【高校实训】面向高校CS专业的AI训练实训平台

AI实训平台为人工智能专业提供了一站式的教学场景，涵盖了数据处理、算法开发、模型训练、算力管理和推理应用等各个流程的技术难点。

在教学场景中，我们提供了一系列平台及工具，包括一站式算法开发平台、高性能分布式深度学习框架、先进算法模型库、视觉模型炼知平台、数据可视化分析平台等。

通过这些平台和工具，学生可以在模型高效分布式训练、数据处理和可视分析、模型炼知和轻量化等方面进行学习和实践。

这样的教学场景使得学生能够全面掌握人工智能领域的关键技术，为未来的实践和研究奠定坚实基础。

一站式平台业务流程

1. 数据管理
◦ 数据源：支持多种数据源，包括图像、视频、文本、语音、表格、大数据等。
◦ 数据集：提供数据集管理功能，包括校验、清洗、增强、标注等操作。
◦ 挂载镜像：支持挂载镜像，方便访问和处理数据。

2. 算法开发
◦ 深度学习框架：提供深度学习框架，支持多框架兼容，如PyTorch等。
◦ 在线IDE和远程终端：提供在线IDE和远程终端，方便学生进行算法开发和调试。

3. 教学流程
◦ 教师创建项目：
▪ 教师可以创建项目，指定任务和学生分组。
▪ 分配任务给学生，并设置截止日期和重要程度。
◦ 任务跟进：
▪ 教师可以随时查看项目进展情况，监督学生任务完成情况。
▪ 可以实时跟踪学生的工作进度和问题解决情况。
◦ 问题解决：
▪ 学生在遇到问题时，可以在平台上提出问题，并与教师和同学进行讨论和解决。
▪ 教师可以及时回答学生的问题，提供指导和帮助，确保项目顺利进行。

4. 模型训练
◦ 训练集群：提供训练集群，支持高效的模型训练。

◦ 可视化分析：提供可视化分析工具，方便学生分析模型训练过程和结果。

5. 模型管理
◦ 模型炼知：提供模型炼知功能，支持模型的优化和仓库管理。
◦ 模型发布：支持模型发布，方便学生将训练好的模型部署到线上环境。

6. 部署推理
◦ 在线推理：支持端侧推理和在线推理，方便将模型部署到不同环境进行推理。
◦ 模型部署：提供模型部署工具，支持挂载镜像，简化部署过程。

产品架构

核心特性
1. 项目案例库:
◦ 提供丰富的 AI 项目案例，涵盖不同领域和难度等级，例如图像识别、自然语言处理、推荐系统
等。
◦ 案例应包含详细的项目描述、代码实现、数据集、实验结果等，方便学生学习和参考。
◦ 支持学生上传自己的项目案例，促进交流和分享。

2. 在线编程环境:
◦ 提供在线 Jupyter Notebook 或 Web IDE 环境，方便学生直接在平台上进行编程实验。
◦ 预装常用的 Python 库和深度学习框架，例如 TensorFlow、PyTorch 等，简化环境配置。
◦ 支持多人协作编程，方便团队项目开发。

3. 数据集管理:
◦ 提供数据集搜索和下载功能，方便学生获取实验所需的数据集。
◦ 支持学生上传自己的数据集，并进行标注和管理。
◦ 提供数据预处理和增强工具，例如数据清洗、格式转换、数据增强等。

4. 模型训练和评估:
◦ 提供可视化界面，方便学生进行模型训练和参数调整。
◦ 支持多种评估指标，例如准确率、召回率、F1 值等，帮助学生评估模型性能。
◦ 提供模型可视化工具，例如 TensorBoard，帮助学生理解模型结构和训练过程。

5. 模型部署和应用:
◦ 提供模型部署工具，支持将训练好的模型部署到云端或边缘设备。
◦ 提供 API 接口，方便学生将模型集成到自己的应用中。
◦ 支持模型监控和管理，例如性能监控、版本管理等。

配置要求
① 硬件要求：
建议服务器至少配备64GB内存。32GB内存可以让所有服务（包括4个中间件服务、19个JAVA服务和
K8s集群默认服务）运行起来，但会剩余较少内存供算法运行，因此建议使用64GB服务器起步。

② 部署环境配置：
服务器需要支持k8s，并具备自己的GPU训练生态。确保具备以下条件：
• 适配的显卡驱动
• 适配的docker虚拟化
• k8s适配的插件

③ 存在的问题：
• 没有显卡时，个别服务无法启动（如数据处理算法、model-measuring）。
• 在没有GPU的情况下运行算法时，除了示例demo外，暂未提供其他算法。需要自行构建。