解析京东大数据下高效图像特征提取方案

本文主要分享英特尔和京东在基于Spark和BigDL的深度学习技术在搭建大规模图片特征提取框架上的实战经验。

背景

图像特征提取被广泛地应用于相似图片检索，去重等。在使用BigDL框架（下文即将提到）之前，我们尝试过在多机多GPU卡、GPU集群上分别开发并部署特征抽取应用。但以上框架均存在比较明显的缺点：

• 在GPU集群中，以GPU卡为单位的资源分配策略非常复杂，资源分配容易出问题，如剩余显存不够而导致OOM和应用崩溃。
• 在单机情况下，相对集群方式，需要开发者手动做数据分片、负载和容错。
• GPU模式的应用以Caffe为例有很多依赖，包括CUDA等等，增加了部署和维护的难度，如碰到不同操作系统版本和GCC版本有问题时，都需要重新编译打包。

以上问题使得基于GPU的前向程序从架构上面临诸多技术应用挑战。

再来看看场景本身。因为很多图片的背景复杂，主体物体占比通常较小，所以为了减少背景对特征提取准确性的干扰，需要将主体从图片中分离出来。自然地，图片特征提取的框架分为两步，先用目标检测算法检测出目标，然后用特征提取算法提取目标特征。在这里，我们采用SSD[1] (Single shot multibox detector) 进行目标检测，并用DeepBit[2]网络进行特征提取。

京东内部有海量的（数亿张以上）商品图片存在于主流的分布式的开源数据库里。因此如何高效地在大规模分布式环境下进行数据检索和处理，是图片特征提取流水线一个很关键的问题。现有的基于GPU的方案在解决上述场景的需求中面临着另外一些挑战：

• 数据下载耗费很长的时间，基于GPU的方案不能很好地对其进行优化。
• 针对分布式的开源数据库中的图片数据，GPU方案的前期数据处理过程很复杂，没有一个成熟的软件框架用于资源管理，分布式数据处理和容错性管理等。
• 因为GPU软件和硬件框架的限制，扩展GPU方案去处理大规模图片有很大的挑战性。

BigDL集成方案

在生产环境中，利用现有的软件和硬件设施，将大幅提高生产效率（如减少新产品的研发时间），同时降低成本。基于在这个案例中，数据存储在大数据集群中主流的分布式开源数据库上，如果深度学习应用能利用已有的大数据集群（如Hadoop或Spark集群）进行计算，便可非常容易地解决上述的挑战。

Intel开源的BigDL项目[3]，是在Spark上的一个分布式深度学习框架，提供了全面的深度学习算法支持。BigDL借助Spark平台的分布式扩展性，可以方便地扩展到上百或上千个节点。同时BigDL利用了Intel MKL数学计算库以及并行计算等技术，在Intel Xeon服务器上可以达到很高的性能（计算能力可取得媲美主流GPU的性能）。

在我们的场景中，BigDL为支持各种模型（检测，分类）进行定制开发；模型从原来只适用于特定 环境移植到了支持通用模型（Caffe，Torch，Tensorflow）BigDL大数据环境 ；整个pipeline全流程获得了优化提速。

通过BigDL在spark环境进行特征提取的流水线如Figure 1所示 ：

• 使用Spark从分布式开源数据库中读入上亿张原始图片，构建成RDD
• 使用Spark预处理图片，包括调整大小，减去均值，将数据组成Batch
• 使用BigDL加载SSD模型，通过Spark对图片进行大规模、分布式的目标检测，得到一系列的检测坐标和对应的分数
• 保留分数最高的检测结果作为主题目标，并根据检测坐标对原始图片进行裁剪得到目标图片
• 对目标图片RDD进行预处理，包括调整大小，组成Batch
• 使用BigDL加载DeepBit模型，通过Spark对检测到的目标图片进行分布式特征提取，得到对应的特征
• 将检测结果(提取的目标特征RDD)存储在HDFS上

Figure 1 Image FeatureExtraction Pipeline Based on BigDL

整个数据分析流水线，包括数据读取，数据分区，预处理，预测和结果的存储，都能很方便地通过BigDL在Spark中实现。在现有的大数据集群（Hadoop/Spark）上，用户不需要修改任何集群配置，即可使用BigDL运行深度学习应用。并且，BigDL利用Spark平台的高扩展性，可以很容易地扩展到大量的节点和任务上，因此极大地加快数据分析流程。

除了分布式深度学习的支持，BigDL也提供了很多易用的工具，如图片预处理库，模型加载工具（包括加载第三方深度学习框架的模型）等，更方便用户搭建整个流水线。

图片预处理

BigDL提供了基于OpenCV[5]的图像预处理库[4], 支持各种常见的图像转换和图像增强的功能，用户可以很容易地使用这些基本功能搭建图像预处理的流水线。此外，用户也可以调用该库所提供的OpenCV操作自定义图像转换的功能。

这个样例的预处理流水线将一个原始RDD通过一系列的转换，转成一个Batch的RDD。其中，ByteToMat把Byte图片转换成OpenCV的Mat存储格式，Resize将图片的调整为300x300的大小，MatToFloats将Mat里的像素存成Float数组的格式，并减去对应通道的均值。最后，RoiImageToBatch把数据组成Batch，作为模型的输入，用于预测或训练。

加载模型

用户可以方便地使用BigDL加载预训练好的模型，在Spark程序中直接使用。给定BigDL模型文件，即可调用Module.load得到模型。

另外，BigDL也支持第三方深度学习框架模型的导入，如Caffe，Torch，TensorFlow。

用户可以很方便地加载已经训练好的模型，用于数据预测，特征提取，模型微调等。以Caffe为例，Caffe的模型由两个文件组成，模型prototxt定义文件和模型参数文件。如下所示，用户可以很容易地将预训练好的Caffe模型加载到Spark和BigDL程序中。

性能

我们对基于Caffe的GPU集群解决方案和基于BigDL的Xeon集群解决方案进行了性能基准测试，测试均运行在京东的内部集群环境里。

测试标准

端到端的图片处理和分析流水线，包括：

• 从分布式的开源数据库中读取图片（从图片源下载图片到内存）
• 输入到目标检测模型和特征提取模型进行特征抽取
• 将结果（图片路径和特征）保存到文件系统

注：下载因素成为端到端总体吞吐率的重要影响因素，在这个案例里面，这部分耗时占处理总耗时（下载+检测+特征）约一半。GPU服务器对下载这部分的处理是无法利用GPU加速的。

测试环境

GPU: NVIDIA Tesla K40，20张卡并发执行
CPU: Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHz，共1200个逻辑核 （每台服务器有24个物理核，启用超线程，配置成YARN的50个逻辑核）

测试结果

Figure 2显示了Caffe在20个K40并发处理图片的吞吐量约为540图片/秒，而BigDL在1200个逻辑核的YARN（Xeon）集群上对应的吞吐量约为2070图片/秒。BigDL在Xeon集群上吞吐量上约是GPU集群的3.83倍，极大地缩短了大规模图片的处理时间。

测试结果表明，BigDL在大规模图片特征提取应用中提供了更好的支持。BigDL的高扩展性，高性能和易用性，帮助京东更轻松地应对海量，爆炸式增长的图片规模。基于这样的测试结果，京东正在将基于GPU集群的Caffe图片特征提取实现，升级为基于Xeon集群的BigDL方案部署到Spark集群生产环境中。

Figure 2比较 K40和Xeon在图片特征提取流水线的吞吐量

结论

BigDL的高扩展性，高性能和易用性，帮助京东更容易地使用深度学习技术处理海量图片。京东会继续将BigDL应用到更广泛的深度学习应用中，如分布式模型训练等。

引用

[1]. Liu, Wei, et al. “SSD: Single Shot Multibox Detector.” European conference on computer vision. Springer, Cham, 2016.
[2]. Lin, Kevin, et al. “Learning compact binary descriptors with unsupervised deep neural networks.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016.
[3]. https://github.com/intel-analytics/BigDL
[4]. https://github.com/intel-analytics/analytics-zoo/tree/master/transform/vision
[5]. http://opencv.org/