LinkedIn 开源 TonY：在 Hadoop 上运行 TensorFlow 的框架

LinkedIn公司近日向开源社区捐赠了另一个内部创建的软件项目。

现在隶属微软的这家公司在贡献开源软件方面有着悠久的历史，包括像Apache Kafka及其最新的Dynamometer工具这些热门项目。它的最新项目名为“TensorFlow on YARN”（简称“TonY”），旨在帮助将开源TensorFlow机器学习框架与存储在Apache Hadoop中的数据连接起来。

TensorFlow是谷歌在2015年发布的一个开源软件库，它让开发人员更容易设计、构建和训练深度学习模型。它之所以是最受欢迎的机器学习框架之一，是由于它可以训练和运行面向手写数字分类、图像识别和单词嵌入的深度神经网络、递归神经网络以及序列到序列模型，用于机器翻译和自然语言处理等其他任务。

Hadoop是一种分布式处理软件框架，可以为“大数据”应用管理数据处理和存储。它是一个不断发展壮大的生态系统的核心，该生态系统涵盖的大数据技术主要用于支持高级分析项目，包括预测分析、数据挖掘和机器学习等应用。

LinkedIn的软件工程师Jonathan Hung在博文中表示，该公司构建TonY的初衷是，它越来越依赖深度神经网络来支持其网站上的一些功能，包括新闻源（news feed）和智能回复。

LinkedIn面临的问题是，许多这些功能是使用TensorFlow构建的，而TensorFlow缺少连接Hadoop集群的一种可靠方式，以便使用该数据来训练算法。

Hung说：“我们的Hadoop集群上存储了可用于深度学习的数百PB的数据，因此我们需要一种易于扩展的方式来处理所有这些信息。”

TensorFlow已经在支持“分布式训练”，这种技术对于处理庞大数据集（如存储在Hadoop中的数据集）非常有用。Hung解释，但是LinkedIn面临的主要问题是，这个过程需要手动编排，这“不是一件易事”，也不是大多数数据科学家有能力做的事。

于是Hung及其团队着手开发TonY，以便自动化处理这项任务。Hung表示，该软件的工作方式类似MapReduce支持在Hadoop上运行Apache Pig或Apache Hive脚本，可处理“资源协商和容器环境设置”之类的任务。

TonY架构图

TonY提供了许多功能，有助于改进神经网络的分布式训练工作，包括GPU调度以更好地管理资源、支持TensorBoard因而更容易调试和优化TensorFlow程序以及更好的容错能力，那样一旦出现任何问题，用户可以从之前保存的检查点恢复训练状态。

Constellation研究公司的分析师霍尔格•穆勒（Holger Mueller）表示，TonY堪称开源贡献的一个典范，因为它解决了将TensorFlow连接到Hadoop这个关键问题，同时表明了为什么其他开源项目不太合适。

穆勒说：“LinkedIn给了TonY一个很好的使用场景，并让人相信这是一个切实可行、得到支持的开源项目。它对于希望使用TensorFlow为下一代应用软件提供支持的企业高管们来说很重要，因为数据已经在Hadoop中。它将Hadoop中的“数字化排放”（digital exhaust）与最流行的深度学习神经网络之一结合起来。”

企业高管们考虑的另一个方面是，TonY由现在是微软旗下的LinkedIn开发，所以他们大可放心：从长远来看TonY会继续得到支持。

穆勒补充道：“这给了许多企业莫大的信心，即万一遇到重大情况，它们能有某种依赖。”

LinkedIn表示开源TonY，是为了让有兴趣在Hadoop上运行分布式机器学习的其他人可以使用该项目，并做出贡献。今天开始TonY可从GitHub下载。