[发明专利]一种人脸识别深度学习训练平台的优化方法及系统

说明书

本发明公开了一种人脸识别深度学习训练平台的优化方法，其特征在于，包括以下步骤：运行预定人脸识别模型；测试CPU的使用情况；测试磁盘数据的读写情况和IOPS情况；测试GPU显存带宽使用率和GPU显存核心使用率；测试根据运行的GPU卡的数量抓取的GPU使用情况；根据全部所述测试的测试结果，对预定平台的配置、部件参数及其部件连接关系进行优化。本发明还公开了一种深度学习训练平台的优化系统。本发明解决了现有技术中单纯依靠堆积硬件并且在通用服务器上一味改变配置而导致的性价比低，浪费成本限制性能提升等问题，最终节约了成本、有效提高了训练速度、训练稳定性以及生产效率。

技术领域

本发明深度学习领域，更具体地，特别是指一种人脸识别深度学习训练平台的优化方法及系统。

背景技术

20世纪50年代“人工智能(AI,Artificial Intelligence)”第一次出现在人们的视野中，中间经历了多次高潮和低谷。其中，影响人工智能发展的一个重要因素是计算平台的性能，随着计算数据的不断增加和网络算法复杂度的不断提高，计算平台的性能决定着技术是否可以实用并投产。现阶段随着CPU+GPU、CPU+FPGA、TPU等计算设备性能的不断提升，人工智能技术成果及相关产业迎来了爆发式增长。

目前，人工智能渗透到各行各业，在金融、安防等行业出现了大量基于深度学习的人工智能应用，其中研究应用广泛的是人脸识别深度学习应用。人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流。首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。深度学习算法的发展使人脸识别技术在行业内掀起研究热潮，众多厂商纷纷推出了相关产品，如针对公安行业的人脸大数据作战平台、人脸识别闸机、安防人脸布控系统等。这一轮的人工智能人脸识别技术得益于数据、计算力和算法的共同助力才得以快速发展。但是，随着数据规模不断增大，算法复杂度不断提高，对平台计算能力的要求日益苛刻；如目前研究火热的3D人脸识别技术、人脸活体识别技术，其要求的数据量规模巨大、算法更加复杂，如何搭建深度学习训练平台提高计算能力、计算效率成为保证技术发展、技术进步的关键因素。

目前人脸识别深度学习训练平台，普遍采用的是通用服务器搭配计算设备，在模型简单计算相对容易的初期阶段，可以满足模型训练的需求；但是随着深度学习模型的出现，模型复杂度提升，通用服务器已经不能满足训练需要，很多解决方案只靠单纯堆积中央处理器(CPU)、内存、图像处理单元(GPU,Graphics Processing Unit)等硬件来提升性能，但结果往往是花费较多代价，带来的提升却很有限。

服务器性能的提升是一个系统的、各部件耦合的过程，尤其针对人脸识别这样特定的应用，必须深入分析应用特点才能有针对性的对平台进行性能优化。目前，对于人脸识别线下训练平台大部分的性能提升方法是花费大量金钱去堆积硬件，在通用服务器上一味改变配置达不到很好的性价比收益。如果按照此方式去优化平台，不仅会浪费大量的成本，还有可能使性能不升反降。

现有技术中尚未披露一种过调整搭配方案提高人脸识别线下训练应用的性能，并且通过对人脸识别应用特点进行分析得到平台优化的方法和步骤，最终形成一套基本的硬件搭配方案。

发明内容

有鉴于此，本发明的目的在于提出一种人脸识别深度学习训练平台的优化方法及系统，通过对预定平台的配置、部件参数及其部件连接关系进行优化，从而节约成本、有效提高了训练速度、生产效率。

基于上述目的，本发明实施例的一方面，提供了一种人脸识别深度学习训练平台的优化方法，包括以下步骤：

运行预定人脸识别模型；

测试CPU的使用情况；

测试磁盘数据的读写情况和IOPS情况；