深度学习框架 SINGA 升级为 Apache 顶级项目

Apache 软件基金会 （ASF） 最近宣布 ，分布式深度学习框架 SINGA 升级为顶级项目（TLP，top-level project）。这表明了 SINGA 项目所达到的成熟度和稳定性。SINGA 已经得到了银行、医疗健康等多行业中企业的应用。

SINGA 最早由 新加坡国立大学 研究人员开发，并于 2015 年三月 进入 ASF 孵化器。SINGA 提供了一种在机器集群中分布式训练深度学习模型的计算框架，降低了模型训练所需的时间。SINGA 不仅仅是一种学术研究平台，而且已在花旗集团、 世邦魏理仕 等多家企业得到了商业应用，并在健康医疗行业得到多处应用，例如 为糖尿病前期患者提供帮助的应用 。

深度学习模型所取得的成功，是由大规模数据集的使用所驱动的。例如包括成千上万图像的 ImageNet 、具有上百万参数的复杂模型等。 谷歌的自然语言模型 BERT 具有近 3 亿个参数，是在近 30 亿个单词上训练得到的。但是，完成这种训练通常需要数个小时， 甚至数天时间 。为加速训练过程，研究人员引入了并行处理技术，将计算任务分布到计算集群的多台设备上。SINGA 研究团队负责人 黄铭钧教授 指出：

深度学习必须扩展到分布式计算，因为…深度学习模型通常规模巨大，并需要在大型数据集上训练。如果使用单个 GPU，通常需要数百天时间。

分布式深度学习有两种并行策略。一种是数据并行，即多台机器分别处理不同的输入数据子集；另一种是模型并行，即多台机器分别训练神经网络模型的不同部分。SINGA 同时支持上述两种策略，也支持两种策略的组合使用。为协调集群机器间的工作，并行策略将引入额外的通信和同步开销。SINGA 实现了多种优化技术，力图降低上述开销。

SINGA 升级为 TLP 项目，表明该项目已经通过了包括软件质量和社区等在内的 多个里程碑 。理论上看，成为TLP 项目将会得到更多解决方案的考虑。但采纳该软件的一个可能障碍，就是SINGA 设计人员选择了实现自身的API，并未基于Kera 等现有API 去建模神经网络。与之不同，Uber 开源的 Horovod 计算框架 支持开发人员导出现有模型到 目前广为使用的两个深度学习框架 ，即 TensorFlow 和 PyTorch 。尤其是 PyTorch，近期得到 大量研究论文 采用。

ASF 还支持了多个顶级分布式机器学习数据处理项目，例如 Spark 和 Ignite 。SINGA 的独特之处在于，它是专门针对大规模神经学习模型而设计的。同时，ASF 也是另一个深度学习框架 MXNet 的孵化器。和 TensorFlow 和 PyTorch 一样，MXNet 依然在孵化器阶段。尽管 AWS 在 2016 下半年就内定其深度学习框架为 MXNet ，但是 MXNet 依然并未得到广泛使用。据 KDNugget 调查 显示，MXNet 的使用率仅在 不高于 2% 左右波动 。

Apache SINGA 2.0 版 于 2019 年四月发布， 源代码 及 SINGA Jira 项目 的可追踪问题列表提供在 GitHub 上。据 ASF 介绍，SINGA 即将推出的特性包括“实现 5G 边缘设备上深度学习的 SINGA-lite，以及易于非深度 AI 背景领域专家开展 AI 计算的 SINGA-easy”。

原文链接：

Deep-Learning Framework SINGA Graduates to Top-Level Apache Project