将训练数据存储在数据湖上带来了哪些问题和挑战？

远端拉取数据的延迟和带宽无法随着计算资源线性扩展。硬件计算能力在不断发展，利 用 GPU 进行计算可以取得更快的训练速度。使用云上弹性计算 ECS、容器服务可以 快速调度起大规模的计算资源。访问对象存储需要走网络，得益于网络技术的发展，我们访问对象存储有一个高速网络，即便如此，对象存储的网络延时和带宽无法随着集群 规模线性扩展，可能会成为瓶颈，限制了训练速度。在计算存储分离架构下，如何高效 地访问到这些数据，成为了一个巨大的挑战。

需要更加便捷的通用的数据访问方式。深度学习框架如 TensorFlow 对于 GCS、 HDFS 支持较为友好，而对于诸多第三方对象存储的支持上较为滞后。而 POSIX 接口是 一种更自然友好的方式，使用类似于本地磁盘一样的方式访问数据，大大简化了开发者对存 储系统的适配工作。