4月24日，浙江大學召開OpenKS(知目)知識計算引擎開源項目發(fā)布會，宣布浙大與合作單位研發(fā)的OpenKS知識計算引擎取得重大進展。中國工程院院士、國家新一代人工智能戰(zhàn)略咨詢委員會組長、浙江大學計算機學院教授潘云鶴說，本次發(fā)布的OpenKS，作為知識計算引擎項目中的基礎軟件架構，定義并豐富了知識計算的內(nèi)涵，是我國在大數(shù)據(jù)人工智能方向的又一次有益嘗試。

　　“可泛化的領域知識學習與計算引擎”是以莊越挺教授作為首席科學家的科技創(chuàng)新2030“新一代人工智能”首批重大項目，該項目由浙江大學牽頭，聯(lián)合北京大學、北京航空航天大學、哈爾濱工業(yè)大學、西北工業(yè)大學、之江實驗室等頂尖學術機構、百度等行業(yè)領軍企業(yè)聯(lián)合建設，旨在建立一整套可服務于知識密集型行業(yè)共性需求的知識計算工具、算法與系統(tǒng)，幫助這些行業(yè)快速地構建行業(yè)知識圖譜，提供行業(yè)相關的智能規(guī)劃與決策支持。經(jīng)過各課題組的深入研究和課題間的緊密協(xié)作，共同研發(fā)了可用于支撐各行業(yè)知識服務系統(tǒng)構建的OpenKS知識計算引擎算法庫。

　　OpenKS基于百度飛槳，可實現(xiàn)模型的大規(guī)模分布式訓練與圖計算，解決了從數(shù)據(jù)到知識，從知識到?jīng)Q策中的三大問題。OpenKS集成大量算法和解決方案，提供了一系列知識學習與計算的多層級接口標準，可供各機構研發(fā)人員以統(tǒng)一的形式進行算法模型研究成果的封裝、集成與服務，并通過開源機制支持企業(yè)和社區(qū)開發(fā)者根據(jù)不同的場景需求對接口服務進行調用和進一步開發(fā)。各行各業(yè)可以選擇引擎中的算法，快速地搭建行業(yè)系統(tǒng)應用，以應對多變的決策需求。當行業(yè)與需求發(fā)生變化，系統(tǒng)能夠及時地提供算力、算法支撐，以縮短行業(yè)智能化改造的時間。

　　以工程科技教育行業(yè)為例，目前我國存在很大的工程人才缺口，然而工程科技門類眾多、知識體系繁復、知識點之間關聯(lián)復雜、教材層次各異導致自學門檻較高。不僅如此，學生背景各異、學習目的各異，也導致統(tǒng)一培訓效率較低。OpenKS知識計算引擎包含的知識抽取算法API、知識表征學習API、分布式知識計算API、知識圖譜應用API等可為工程科教行業(yè)構建知識圖譜，并基于圖譜為不同學生設計個性化教育路線，滿足差異化學習的需要。

　　深度學習框架助力OpenKS智能化加速

　　知識圖譜技術的研發(fā)應用需要海量數(shù)據(jù)、龐大算力以及復雜的模型算法，而構建知識圖譜底層平臺所需的技術要求高、周期長、投入大、收益慢?；谏疃葘W習框架開展人工智能科學實驗或產(chǎn)品研發(fā)，則可以避免在知識圖譜系統(tǒng)搭建中重復造輪子。

　　百度飛槳自2016年開源，是我國首個自主研發(fā)、功能完備、開源開放的產(chǎn)業(yè)級深度學習平臺?；诎俣蕊w槳平臺，OpenKS可實現(xiàn)模型的大規(guī)模分布式訓練與圖計算，解決了從數(shù)據(jù)到知識，從知識到?jīng)Q策中的三大問題。

　　飛槳助力OpenKS實現(xiàn)模型大規(guī)模分布式訓練

　　面對超大規(guī)模知識圖譜訓練，隨著圖譜規(guī)模增大，數(shù)據(jù)量增多，對訓練框架要求越來越高。針對分布式知識計算，OpenKS系統(tǒng)采用飛槳超大規(guī)模深度學習模型訓練技術，支持百億圖譜分布式存儲和檢索，還支持百節(jié)點數(shù)據(jù)并行訓練萬億稀疏參數(shù)，進而學習大規(guī)模的知識圖譜。

　　針對知識圖譜應用，如知識問答，模型比較復雜，OpenKS采用飛槳集合通信多機多卡訓練;知識推薦任務，訓練數(shù)據(jù)比較大，稀疏特征比較多，OpenKS除了采用飛槳萬億稀疏參數(shù)服務器外，隨著模型越來越復雜，還引入純GPU參數(shù)服務器來提升稀疏模型的計算性能，把100臺CPU機器才能訓練的模型只用1臺多卡GPU設備即可完成訓練，不僅節(jié)約了成本，還保障了集群的穩(wěn)定性和擴展性。同時，在知識圖譜應用場景里，如知識圖譜問答和推薦，飛槳不僅提供了相應的算法，還針對推薦場景提供了工業(yè)級數(shù)據(jù)處理和萬億稀疏模型訓練能力。

　　考慮到在純GPU的參數(shù)服務器下，當模型網(wǎng)絡層比較復雜時，GPU利用率很難被打滿，飛槳框架2.0版又創(chuàng)新性地推出了業(yè)內(nèi)首個通用異構參數(shù)服務器功能，可以同時使用不同的硬件進行混合異構訓練，兼容了多款CPU、AI專用芯片(如百度昆侖XPU)、GPU(如V100、P40、K40)，讓用戶可以在硬件異構集群中部署分布式訓練任務，實現(xiàn)對不同算力芯片高效利用，為用戶提供更高吞吐、更低資源消耗的訓練能力。

　　對于大規(guī)模稠密參數(shù)模型，飛槳分布式訓練技術同樣與業(yè)務緊密結合，通過模型并行策略、分組參數(shù)切片組合、流水線并行策略和數(shù)據(jù)并行策略的多層疊加，發(fā)揮合力作用，誕生了業(yè)內(nèi)第一個4D混合并行策略。通過測試驗證，如此創(chuàng)新性提出的4D混合并行策略的訓練速度的確高于3D混合并行策略，進一步優(yōu)化訓練性能和顯存占比，再次走到了技術的前沿。

　　飛槳PGL助力OpenKS實現(xiàn)圖計算

　　針對圖學習算法通用性與性能兼顧的挑戰(zhàn)，OpenKS以飛槳圖學習PGL作為知識表示學習以及知識存儲的重要模塊之一。在知識圖譜表征學習中，需要在線高性能圖引擎查詢，因此會面對大規(guī)模異構關系存儲以及在線高性能查詢問題，OpenKS采用PGL的大規(guī)模分布式異構圖引擎來進行知識表征學習的在線服務，來支撐日益增長的知識關系。

　　此外，高效的圖神經(jīng)網(wǎng)絡算法，也是知識圖譜先進性的保證，PGL是業(yè)界首個提出通用消息并行傳遞機制的圖神經(jīng)網(wǎng)絡框架，原生支持異構圖消息傳遞聚合等多種功能，并內(nèi)置多種高效圖神經(jīng)網(wǎng)絡模型。因此，OpenKS項目中集成了PGL的GCN、TransE、TransR等多種圖表征學習算法，并且同時采用了PGL的高效消息傳遞接口作為圖神經(jīng)網(wǎng)絡的編程接口之一。

　　百度飛槳深度學習平臺于2019年開源的分布式圖學習框架PGL，是業(yè)界首個提出通用消息并行傳遞機制，支持百億規(guī)模巨圖的工業(yè)級圖學習框架。原生支持圖學習中較為獨特的分布式圖存儲(Distributed Graph Storage)和分布式采樣(Distributed Sampling)，可以方便地通過上層Python接口，將圖的特征(如Side Feature等)存儲在不同的Server上，也支持通用的分布式采樣接口，將不同子圖的采樣分布式處理，并基于PaddlePaddle Fleet API來完成分布式訓練(Distributed Training)，實現(xiàn)在大規(guī)模圖學習分布式的上加速計算。

　　PGL基于飛槳動態(tài)圖全新升級，極大提升了易用性，原生支持異構圖，覆蓋30+圖學習模型，包括圖語義理解模型ERNIESage等，歷經(jīng)大量真實工業(yè)應用驗證，可全流程服務產(chǎn)業(yè)應用項目，為開發(fā)者提供充分的實踐案例投射進行技術選型。另外，基于飛槳深度學習框架的分布式Fleet API，建立分布式圖存儲及分布式學習算法，可實現(xiàn)靈活、高效地搭建前沿的大規(guī)模圖學習算法。

　　展望

　　未來，在充滿了機遇與挑戰(zhàn)的大時代背景中，飛槳將持續(xù)在技術上不斷創(chuàng)新進步，探索分布式訓練技術等的邊界，擴展AI賦能的領域，與開發(fā)者共同成長進步，為產(chǎn)學研智能化進程貢獻著自己的力量。

　　參考鏈接

　　OpenKS項目地址：https://github.com/ZJU-OpenKS/OpenKS

　　如果您想詳細了解更多飛槳的相關內(nèi)容，請參閱以下文檔。

　　飛槳官網(wǎng)地址：https://www.paddlepaddle.org.cn/

　　飛槳開源框架項目地址：

　　GitHub: https://github.com/PaddlePaddle/Paddle

　　Gitee: https://gitee.com/paddlepaddle/Paddle

特別提醒：本網(wǎng)信息來自于互聯(lián)網(wǎng)，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實，對本文以及其中全部或者部分內(nèi)容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內(nèi)容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網(wǎng)有任何內(nèi)容侵犯您的權益，請及時聯(lián)系我們，本站將會在24小時內(nèi)處理完畢。