青云QingCloud 发布深度学习平台，AI 应用开发全面提速
如今大部分人工智能应用都是基于局限性较大的监督学习的范式而开发，即模型在线下进行训练，然后部署到服务器上进行线上测试与应用。整个过程中算法工程师和数据科学家需要花费大量时间在环境配置、深度学习底层工程繁琐的细节管理以及学习框架的部署上。
随着该领域的成熟，人工智能应用需要更多地在动态环境下运行，快速响应环境中的变化，满足业务需求，传统的应用开发模式明显不再合适，这就对企业、开发者的整个系统环境提出了灵活性、高性能以及易用性等需求。
青云QingCloud 本次推出的深度学习平台 Deep Learning on QingCloud，包含了主流的深度学习框架及科学工具包，通过 QingCloud AppCenter 一键部署交付，可以让算法工程师和数据科学家快速构建深度学习开发环境，将更多的精力放在模型和算法调优。
同时，用户还可在深度学习平台上使用 GPU 或 CPU 进行单机或分布式深度学习模型训练与推断，并可享受云计算弹性特性，按需进行横向、纵向扩展。
三个层面解析青云QingCloud 深度学习平台
第一层面：一键完成部署 极速搭建深度学习开发环境
即使是有经验的深度学习开发者，想部署构建一套深度学习开发环境也需要大量时间完成复杂的配置工作。
Deep Learning on QingCloud 通过 AppCenter 交付，可一键完成云端部署，并提供应用全生命周期管理能力（创建、扩容、监控、健康监测等），助力开发者极速搭建深度学习开发环境。
同时，为方便开发者快速进行人工智能应用开发，QingCloud 还通过 AppCenter 联合多家人工智能领域合作伙伴，提供从图像识别、人脸识别、文本分析、人机对话等丰富 AI 服务及应用。
第二层面：超高性能，灵活选择部署模式
Deep Learning on QingCloud 支持使用 GPU 或仅使用 CPU 进行深度学习开发与训练，同时可根据自身需求选择单节点或分布式部署模式。
在 GPU 的选择上，QingCloud 采用专为人工智能计算设计的 NVIDIA Tesla P100 GPU ，并以直通的方式与平台内的节点对接，使得节点可以独占整个 GPU ，避免了虚拟化带来的损耗，全面释放 GPU 计算能力。
当然，GPU 性能虽然强劲，但费用也相对较高，如果开发者希望以较低成本进行深度学习开发，也可选择仅使用 CPU 资源进行单节点或分布式训练。目前，Tensorflow、PyTorch 及 Keras 支持使用 CPU 进行深度学习应用训练和测试，Caffe 需要重新编译才支持。
第三层面：集成主流深度学习开发框架与科学工具包
为加速深度学习开发与模型训练，Deep Learning on QingCloud 预置 CUDA8.0 和 cuDNN5 驱动，并安装有 numpy、scipy、pandas、matplotlib、nltk、scikit-learn 等众多数据科学工具包。
同时，Deep Learning on QingCloud 还集成 Caffe、TensorFlow、PyTorch 和 Keras 等主流深度学习框架和 Jupyter notebook 前端开发环境，助力算法工程师和数据科学家快速构建深度学习开发环境，将更多的精力放在模型和算法调优。
后续发展
随着人工智能应用场景越来越广泛，各大互联网巨头都在加速布局，而 AI 也逐渐成为加速扩张生态领域的重要能力之一。Deep Learning on QingCloud 平台未来还将提供更多的开发框架与工具包，帮助企业与开发者在下一波技术浪潮中占领先机。