面向大规模集群的诊断模型端到端性能优化

项目标题：
面向大规模集群的诊断模型端到端性能优化
【项目难度】：
进阶
【项目描述】：
本项目是在gala-anteater时间序列故障预测基础上提升端到端性能优化。
本项目主要实现的功能有：
1、支持离线训练，在线推理：离线环境训练模型，保存模型；将模型导入生产，无需重复训练
2、模型推理支持多主机并行推理：当前推理是单机顺序推理

【产出标准】：
1 输出完整的方案设计描述，方案中需理清新增功能和原有功能的协作关系（功能1），多batch推理的可行性分析以及实现原理图
2 输出性能优化报告，报告内容包括：
2.1 功能测试：设计十条验证case,离线模型推理结果和多batch推理结果需和原有方案结果一致；
2.2 性能提升测试：离线训练，在线推理优化xxs,多batch推理优化xxs，整体优化方案优化xxs，整体提升3~10倍左右。

提供基本的验证用例；
【技术要求】：
1 熟悉AI模型的训练推理
2 熟悉python开发
【导师姓名/导师邮箱】：
huangbin58@huawei.com
【成果提交仓库】：
https://gitee.com/openeuler/gala-anteater
【相关参考资料】：（包括项目的代码仓库链接、学习资料等）
代码仓文档：https://gitee.com/openeuler/gala-anteater/tree/master/docs
本次活动将面向全球学生，题目内容请同时提交中英文版本。

project name：
End-to-end performance improvement of diagnostic models for large-scale clusters
【Difficulty】：
Advanced
【Description】：
This project aims to improve end-to-end performance optimization based on Gala Anther time series fault prediction.
The main functions implemented in this project include:
1. Support offline training and online reasoning: Train models in offline environments and save the models; Import the model into production without the need for repeated training
2. Model inference supports multi host parallel inference: current inference is single machine sequential inference
【Output Requirements】：
1. Provide a complete description of the solution design;
2. Output performance optimization report;
【Technical Requirements】：
1. Familiarize oneself with the training and reasoning of AI models
2. Familiar with Python development
【Mentor/Email】：
huangbin58@huawei.com
【Project Repository】：
https://gitee.com/openeuler/gala-anteater
【Notes】：
DOCs：https://gitee.com/openeuler/gala-anteater/tree/master/docs

openEuler/open-source-summer

内容风险标识

评论 (1)

openEuler/open-source-summer .gitee-modal { width: 500px !important; }

内容风险标识