聊聊GPU虚拟化应用

作者：阿飞 2019-01-09 13:20:28

云计算

虚拟化 CPU我们知道，它的全称是中央处理器，是一台计算机的控制核心和计算核心。它的主要功能在于逻辑控制和任务调度。因此GPU较之于CPU，CPU更像是一个公司的CEO，掌管的整个公司的运营和战略，统筹整个公司的工作。而GPU则是某个部门的得力干将，能力强，迅速并超额完成公司交于的任务。

提起NVIDIA，你多半会想起显卡，像我一般年纪的人，对显卡的理解就是游戏加速。上大学时玩实况足球，有个GeForce显卡是一件很幸福的事情，比起主板上集成的显卡，它的存在能够让我们游戏中的草皮更加翠绿，脚下足球更加的行云流水，那时候的实况足球可以实现足球经理人的任何梦想，钞票能买到任何想要的球员。门将圣卡西，后卫由左至右分别是马尔蒂尼、内斯塔、特里、萨内蒂;中场维埃拉、法布雷加斯、小罗;前锋则是梅西、亨利、罗纳尔多;阵容够炫吧!

[[255178]]

随着人工智能的火爆发展，显卡不再是游戏的代名词了，而被冠上了“机器学习心脏”这个高大上的名字。而nvida公司则凭借视觉计算领域的绝对王者地位，3年时间市值***翻了6倍之多。我刚入职人工智能领域时，不理解为什么显卡会成为“深度学习”的依赖，相信很多人也跟我有一样的困惑;简单来说，GPU主要侧重于计算能力，它由数千个更小、但更高效的Cores组成，通过并行计算的方式，处理多重且复杂的任务。

[[255179]]

CPU我们知道，它的全称是中央处理器，是一台计算机的控制核心和计算核心。它的主要功能在于逻辑控制和任务调度。因此GPU较之于CPU，CPU更像是一个公司的CEO，掌管的整个公司的运营和战略，统筹整个公司的工作。而GPU则是某个部门的得力干将，能力强，迅速并超额完成公司交于的任务。

深度学习是模拟人脑的神经系统组成，通过设定一些规则和数学网络模型而发展起来的一门学科，目的是为了让计算机能够像人脑一样去思考，去认识和理解这个世界。由于计算机本身没有思维能力，因此需要大量的数据去训练它，因此，它对电脑处理器的要求就必须具备高效的并行计算能力，这一点对于以串行为主、核心数基本在2位数的CPU而言是不具备的。因此，GPU凭借其千级核心，高效运算的特点，成为了深度学习、模型训练的最理想选择。

我所在公司也在涉及人工智能领域，GPU显卡的数目也有了一定规模，如Tesla的M40、P40、P100等显卡都有所应用，当前这些显卡主要用于算法与Demo的训练。我们通过Docker虚拟化形式实现对GPU资源的分发利用。

首先在搭载有GPU的宿主机上安装CUDA架构环境，进入CUDA Tookit Download官网，现在对应的版本。安装完成后，还需要安装 出DNN，这个是专门对深度学习框架设计的一套GPU加速方案，支持Caffe和TensorFlow等框架。

基础环境安装完毕后，即可以利用nvidia提供的nvidia-docker进行GPU的Docker虚拟化了。官方提供了这些包的安装源列表，安装起来还是比较简单的，安装完毕后，可以通过

docker run –runtime=nvidia –rm nvidia/cuda nvidia-smi

查看docker GPU容器的运行情况。

***可以通过 learningtensorflow.com 官方提供的基于TensorFlow的基准测试脚本，进行GPU与CPU的对比测试，可以发现，GPU在并行运算上，性能要由于CPU很多的。

如上图所示，以上基于Docker虚拟化GPU的方案，从本质上说，GPU资源被打包在一个workspace(即Container)中，workspace运行在宿主机上。这种虚拟化方案虽然能够解决独立训练的问题，但同时也存在一些单点和依赖性问题。首先Workspace的运行依赖于宿主机的运行情况，宿主机从本质上讲是一个孤岛;其次，Docker Container的正常运行，也决定了Workspace的生存情况;第三，由于Container是根据Docker命令生成的，在弹性扩容上，存在一定的限制。

面对以上问题，我们考虑，是否能够采用另外一种虚拟化方案，让GPU也向云端靠拢?云计算的发展，使得应用场景发展至异构计算体系架构，随着机器学习、深度学习的发展，对GPU、FPGA等专业计算芯片也提出了虚拟化的需求。最早可以追溯到2013年，NVIDA发布了GRID K1产品，标志着GPU虚拟化的成熟运用。“A Full GPU Virtualization Solution with Mediated Pass-Through”，及分片虚拟化的vGPU技术，Nvidia对于分片虚拟化社区的推动起了至关重要的角色，并在自己的GRID一系列产品线中，不断地发展和更新着vGPU技术。

虚拟化技术的最终目标，就是努力提供与工作人员在物理机上使用时一样的体验。 NVIDIA GRID®VirtualPC(GRID vPC)和GRID®

虚拟应用程序(GRID vApp)可为每个用户改进虚拟桌面和应用程序，并在NVIDIA®Tesla®GPU上构建经过验证的性能，实现卓越的生产力，安全性和IT可管理性。 虚拟化软件划分了Tesla GPU资源，因此GPU可以在运行任何应用程序的多个虚拟机之间共享。目前GRID各release版本对GPU的虚拟化支持如下：

基本上能够支持市场上主流的Tesla GPU型号。

以下分享一个本田集团利用GRID对GPU的应用案例

通过GRID管理平台，Honda IT部门通过调度物理GPU M60，根据用户需要并提供适当数量的vGPU，并能够通过单个Dashboard管理vGPU，从而确保每个用户都有足够的运算性能完成所处理的任务，如此做到了更高级别的弹性扩容。如同云存储、云计算资源类似，GPU也实现了按需分配。

人工智能是第四次工业革命的***技术，大数据和基于GPU的深度训练是人工智能发展的关键所在，无论之于国家还是企业，都应该通过技术创新，在这一次全世界范围内的浪潮中开启属于自己的一片天地。

https://v.youku.com/v_show/id_XNjY3MTY4NjAw.html

一个很经典的视频，对比了GPU和CPU在图形运算处理上的差别。