雷鋒網(wǎng)按：本文轉(zhuǎn)自騰訊大數(shù)據(jù)，這篇文章主要介紹了騰訊數(shù)據(jù)平臺(tái)聯(lián)合香港科技大學(xué)所開發(fā)，面向機(jī)器學(xué)習(xí)的分布式計(jì)算框架，進(jìn)而解決了大維度機(jī)器學(xué)習(xí)的問題。

簡介

為支持超大維度機(jī)器學(xué)習(xí)模型運(yùn)算，騰訊數(shù)據(jù)平臺(tái)部與香港科技大學(xué)合作開發(fā)了面向機(jī)器學(xué)習(xí)的分布式計(jì)算框架——Angel 1.0。

Angel是使用Java語言開發(fā)的專有機(jī)器學(xué)習(xí)計(jì)算系統(tǒng)，用戶可以像用Spark, MapReduce一樣，用它來完成機(jī)器學(xué)習(xí)的模型訓(xùn)練。Angel已經(jīng)支持了SGD、ADMM優(yōu)化算法，同時(shí)我們也提供了一些常用的機(jī)器學(xué)習(xí)模型；但是如果用戶有自定義需求，也可以在我們提供的最優(yōu)化算法上層比較容易地封裝模型。

Angel應(yīng)用香港科技大學(xué)的Chukonu 作為網(wǎng)絡(luò)解決方案， 在高維度機(jī)器學(xué)習(xí)的參數(shù)更新過程中，有針對(duì)性地給滯后的計(jì)算任務(wù)的參數(shù)傳遞提速，整體上縮短機(jī)器學(xué)習(xí)算法的運(yùn)算時(shí)間。這一創(chuàng)新采用了香港科技大學(xué)陳凱教授及其研究小組開發(fā)的可感知上層應(yīng)用（Application-aware）的網(wǎng)絡(luò)優(yōu)化方案，以及楊強(qiáng)教授領(lǐng)導(dǎo)的的大規(guī)模機(jī)器學(xué)習(xí)研究方案。

另外，北京大學(xué)崔斌教授及其學(xué)生也共同參與了Angel項(xiàng)目的研發(fā)。

在實(shí)際的生產(chǎn)任務(wù)中，Angel在千萬級(jí)到億級(jí)的特征緯度條件下運(yùn)行SGD，性能是成熟的開源系統(tǒng)Spark的數(shù)倍到數(shù)十倍不等。Angel已經(jīng)在騰訊視頻推薦、廣點(diǎn)通等精準(zhǔn)推薦業(yè)務(wù)上實(shí)際應(yīng)用，目前我們正在擴(kuò)大在騰訊內(nèi)部的應(yīng)用范圍，目標(biāo)是支持騰訊等企業(yè)級(jí)大規(guī)模機(jī)器學(xué)習(xí)任務(wù)。

整體架構(gòu)

Angel在整體架構(gòu)上參考了谷歌的DistBelief。DistBeilef最初是為深度學(xué)習(xí)而設(shè)計(jì)，它使用了參數(shù)服務(wù)器，以解決巨大模型在訓(xùn)練時(shí)的更新問題。參數(shù)服務(wù)器同樣可用于機(jī)器學(xué)習(xí)中非深度學(xué)習(xí)的模型，如SGD、ADMM、LBFGS的優(yōu)化算法在面臨在每輪迭代上億個(gè)參數(shù)更新的場(chǎng)景中，需要參數(shù)分布式緩存來拓展性能。Angel在運(yùn)算中支持BSP、SSP、ASP三種計(jì)算模型，其中SSP是由卡耐基梅隆大學(xué)EricXing在Petuum項(xiàng)目中驗(yàn)證的計(jì)算模型，能在機(jī)器學(xué)習(xí)的這種特定運(yùn)算場(chǎng)景下提升縮短收斂時(shí)間。系統(tǒng)有五個(gè)角色:

Master：負(fù)責(zé)資源申請(qǐng)和分配，以及任務(wù)的管理。

Task：負(fù)責(zé)任務(wù)的執(zhí)行，以線程的形式存在。

Worker：獨(dú)立進(jìn)程運(yùn)行于Yarn的Container中，是Task的執(zhí)行容器。

ParameterServer：隨著一個(gè)任務(wù)的啟動(dòng)而生成，任務(wù)結(jié)束而銷毀，負(fù)責(zé)在該任務(wù)訓(xùn)練過程中的參數(shù)的更新和存儲(chǔ)。

WorkerGroup為一個(gè)虛擬概念，由若干個(gè)Worker組成，元數(shù)據(jù)由Master維護(hù)。為模型并行拓展而考慮，在一個(gè)WorkerGroup內(nèi)所有Worker運(yùn)行的訓(xùn)練數(shù)據(jù)都是一樣的。雖然我們提供了一些通用模型，但并不保證都滿足需求，而用戶自定義的模型實(shí)現(xiàn)可以實(shí)現(xiàn)我們的通用接口，形式上等同于MapReduce或Spark。

1）用戶友好

    1. 自動(dòng)化數(shù)據(jù)切分: Angel系統(tǒng)為用戶提供了自動(dòng)切分訓(xùn)練數(shù)據(jù)的功能，方便用戶進(jìn)行數(shù)據(jù)并行運(yùn)算：系統(tǒng)默認(rèn)兼容了Hadoop FS接口，原始訓(xùn)練樣本存儲(chǔ)在支持Hadoop FS接口的分布式文件系統(tǒng)如HDFS、Tachyon。

    2. 豐富的數(shù)據(jù)管理：樣本數(shù)據(jù)存儲(chǔ)在分布式文件系統(tǒng)中，系統(tǒng)在計(jì)算前從文件系統(tǒng)讀取到計(jì)算進(jìn)程，放在緩存在內(nèi)存中以加速迭代運(yùn)算；如果內(nèi)存中緩存不下的數(shù)據(jù)則暫存到本地磁盤，不需要向分布式文件系統(tǒng)再次發(fā)起通訊請(qǐng)求。

    3. 豐富的線性代數(shù)及優(yōu)化算法庫: Angel更提供了高效的向量及矩陣運(yùn)算庫（稀疏/稠密），方便了用戶自由選擇數(shù)據(jù)、參數(shù)的表達(dá)形式。在優(yōu)化算法方面，Angel已實(shí)現(xiàn)了SGD、ADMM；模型方面，支持了Latent DirichletAllocation (LDA)、MatrixFactorization (MF)、LogisticRegression (LR) 、Support Vector Machine(SVM) 等。

    4. 可選擇的計(jì)算模型: 綜述中我們提到了，Angel的參數(shù)服務(wù)器可以支持BSP，SSP，ASP計(jì)算模型。

    5. 更細(xì)粒度的容錯(cuò): 在系統(tǒng)中容錯(cuò)主要分為Master的容錯(cuò)，參數(shù)服務(wù)器的容災(zāi)，Worker進(jìn)程內(nèi)的參數(shù)快照的緩存，RPC調(diào)用的容錯(cuò)。

    6. 友好的任務(wù)運(yùn)行及監(jiān)控: Angel也具有友好的任務(wù)運(yùn)行方式，支持基于Yarn的任務(wù)運(yùn)行模式。同時(shí)，Angel的Web App頁面也方便了用戶查看集群進(jìn)度。

2）參數(shù)服務(wù)

在實(shí)際的生產(chǎn)環(huán)境中，可以直觀的感受到Spark的Driver單點(diǎn)更新參數(shù)和廣播的瓶頸，雖然可以通過線性拓展來減少計(jì)算時(shí)的耗時(shí)，但是帶來了收斂性下降的問題，同時(shí)更嚴(yán)重的是在數(shù)據(jù)并行的運(yùn)算過程中，由于每個(gè)Executor都保持一個(gè)完整的參數(shù)快照，線性拓展帶來了N x 參數(shù)快照的流量，而這個(gè)流量集中到了Driver一個(gè)節(jié)點(diǎn)上！

      

從圖中看到，在機(jī)器學(xué)習(xí)任務(wù)中，Spark即使有更多的機(jī)器資源也無法利用，機(jī)器只在特定較少的規(guī)模下才能發(fā)揮最佳性能，但是這個(gè)最佳性能其實(shí)也并不理想。

采用參數(shù)服務(wù)器方案，我們與Spark做了如下比較：在有5000萬條訓(xùn)練樣本的數(shù)據(jù)集上，采用SGD解的邏輯回歸模型，使用10個(gè)工作節(jié)點(diǎn)(Worker)，針對(duì)不同維度的特征逐一進(jìn)行了每輪迭代時(shí)間和整體收斂時(shí)間的比較（這里Angel使用的是BSP模式）。

通過數(shù)據(jù)可見，模型越大Angel對(duì)比Spark的優(yōu)勢(shì)就越明顯。

3）內(nèi)存優(yōu)化

在運(yùn)算過程中為減少內(nèi)存消耗和提升單進(jìn)程內(nèi)運(yùn)算收斂性使用了異步無鎖的Hogwild! 模式。同一個(gè)運(yùn)算進(jìn)程中的N個(gè)Task如果在運(yùn)算中都各自保持一個(gè)獨(dú)立的參數(shù)快照，對(duì)參數(shù)的內(nèi)存開銷就N倍，模型維度越大時(shí)消耗越明顯！SGD的優(yōu)化算法中，實(shí)際場(chǎng)景中，訓(xùn)練數(shù)據(jù)絕大多數(shù)情況下是稀疏的，因此參數(shù)更新沖突的概率就大大降低了，即便沖突了梯度也不完全是往差的方向發(fā)展，畢竟都是朝著梯度下降的方向更新的。我們使用了Hogwild!模式之后，讓多個(gè)Task在一個(gè)進(jìn)程內(nèi)共享同一個(gè)參數(shù)快照，減少內(nèi)存消耗并提升了收斂速度。

4）網(wǎng)絡(luò)優(yōu)化

我們有兩個(gè)主要優(yōu)化點(diǎn)：

1）進(jìn)程內(nèi)的Task運(yùn)算之后的參數(shù)更新合并之后平滑的推送到參數(shù)服務(wù)器更新，這減少了Task所在機(jī)器的上行消耗，也減少了參數(shù)服務(wù)器的下行消耗，同時(shí)減少在推送更新的過程中的峰值瓶頸次數(shù)；

2）針對(duì)SSP進(jìn)行更深一步的網(wǎng)絡(luò)優(yōu)化：由于SSP是一種半同步的運(yùn)算協(xié)調(diào)機(jī)制，在有限的窗口運(yùn)行訓(xùn)練，快的節(jié)點(diǎn)達(dá)到窗口邊緣時(shí)，任務(wù)就必須停下來等待最慢的節(jié)點(diǎn)更新最新的參數(shù)。針對(duì)這一問題，我們通過網(wǎng)絡(luò)流量的再分配來加速較慢的工作節(jié)點(diǎn)。我們給較慢的節(jié)點(diǎn)以更高的帶寬；相應(yīng)的，快的工作節(jié)點(diǎn)就分得更少的帶寬。這樣一來，快的節(jié)點(diǎn)和慢的節(jié)點(diǎn)的迭代次數(shù)的差距就得以控制，減少了窗口被突破（發(fā)生等待）的概率，也就是減少了工作節(jié)點(diǎn)由于SSP窗口而空閑等待時(shí)間。

如下圖所示，在1億維度、迭代30輪的效果評(píng)測(cè)中，可以看到Chukonu使得累積的空閑等待時(shí)間大幅度減少，達(dá)3.79倍。

下圖展示的是優(yōu)化前后的執(zhí)行時(shí)間，以5000萬維度的模型為例，20個(gè)工作節(jié)點(diǎn)和10個(gè)參數(shù)服務(wù)器，Staleness=5，執(zhí)行30輪迭代?？梢钥闯?，開啟Chukonu后平均每輪的完成時(shí)間只需7.97秒，相比于比原始的任務(wù)平均每輪9.2秒有了15%的提升。

另外，針對(duì)性加速慢的節(jié)點(diǎn)可以使慢的節(jié)點(diǎn)更大可能的獲得最新的參數(shù)，因此對(duì)比原始的SSP計(jì)算模型，算法收斂性得到了提升。下圖所示，同樣是針對(duì)五千萬維度的模型在SSP下的效果評(píng)測(cè)，原生的Angel任務(wù)在30輪迭代后（276秒）loss達(dá)到了0.0697，而開啟了Chukonu后，在第19輪迭代（145秒）就已達(dá)到更低的loss。從這種特定場(chǎng)景來看有一個(gè)接近90%的收斂速度提升。

后續(xù)計(jì)劃

未來，項(xiàng)目組將擴(kuò)大應(yīng)用的規(guī)模，同時(shí)，項(xiàng)目組已經(jīng)在繼續(xù)研發(fā)Angel的下一版本，下一個(gè)版本會(huì)在模型并行方面做一些深入的優(yōu)化。另外，項(xiàng)目組正在計(jì)劃把Angel進(jìn)行開源，我們會(huì)在后續(xù)合適的時(shí)機(jī)進(jìn)行公開。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。