基于 JindoFS 缓存加速的训练架构有什么优势？

JindoFS 提供了一个计算侧的分布式缓存系统，可以有效利用计算集群上的本地存储 资源（磁盘或者内存）缓存 OSS 上的热数据，从而减少对 OSS 上数据的反复拉取，消耗 网络带宽。

内存缓存

对于深度学习，我们可以选择计算能力更强的 GPU 机型，来获取更快的训练速度。此时需 要高速的内存吞吐，才能让 GPU 充分跑满。此时我们可以使用 JindoFS 基于内存搭建分 布式高速缓存。当整个集群的所有内存加起来足以支撑整个数据集时（除去任务本身所需内存量），我们就可以利用内存缓存以及本地高速网络，来提供高的数据吞吐，加快计算 速度。

磁盘缓存

对于一些机器学习场景，训练数据的规模超过了内存所能承载的大小，以及训练所需的 CPU/GPU 能力要求没有那么高，而要求数据访问有较高的吞吐。此时计算的瓶颈会受限 于网络带宽压力。因此我们可以搭建使用本地 SSD 作为缓存介质的 JindoFS 分布式缓存 服务，利用本地存储资源缓存热数据，来达到提高训练速度的效果。

FUSE 接口

JindoFS 包含了 FUSE 客户端，提供了简便的、熟悉的数据访问方式。通过 FUSE 程序将 JindoFS 集群实例映射到本地文件系统，就可以像访问本地磁盘文件一样，享受到 JindoFS 带来的加速效果。