[Spark News] Spark + GPU are the next generation technology
一、资源：Spark进行机器学习，支持GPU
From：https://my.oschina.net/u/2306127/blog/1602291
为了使用Spark进行机器学习，支持GPU是必须的，上层再运行神经网络引擎。
目前AWS\GCP和Databricks的云都已经支持GPU的机器学习，AliYun也在实验之中。
这包括几个层次：
- GPU直接支持Spark。因为Spark是多线程的，而GPU往往只能起一个单例，导致线程会竞争GPU资源，需要进行管理、加锁和调度。方法包括：
- 原生代码内置编译支持。
- 引入cuDNN等NVidia库进行调用。
- 通过Tensorflow等间接进行支持。
- JIT方式即时编译调用方式支持。
- GPU支持的Docker中运行Spark。如果将Spark节点放入Docker容器中运行，则需要使用NVidia提供的特殊版本Docker，而且需要安装NVidai提供的cuDNN等软件支持库。由于这些库调用了系统驱动，而且是C++编写，因此Spark要能够进行系统库的调用。
- GPU支持的Kubernetes之上运行Spark。
- 在上面的基础上，支持GPU的Docker容器需要能够接受Kubernetes的管理和调度。
- 参考：https://my.oschina.net/u/2306127/blog/1808304
只有同时满足上面的条件，才能通过Kubernetes的集群管理对Docker中Spark进行GPU操作。
下面是已经做的一些研究。
- IBMSparkGPU 的方案可以将GPU用于RDD和DataFrame，支持通用计算，重点支持机器学习；
- deeplearning4j 是基于Java的，包含数值计算和神经网络，支持GPU；
- NUMBA 的方案通过PySpark即时编译产生GPU的调用代码，兼容性好；
- Tensorflow/Caffe/MXNet等与Spark整合主要是节点调度，GPU由深度学习引擎调度，RDD需要数据交换，主要用于存储中间超参数数据。如TensorFrame的实现-https://github.com/databricks/tensorframes
Reference
- https://github.com/databricks/spark-deep-learning，Deep Learning Pipelines for Apache Spark，直接支持Images的一些功能。
- http://www.spark.tc/simd-and-gpu/, Spark多种支持GPU方法。
- http://www.spark.tc/gpu-acceleration-on-apache-spark-2/，GPU扩展
- https://my.oschina.net/u/2306127/blog/1602295，同上。
- http://www.spark.tc/0-to-life-changing-app-new-apache-systemml-api-on-spark-shell/，systemML在Spark中使用。
- Continuum-Anaconda，NUMBA: A PYTHON JIT COMPILER，http://on-demand.gputechconf.com/gtc/2016/presentation/s6413-stanley-seibert-apache-spark-python.pdf
- http://spark.tc/why-you-should-be-using-apache-systemml-2/，关于SystemML。
- 基于Java的神经网络深度学习系列库（支持GPU,https://deeplearning4j.org/），https://github.com/deeplearning4j
- https://github.com/IBMSparkGPU，源码：https://github.com/IBMSparkGPU/GPUEnabler
- Spark Summit 2016 Talk by Jun Feng Liu (IBM) and Yonggang Hu (IBM)
- Hadoop, Spark, Deep Learning Mesh on Single GPU Cluster，https://www.nextplatform.com/2016/02/24/hadoop-spark-deep-learning-mesh-on-single-gpu-cluster/
- IBM，关于GPU RDD的讨论，http://on-demand.gputechconf.com/gtc/2016/presentation/s6280-rajesh-bordawekar-accelerating-spark.pdf
- GPU Computing with Apache Spark and Python，http://on-demand.gputechconf.com/gtc/2016/presentation/s6413-stanley-seibert-apache-spark-python.pdf
- Spark ML Runs 10x Faster on GPUs, Databricks Says。https://www.datanami.com/2016/10/27/spark-ml-runs-faster-gpus/
二、在笔记本上实现Spark-GPU集群开发教程
From: https://www.jdon.com/bigdata/spark-gpu.html
第1部分:Spark-Notebook
选择Scala：完整的Spark API；GPU库允许我无需编写编译C代码而直接使用Java (这样从scala调用Java)。
Zeppelin -> buggy API
Spark-Notebook -> 导入依赖很头疼
Sparknotebook -> 就选择这个了，杀手级应用
下面是从Sparknotebook 仓储Clone下载一份，按照其指引操作，比如下载IScala.jar等等。
第2部分:在JVM上GPU
灵感来自于一个令人印象深刻的库包 ScalaNLP 。 他们声称有一个解析器，可以在一台计算机上每分钟解析一百万字。
Aparapi 出现的原因。 它编译Java代码到OpenCL，如果不能获得一个GPU则使用Java线程池运行。
第3部分:整合Spark和笔记本中Aparapi
真正的挑战是让这些工具相互调用。 集成的第一步，我们需要做的就是aparapi jar导入iscala笔记本。
第4部分:在笔记本(仅使用Scala)构建案例
第5部分:在Spark 集群执行GPU内核
下面是Spark运行在笔记本上的内核上示意图：
程序日志记录出现GPU…显示它确实是被运行在GPU。
但问题在于深度学习必须使用cuda，还是cuda才是正道。
/* implement */
