丹摩 | 手把手教你创建自己的丹摩云实例

七夜zippoe

4人浏览 · 2024-11-26 12:48:24

七夜zippoe · 2024-11-26 12:48:24 发布

丹摩简介

开始之前，我们首先简单的了解下“丹摩”。

丹摩，准确的说叫DAMODEL（丹摩智算），它是一款由宁夏西云算力科技有限公司（专注于为人工智能大模型及应用开发者提供计算、存储、数据、模型、安全等产品的算力云服务提供商）推出的一款先进的人工智能模型，专注于提供高效的数据分析和预测能力。它通过深度学习和机器学习技术，帮助用户从海量数据中提取有价值的信息，从而做出更明智的决策。

DAMODEL（丹摩智算）是专为 AI 打造的智算云，致力于提供丰富的算力资源与基础设施助力 AI 应用的开发、训练、部署。

对比同类产品的总结

优点

高效数据处理：DAMODEL能够快速处理大规模数据，提高分析效率。 实现方法：
- 分布式计算：利用分布式计算架构，能够处理大规模数据集，分解计算任务，提高计算效率
- 数据预处理：采用高效的数据清洗和转换技术，确保输入数据的质量，为后续分析打好基础。
- 并行处理：通过并行计算，多个处理器同时工作，显著提高数据处理速度。
精准预测：利用先进的算法，DAMODEL能够提供高精度的预测结果。 实现方法：
- 机器学习：使用回归、分类等机器学习算法进行预测，根据历史数据训练模型，不断优化预测结果。
- 深度学习：采用神经网络等深度学习算法，处理复杂的非线性关系，提升预测精度。
- 实时数据分析：结合实时数据流，动态更新预测模型，提高预测的准确性和时效性。
易于使用：友好的用户界面和简单的操作使得非技术人员也能轻松上手。 实现方法：
- 可视化界面：提供直观的可视化操作界面，用户可以通过拖拽组件轻松完成分析流程。
- 自动化流程：预设常用的分析模板和自动化流程，简化操作步骤，减少用户学习成本。
- 详细文档和支持：提供详细的用户手册和技术支持，帮助用户快速解决问题。
多功能性：适用于各种行业，包括金融、医疗、零售等。 实现方法：
- 模块化设计：根据不同行业需求设计不同功能模块，满足各行业特定的分析需求。
- API接口：提供丰富的API接口，支持与其他系统的集成，扩展DAMODEL的应用场景。
- 行业解决方案：根据行业特点，提供针对性的解决方案，帮助企业提升业务效率。

缺点

成本较高：相比一些开源工具，DAMODEL的成本可能较高。
学习曲线：尽管用户界面友好，但初学者可能需要一些时间来掌握所有功能。
依赖外部数据：模型的准确性高度依赖于输入数据的质量和完整性。

用途

DAMODEL广泛应用于各个领域，包括但不限于：

金融行业

风险管理：通过对历史数据的分析，预测金融市场的风险，帮助金融机构做出合理的风险管理决策。
市场预测：分析市场趋势和投资机会，帮助投资者做出明智的投资决策。
投资分析：通过大数据分析，发现潜在的投资机会，提高投资回报率。

医疗健康

疾病预测：分析患者的健康数据，预测疾病的发生，提供早期预警和干预措施。
患者管理：通过对患者数据的分析，提供个性化的健康管理方案，提高医疗服务质量。
医疗成本控制：分析医疗资源的使用情况，优化医疗资源配置，降低医疗成本。

零售业

客户行为分析：通过对客户购物数据的分析，了解客户需求和偏好，提升客户满意度。
库存管理：预测库存需求，优化库存配置，减少库存成本。
市场趋势预测：分析市场趋势和竞争情况，帮助企业制定市场策略，提高市场竞争力。

创建云实例

1.首先登录丹摩智算平台官网，进入如下界面：

2.点击上图的“立即注册”进入平台注册页面：

输入符合要求的用户名（已经存在的用户名，系统自动检测提示）和密码，输入自己的手机号码，点击“获取验证码”，填写收到的验证码，提交即可。

3.点击“已有账号！去登录”返回到登录页面如下：

4.输入账号和密码或者手机号和实时验证码登录平台，成功后进入如下界面：

登录后点击右上角圆形头像展示个人平台基本信息包括用户名和平台id。新用户注册后可以看到代金券金额显示80.00(这是新用户注册赠送的代金券，可用来体验平台的产品，包括云实例)。

5.点击“控制台”进入到如下界面开始创建实例

注意，创建实例前先进行实名认证，我的已经认证过，步骤比较简单，一般选择个人认证即可，未认证点击“创建云实例”会提示先去进行认证。

6.点击“GPU云实例”菜单进入如下界面：

开始之前，先阅读下下面的选择指南

GPU 选型
        平台分配GPU、CPU、内存的机制为：按购买的GPU数量成比例分配CPU和内存，GPU云容器显示的CPU和内存均为每GPU分配的CPU和内存，如果租用两块GPU，那么CPU和内存就x2。此外GPU非共享，每个实例都是独占GPU资源。

选择CPU
        CPU非常重要！尽管CPU并不直接参与深度学习模型计算，但CPU需要提供大于模型训练吞吐的数据处理能力。
        我们通常为每块GPU分配固定数量的CPU逻辑核心。理想情况下，模型计算吞吐随GPU数量线性增长，单GPU的合理CPU逻辑核心数分配可以直接线性扩展到多GPU上。Damodel平台的算力实例提供了多种CPU分配规格。每块GPU应配备至少4~8核心的CPU，以满足多线程的异步数据读取。分配更多的核心通常不会再有很大的收益，此时的数据读取瓶颈通常源于Python的多进程切换与数据通信开销（如使用PyTorch DataLoader)。
        服务器的CPU一般不如桌面CPU的主频高，但是核心数量多。因此您从以前使用桌面CPU切换到服务器CPU上后，需要充分利用多核心的性能，否则无法发挥服务器CPU的性能。

选择GPU
        目前平台上提供的4种规格的GPU型号，后续会陆续推出其它型号的GPU供客户选择。

GPU的数量选择与训练任务有关。一般我们认为模型的一次训练应当在24小时内完成，这样隔天就能训练改进之后的模型。以下是选择多GPU的一些建议：

        1块GPU。适合一些数据集较小的训练任务，如Pascal VOC等。
        2块GPU。同单块GPU，但是你可以一次跑两组参数或者把Batchsize扩大。
        4块GPU。适合一些中等数据集的训练任务，如MS COCO等。
        8块GPU。经典永流传的配置！适合各种训练任务，也非常方便复现论文结果。

选择内存
        内存在充足的情况下一般不影响性能，但是由于实例相比本地电脑对内存的使用有更严格的上限限制（本地电脑内存不足会使用硬盘虚拟内存，影响是速度下降），比如租用的实例分配的内存是64GB，程序在训练时最后将要使用64GB，此时超过限制的这一时刻进程会被系统Kill导致程序中断，因此如果对内存的容量要求大，请选择分配内存更多的主机或者租用多GPU实例。如果不确定内存的使用，那么可以在实例监控中观察内存使用情况。