为了提高AI场景下模型训练的准确性、加快速度并降低成本，许多公司都逐步开始在云上实施分布式训练的方案。
两个需要重点解决的问题
01 数据的可访问性 (Data Accessibility)：当数据量大且存储在远端服务中时，如何获取训练数据
02 数据的访问性能 (Performance)：如何同时保证元数据访问的低延迟和数据访问的高吞吐量
训练中的I/O挑战
我们在云上进行模型训练时，总是希望能达到高吞吐量和高效率, 但是给机器学习训练供给数据时经常会遇到下述挑战：
低效的串行化的数据准备：如果采用传统方式访问云存储中的数据，往往要花费较长的时间才能准备好训练集群所需数据。
数据访问速度慢：传统方式获取数据和元数据速度较慢，这将直接影响总体训练效率，甚至成为训练瓶颈。
资源管理易出错：训练集群通常只分配了有限的存储容量，如果在训练前完整复制输入数据至训练集群本地存储，配置和维护存储资源往往难度大且容易出错。
数据不一致：如果复制训练数据到训练集群，通常需要额外的人工干预来确保云存储上的数据与训练数据同步。
本白皮书介绍了如何利用 Alluxio 加快数据访问，实现云上分布式训练的端到端性能提速。部署 Alluxio 后，从云存储加载数据，缓存数据和训练都变得更加简单高效。
此书还展示了如何搭建一套端到端加载训练数据性能的测试框架，以及 Alluxio 与其他训练主流数据供给方案的性能测试比对结果。
立即下载白皮书，了解更多精彩内容！
