请问深度学习数据集存储有什么好的解决方案，外置硬盘或者 NAS？

[Olament]

需求：本人是初级深度学习炼丹师，主要做计算机视觉方向的。现在已经有 1TB 左右的数据了而且在未来还会不断增加。数据主要是图片的形式，每个图片几百 KB 左右。因为现在用的电脑没有预留机械硬盘盘位置，所以不考虑加装硬盘。

我在网上大致浏览了一下，发现两个不错的解决方案。第一种是类似于 WD MyBook 的外置硬盘。第二种是 NAS 方案。我目前比较倾向于外置硬盘方案，因为 NAS 虽然管理比较方便，但是配置和噪声可能是潜在的问题。对于外置硬盘，比较担心数据丢失和读写性能的问题。训练模型的时候硬盘 IO 这块可能存在瓶颈吗？

如果有遇到过相关问题的朋友，希望能够分享你们的解决方案。

[imn1]

1.硬盘箱，不熟悉的情况下，不要用阵列，真出问题时个人完全难以拯救
2.USB3 + 7200rpm 的不会太差，注意不要多盘同时写就好
3.瓶颈肯定是 CPU 的，如果数据只有 1T，还不如用 SSD，HDD 只作为备份

粗略算你的数据量是几百万张，虽然不算巨大，但
建议花点时间分类 /分目录，挤在一起的话 HDD 寻址可能比读取字节更费硬盘，所以工作用 SSD 更好

[Olament]

@imn1 感谢回复，我现在用的就是 SSD 来存放数据集，但是最近开始做视频方面的工作了，所以未来数据的大小肯定辉成倍增长的。所以您觉得 WD MyBook 是一个不错的方案吗？

[ZRS]

机械硬盘性能肯定不够 建议分层存储 机械盘放冷数据 需要用的放 SSD

不推荐 WD MyBook 叠瓦盘性能可靠性都很差 建议买 HGST 的企业级 8T 空气价格也很厚道

[imn1]

首先，我是基本不买西数的，你可以认为这是个人偏见也没所谓
我一般选择是硬盘+盒子或箱子，盒子比盘需要更慎重购买，我个人 3 寸用优越者，2 寸用 SSK

PS:我觉得深度学习写盘并不频繁啊，还比不上要经常写 log 的程序，只是读取频繁而已，你是中间结果需要 dump 到盘上么？

[ipwx]

窃以为 ssd 存数据集毫无意义。你真训练起来，只要把读取图片放到后台线程就行了。基本上复杂的 cnn，单个 batch 的运行时间都是秒级的，一秒还不够你一个后台线程机械硬盘读完一个 batch 的嘛?

[Olament]

@imn1 新增长的数据不是深度学习产生的数据，是我们新采集的数据集。所以平常的确是主要以读取数据为主。

[imn1]

@ipwx
他可能不单止是识别，还有训练样本，训练样本视乎数量级，极可能是小时级的运算时长

[Olament]

@ipwx 对的我也是这么想的。只是想知道有没有人这么实践过

[lsylsy2]

看起来大部分数据是冷数据？
我个人是比较旁门左道的方案：大型台式机机箱+二手硬件
家用主板
+i3i5 级别配置
+SATA 扩展卡 /SAS 直通卡，只用来扩展接口，不用高级的 RAID 等功能
+snapraid+mergerfs，适合冷数据，可以达到类似 raid6 效果的冗余度

目前成果是 3000RMB 整套方案，20T 裸容量（ 2T*10 ），14T 可用容量（ 10 盘里任意坏 3，不会丢数据）。
加 500 可以配个好的 UPS，加几百可以上万兆或多个千兆口聚合

[feather12315]

@ZRS #3 my book 8T+是 hgst 降级的氦气盘

[tomczhen]

捡垃圾，组 ceph。

[ipwx]

@Olament 我们实验室的集群是我搭起来的。

文件系统和数据库：两台 Xeon E5 做 MooseFS/MongoDB Master，三台 48T （共 144T ）做数据存储。MooseFS 是 goal=2 的双倍存储，MooseFS 是 Master/Slave*2 的三倍存储。当然，这些都是偏向于读写速度的配置。写入速度显然不如单机。

交换机：3 台 Cisco 24 口全千兆 + Ciso 专有的互联接口，这个互联接口好像是 48Gbps 的。

CPU 集群：10 台 E5。

GPU 集群：3 台，其中一台 10 卡，另两台各 4 卡。
- - - -

实验数据和结果都存在文件系统和数据库服务器上。Home 目录也是 MooseFS 的。计算节点不保存任何数据，开放 Docker。用户系统是 LDAP 服务器。运行良好。

[ipwx]

@Olament 哦对，文件系统和数据库服务器，四个千兆网口做了 LACP Bonding。其他计算节点做了双网口的 Bonding。

[Olament]

@ipwx 感谢分享！不过这个硬盘主要是我自己平时炼丹用的。我们实验室有另外的配置。

[qping]

@ZRS #3 京东上搜不到官方的 hgst 呢，在哪能买？

[ZRS]

@feather12315 谢谢指正 我再了解一下 不过我还是很推荐国行的 HGST 毕竟有五年的质保

@qping 淘宝几家大店应该都可以 前些日子看 HUS728T8TALE6L4 已经做到 1.1K 左右了

[ryd994]

@ZRS my book 就是氦气盘，西数收购的日立的产品。早期还是日立标。现在换成白标了。实际就是降速企业盘。
希捷才搞叠瓦技术

质保对数据安全没有任何用。坏了给你换一块，就这么简单。无非是自己出钱买还是保修出钱买。保修换来的还未必是新盘。搞不好是返修的。

@qping hgst 被西数收购了。西数的大容量企业盘目前都是 hgst 的生产线。

@lsylsy2 冷数据别用消费级主板。ECC 强烈推荐。否则数据坏了都不知道怎么坏了。

[lsylsy2]

@ryd994 我用的 snapraid 实质是定时对各个盘的内容进行同步（而不是实时读写） 也有 scrub

[ryd994]

@lsylsy2 问题是没有 ECC 的话 scrub 的结果都是错的。
无论是否 scrub，都应该用 ECC
反正是捡垃圾，洋垃圾服务器主板加 ECC 内存比消费级硬件便宜多了。

[lsylsy2]

@ryd994 这里指的是在哪里发生了数据损坏？
snapraid 本身读写的时候其实相当于 JBOD，并没有做数据切块之类的操作，不会像 ZFS 那样严重依赖内存内的索引，而且本身就从我自己（没 ECC ）的台式机过一遍，NAS 多个 ECC 并没有明显降低风险的感觉