IT-компаниями. По этой же причине не рассматривается облачный сервис Azure от компании Microsoft. Учитывая то, что сравнительный анализ проводится в специфике образовательного процесса, далее, предлагается остановится на бесплатны сервисах обучения ИНС.

Google Cloud ML - набор облачных служб от компании Google, доступ к которым является условно бесплатным. Это значит, что безвозмездное пользование сервисом налагается рядом ограничений, к слову, не препятствующих прохождению образовательного процесса. Например, отсутствуют возможность подключения к облачному серверу по ssh. Поэтому, доступ к администрированию ИНС осуществляется через Google Shell, оснащенным Debian ОС. Cloud ML позволяет:

1) разворачивать код в облаке на машине с предустановленными TensorFlow, Keras и другими необходимыми фреймворками;

2) выполнять сборку и запуск кода;

3) размещать модель ИНС на хранение (Google Storage);

4) использовать обученную модель для прогнозирования на будущих данных.

Google Cloud ML предоставляет весь необходимый функционал для обучения ИНС, но для достаточно сложных моделей он мало подходит из-за низких технических характеристик. Необходимо найти бесплатный облачный сервис, при этом, представляющей максимальный функционал.

Google Colaboratory (Google Colab) — облачный сервис, созданный в 2018 году на основе IPython, направленный на упрощение исследований в области машинного и глубокого обучения. В связи с этим является полностью бесплатным. Сервис предоставляет доступ к тензорным процессорам — это специализированная интегральная схема (ASIC), разработанная Google для задач машинного обучения с использованием библиотеки TensorFlow. В связи с этим в Colab предустановлена Tensorflow и практически все необходимые для работы Python-библиотеки (Keras, Sklearn, Pandas и т.п.). Если какой-то библиотеки или модуля нет, ее можно установить с помощью pip и apt-get. Говорить о преимуществе использования TPU в обучении ИНС не приходится: 180 TFlops производительности и 64 ГБ (Colab предоставляет TPU второго поколения, а не третьего) покрывают образовательный процесс целиком.

В связи с тем, что данный сервис является бесплатным — доступ к нему осуществляется только на 12 часов. Но особенность IPython, в качестве основы Colab позволяет запускать Jupyter Notebook. После остановки одной виртуальной машины можно запустить следующую и так далее. Однако, по окончанию доступа все данные с машины стираются. Следует предусмотреть это факт при работе с системой, используя git и т.п. Отметим, что и использование GPU и TPU по умолчанию не работают. Данная возможность предоставляется путем настройки конкретного «ноутбука» при работе с ним.

Google Colaboratory может являться решением проблемы низкой производительности при обучении ИНС в образовательном процессе. Главными ее преимуществами является бесплатное распространение, возможность использования TPU и GPU, установка сторонних библиотек, большое количество русскоязычной документации, создание Jupyter Notebook

Подводя итог вышесказанному, стоит отметить, что данный список облачных сервисов не является полным. Обильное множество сервисов, предоставляющих пользование облачными технологиям, обеспечивают вариативность построения образовательного процесса. В частности, можно использовать комбинацию сервисов, в зависимости от целей и задач преподавания.

Библиографические ссылки

1. Слепухин А. В., Стариченко Б. Е. Моделирование компонентов информационной образовательной среды на основе облачных сервисов //Педагогическое образование в России. - 2014. - №. 8.

2. Коваленко О. С., Курейчик В. М. Обзор проблем и состояний облачных вычислений и сервисов //Известия Южного федерального университета. Технические науки. - 2012. -Т. 132. - №. 7.

3. Хайкин С. Нейронные сети: полный курс, 2-е издание. - Издательский дом Вильяме, 2008.

© Идиатулин И. Р., Фаут Ю. В., 2020