本論文從散布式體系的角度展開(kāi)針對(duì)以后一些機(jī)械進(jìn)修平臺(tái)的研討，綜述了這些平臺(tái)所應(yīng)用的架構(gòu)設(shè)計(jì)，對(duì)這些平臺(tái)在通訊和掌握上的瓶頸、容錯(cuò)性和開(kāi)辟難度停止剖析和比較，并對(duì)散布式機(jī)械進(jìn)修平臺(tái)的將來(lái)研討任務(wù)提出了一些建議。文中的任務(wù)由 Murat Demirbas 傳授與他的研討生 Kuo Zhang 和 Salem Alqahtani 配合完成。
機(jī)械進(jìn)修，特殊是深度進(jìn)修，已在語(yǔ)音辨認(rèn)、圖象辨認(rèn)和天然說(shuō)話(huà)處置和近期在推舉及搜刮引擎等范疇上獲得了反動(dòng)性的勝利。這些技巧在無(wú)人駕駛、數(shù)字醫(yī)療體系、CRM、告白、物聯(lián)網(wǎng)等范疇具有很好的運(yùn)用遠(yuǎn)景。固然，是資金引領(lǐng)和驅(qū)動(dòng)了技巧的加快推動(dòng)，使得我們?cè)诮诳吹搅艘恍C(jī)械進(jìn)修平臺(tái)的推出。
斟酌到練習(xí)中所觸及的數(shù)據(jù)集和模子的范圍非常宏大，機(jī)械進(jìn)修平臺(tái)平日是散布式平臺(tái)，安排了數(shù)十個(gè)甚至數(shù)百個(gè)并交運(yùn)行的盤(pán)算節(jié)點(diǎn)對(duì)模子做練習(xí)。據(jù)估量在不遠(yuǎn)的未來(lái)，數(shù)據(jù)中間的年夜多半義務(wù)都邑是機(jī)械進(jìn)修義務(wù)。
我來(lái)自于散布式體系研討范疇，是以我們斟酌從散布式體系的角度展開(kāi)針對(duì)這些機(jī)械進(jìn)修平臺(tái)的研討，剖析這些平臺(tái)在通訊和掌握上的瓶頸。我們還斟酌了這些平臺(tái)的容錯(cuò)性和易編程性。
我們從設(shè)計(jì)辦法大將機(jī)械進(jìn)修平臺(tái)劃分為三個(gè)根本種別，分離是：根本數(shù)據(jù)流、參數(shù) - 辦事器模子和高等數(shù)據(jù)流。
上面我們將對(duì)每類(lèi)辦法做扼要引見(jiàn)，以 Apache Spark 為例引見(jiàn)根本數(shù)據(jù)流，以 PMLS（Petuum）為例引見(jiàn)參數(shù)辦事器模子，而高等數(shù)據(jù)流則應(yīng)用 TensorFlow 和 MXNet 為例。我們比較了上述各平臺(tái)的機(jī)能并給出了一系列的評(píng)價(jià)成果。要懂得具體的評(píng)價(jià)成果，可參考我們的論文。遺憾的是，作為一個(gè)小型研討團(tuán)隊(duì)，我們沒(méi)法展開(kāi)年夜范圍的評(píng)價(jià)。
在本篇博文的最初，我給出了一些結(jié)論性要點(diǎn)，并對(duì)散布式機(jī)械進(jìn)修平臺(tái)的將來(lái)研討任務(wù)提出了一些建議。對(duì)這些散布式機(jī)械進(jìn)修平臺(tái)已有必定懂得的讀者，可以直接跳到本文開(kāi)頭。
Spark
在 Spark 中，盤(pán)算被建模為一種有向無(wú)環(huán)圖（DAG），圖中的每一個(gè)極點(diǎn)表現(xiàn)一個(gè) RDD，每條邊表現(xiàn)了 RDD 上的一個(gè)操作。RDD 由一系列被切分的對(duì)象（Partition）構(gòu)成，這些被切分的對(duì)象在內(nèi)存中存儲(chǔ)并完成盤(pán)算，也會(huì)在 Shuffle 進(jìn)程中溢出（Overflow）到磁盤(pán)上
在 DAG 中，一條從極點(diǎn) A 到 B 的有向邊 E，表現(xiàn)了 RDD B 是在 RDD A 上履行操作 E 的成果。操作分為“轉(zhuǎn)換”（Transformation）和“舉措（Action）”兩類(lèi)。轉(zhuǎn)換操作（例如 map、filter 和 join）運(yùn)用于某個(gè) RDD 上，轉(zhuǎn)換操作的輸入是一個(gè)新的 RDD。
Spark 用戶(hù)將盤(pán)算建模為 DAG，該 DAG 表現(xiàn)了在 RDD 上履行的轉(zhuǎn)換和舉措。DAG 進(jìn)而被編譯為多個(gè) Stage。每一個(gè) Stage 履行為一系列并交運(yùn)行的義務(wù)（Task），每一個(gè)分區(qū)（Partition）對(duì)應(yīng)于一個(gè)義務(wù)。這里，無(wú)限（Narrow）的依附關(guān)系將有益于盤(pán)算的高效履行，而廣泛（Wide）的依附關(guān)系則會(huì)引入瓶頸，由于如許的依附關(guān)系引入了通訊密集的 Shuffle 操作，這打斷了操作流 。
Spark 的散布式履行是經(jīng)由過(guò)程將 DAG Stage 劃分到分歧的盤(pán)算節(jié)點(diǎn)完成的。上圖清楚地展現(xiàn)了這類(lèi)“主機(jī)（master）- 任務(wù)者（worker）”架構(gòu)。驅(qū)動(dòng)器（Driver）包括有兩個(gè)調(diào)劑器（Scheduler）組件，即 DAG 調(diào)劑器和義務(wù)調(diào)劑器。調(diào)劑器對(duì)任務(wù)者分派義務(wù)，并調(diào)和任務(wù)者。
Spark 是為通用數(shù)據(jù)處置而設(shè)計(jì)的，并不是公用于機(jī)械進(jìn)修義務(wù)。要在 Spark 上運(yùn)轉(zhuǎn)機(jī)械進(jìn)修義務(wù)，可使用 MLlib for Spark。假如采取根本設(shè)置的 Spark，那末模子參數(shù)存儲(chǔ)在驅(qū)動(dòng)器節(jié)點(diǎn)上，在每次迭代后經(jīng)由過(guò)程任務(wù)者和驅(qū)動(dòng)器間的通訊更新參數(shù)。假如是年夜范圍安排機(jī)械進(jìn)修義務(wù)，那末驅(qū)動(dòng)器能夠沒(méi)法存儲(chǔ)一切的模子參數(shù)，這時(shí)候就須要應(yīng)用 RDD 去包容一切的參數(shù)。這將引入年夜量的額定開(kāi)支，由于為了包容更新的模子參數(shù)，須要在每次迭代中創(chuàng)立新的 RDD。更新模子會(huì)觸及在機(jī)械和磁盤(pán)間的數(shù)據(jù) Shuffle，進(jìn)而限制了 Spark 的擴(kuò)大性。這恰是根本數(shù)據(jù)流模子（即 DAG）的短板地點(diǎn)。Spark 其實(shí)不能很好地支撐機(jī)械進(jìn)修中的迭代運(yùn)算。
PMLS
PMLS 是專(zhuān)門(mén)為機(jī)械進(jìn)修義務(wù)而設(shè)計(jì)的。它引入了稱(chēng)為“參數(shù) - 辦事器”（Parameter-Server，PS）的籠統(tǒng)，這類(lèi)籠統(tǒng)是為了支撐迭代密集的練習(xí)進(jìn)程。
PS（在圖中以綠色方框所示）以散布式 key-value 數(shù)據(jù)表情勢(shì)存在于內(nèi)存中，它是可復(fù)制和分片的。每一個(gè)節(jié)點(diǎn)（node）都是模子中某個(gè)分片的主節(jié)點(diǎn)（參數(shù)空間），并作為其它分片的二級(jí)節(jié)點(diǎn)或復(fù)制節(jié)點(diǎn)。如許 PS 在節(jié)點(diǎn)數(shù)目上的擴(kuò)大性很好。
PS 節(jié)點(diǎn)存儲(chǔ)并更新模子參數(shù)，并呼應(yīng)來(lái)自于任務(wù)者的要求。任務(wù)者從本身的當(dāng)?shù)?PS 拷貝上要求最新的模子參數(shù)，并在分派給它們的數(shù)據(jù)集分區(qū)上履行盤(pán)算。
PMLS 也采取了 SSP（Stale Synchronous Parallelism）模子。比擬于 BSP（Bulk Synchronous Parellelism）模子 ，SSP 放寬了每次迭代停止時(shí)各個(gè)機(jī)械需做同步的請(qǐng)求。為完成同步，SSP 許可任務(wù)者間存在必定水平上的分歧步，并確保了最快的任務(wù)者不會(huì)搶先最慢的任務(wù)者 s 輪迭代以上。因?yàn)樘幹眠M(jìn)程處于誤差所許可的規(guī)模內(nèi)，這類(lèi)非嚴(yán)厲的分歧性模子仍然實(shí)用于機(jī)械進(jìn)修。我已經(jīng)揭橥過(guò)一篇博文專(zhuān)門(mén)引見(jiàn)這一機(jī)制。
TensorFlow
Google 給出了一個(gè)基于散布式機(jī)械進(jìn)修平臺(tái)的參數(shù)辦事器模子，稱(chēng)為“DistBelief”（此處是我對(duì) DistBelief 論文的綜述）。就我所知，年夜家對(duì) DistBelief 的不滿(mǎn)足的地方重要在于，它在編寫(xiě)機(jī)械進(jìn)修運(yùn)用時(shí)須要混雜一些底層代碼。Google 想使其任一雇員都可以在無(wú)需精曉散布式履行的情形下編寫(xiě)機(jī)械進(jìn)修代碼。恰是出于統(tǒng)一緣由，Google 對(duì)年夜數(shù)據(jù)處置編寫(xiě)了 MapReduce 框架。
TensorFlow 是一種設(shè)計(jì)用于完成這一目的的平臺(tái)。它采取了一種更高等的數(shù)據(jù)流處置范式，個(gè)中表現(xiàn)盤(pán)算的圖不再須要是 DAG，圖中可以包含環(huán)，并支撐可變狀況。我以為 TensorFlow 的設(shè)計(jì)在必定水平上遭到了 Naiad 設(shè)計(jì)理念的影響。
TensorFlow 將盤(pán)算表現(xiàn)為一個(gè)由節(jié)點(diǎn)和邊構(gòu)成的有向圖。節(jié)點(diǎn)表現(xiàn)盤(pán)算操作或可變狀況（例如 Variable），邊表現(xiàn)節(jié)點(diǎn)間通訊的多維數(shù)組，這類(lèi)多維數(shù)據(jù)稱(chēng)為“Tensor”。TensorFlow 須要用戶(hù)靜態(tài)地聲明邏輯盤(pán)算圖，并經(jīng)由過(guò)程將圖重寫(xiě)和劃分到機(jī)械上完成散布式盤(pán)算。需解釋的是，MXNet，特殊是 DyNet，應(yīng)用了一種靜態(tài)界說(shuō)的圖。這簡(jiǎn)化了編程，并進(jìn)步了編程的靈巧性。
如上圖所示，在 TensorFlow 中，散布式機(jī)械進(jìn)修練習(xí)應(yīng)用了參數(shù) - 辦事器辦法。當(dāng)在 TensorFlow 中應(yīng)用 PS 籠統(tǒng)時(shí)，就應(yīng)用了參數(shù) - 辦事器和數(shù)據(jù)并行。TensorFlow 宣稱(chēng)可以完成更龐雜的義務(wù)，然則這須要用戶(hù)編寫(xiě)代碼以通向那些未摸索的范疇。
MXNet
MXNet 是一個(gè)協(xié)同開(kāi)源項(xiàng)目，源自于在 2015 年涌現(xiàn)的 CXXNet、Minverva 和 Purines 等深度進(jìn)修項(xiàng)目。相似于 TensorFlow，MXNet 也是一種數(shù)據(jù)流體系，支撐具有可變狀況的有環(huán)盤(pán)算圖，并支撐應(yīng)用參數(shù) - 辦事器模子的練習(xí)盤(pán)算。異樣，MXNet 也對(duì)多個(gè) CPU/GPU 上的數(shù)據(jù)并行供給了很好的支撐，并可完成模子并行。MXNet 支撐同步的和異步的練習(xí)盤(pán)算。下圖顯示了 MXNet 的重要組件。個(gè)中，運(yùn)轉(zhuǎn)時(shí)依附引擎剖析盤(pán)算進(jìn)程中的依附關(guān)系，對(duì)不存在互相依附關(guān)系的盤(pán)算做并行處置。MXNet 在運(yùn)轉(zhuǎn)時(shí)依附引擎之上供給了一個(gè)中央層，用于盤(pán)算圖和內(nèi)存的優(yōu)化。
MXNet 應(yīng)用檢討點(diǎn)機(jī)制支撐根本的容錯(cuò)，供給了對(duì)模子的 save 和 load 操作。save 操作將模子參數(shù)寫(xiě)入到檢討點(diǎn)文件，load 操作從檢討點(diǎn)文件中讀取模子參數(shù)。
MXNet 應(yīng)用描寫(xiě)式編程說(shuō)話(huà)表述盤(pán)算為一個(gè)有向圖，也支撐應(yīng)用一些指令式編程去界說(shuō) tensor 的盤(pán)算和掌握流。MXNet 供給了多種說(shuō)話(huà)（例如 C++、Python、R 和 Scala 等）編寫(xiě)的客戶(hù)端 API。與 TensorFlow 一樣，MXNet 的后臺(tái)焦點(diǎn)引擎庫(kù)異樣是應(yīng)用 C++ 編寫(xiě)的。
部門(mén)評(píng)價(jià)成果
在我們的試驗(yàn)中，應(yīng)用了 Amazon EC2 m4.xlarge 實(shí)例。每一個(gè)實(shí)例具有 4 個(gè)由 Intel Xeon E5-2676 v3 完成的 vCPU，及 16GB 的內(nèi)存，EBS 帶寬是 750Mbps。我們對(duì)兩種罕見(jiàn)的機(jī)械進(jìn)修義務(wù)停止了試驗(yàn)，它們分離是二分類(lèi)邏輯斯蒂回歸和應(yīng)用多層神經(jīng)收集的圖象分類(lèi)。本文中只給出了部門(mén)成果圖，更多的試驗(yàn)成果可拜見(jiàn)我們的論文。需指出的是，我們的試驗(yàn)具有一些局限性。起首，我們應(yīng)用機(jī)械數(shù)目不年夜，不克不及測(cè)試擴(kuò)大性。其次，我們也只應(yīng)用了 CPU 盤(pán)算，并未測(cè)試 GPU 的應(yīng)用情形。
該圖展現(xiàn)了各個(gè)平臺(tái)對(duì)邏輯斯蒂回歸的盤(pán)算速度。PMLS 和 MXNet 是最快的兩個(gè)體系，TensorFlow 速度最慢，而 Spark 介于二者之間。對(duì)此，我們剖析以為是由多個(gè)緣由招致的。起首，比擬于 Spark 和 TensorFlow，PMLS 是一個(gè)輕量級(jí)體系，它是采取高機(jī)能 C++ 編程說(shuō)話(huà)完成的，而 Spark 是應(yīng)用運(yùn)轉(zhuǎn)在 JVM 上的 Scala 說(shuō)話(huà)編寫(xiě)的。其次，PMLS 中包括的籠統(tǒng)較少，而 TensorFlow 中則具有過(guò)量的籠統(tǒng)。籠統(tǒng)增長(zhǎng)了體系的龐雜度，并招致運(yùn)轉(zhuǎn)時(shí)開(kāi)支。
該圖展現(xiàn)了 DNN 在各個(gè)平臺(tái)上的速度。比擬于單層神經(jīng)收集，當(dāng)成長(zhǎng)到兩層神經(jīng)收集時(shí)，因?yàn)轫氁嗟牡P(pán)算，Spark 的機(jī)能降低。我們將模子參數(shù)存儲(chǔ)在 Spark 的驅(qū)動(dòng)器中，由于驅(qū)動(dòng)器可以包容這些參數(shù)。然則假如我們應(yīng)用 RDD 堅(jiān)持參數(shù)，并在每次迭代后做更新，成果能夠會(huì)更差。
該圖展現(xiàn)了平臺(tái)的 CPU 占用率。Spark 運(yùn)用看上去具有偏高的 CPU 占用率，這重要來(lái)自于序列化的開(kāi)支。有些后期任務(wù)也指出了統(tǒng)一成績(jī)。
結(jié)論及將來(lái)的研討偏向
機(jī)械進(jìn)修和深度進(jìn)修運(yùn)用是高度可并行的，然則從并發(fā)算法角度看，要做到其實(shí)不那末輕易?？梢哉f(shuō)，參數(shù) - 辦事器辦法最合適于散布式機(jī)械進(jìn)修平臺(tái)的練習(xí)義務(wù)。
斟酌到瓶頸，收集仍然是散布式機(jī)械進(jìn)修運(yùn)用的瓶頸。比擬于更高等的通用數(shù)據(jù)流平臺(tái)，更主要的是要提出對(duì)數(shù)據(jù)和模子的更好組織和介入機(jī)制。應(yīng)將數(shù)據(jù)和模子視作一等國(guó)民。
另外，還有其它一些身分對(duì)平臺(tái)具有奧妙的影響。關(guān)于 Spark，CPU 開(kāi)支成為比收集局限更嚴(yán)重的瓶頸成績(jī)。Spark 應(yīng)用的編程說(shuō)話(huà)是 Scala 等 JVM 說(shuō)話(huà)，這對(duì) Spark 的機(jī)能具有明顯的影響。是以存在著對(duì)更好的監(jiān)控對(duì)象和對(duì)散布式機(jī)械進(jìn)修平臺(tái)機(jī)能猜測(cè)的需求。近期曾經(jīng)涌現(xiàn)了一些對(duì)象，例如 Ernest 和 CherryPick，它們處理了一些 Spark 數(shù)據(jù)處置運(yùn)用上的成績(jī)。
關(guān)于支撐機(jī)械進(jìn)修的運(yùn)轉(zhuǎn)時(shí)散布式體系，仍然存在著一些開(kāi)放成績(jī)，例如資本調(diào)劑和運(yùn)轉(zhuǎn)時(shí)機(jī)能改良。斟酌到運(yùn)用的運(yùn)轉(zhuǎn)時(shí)監(jiān)控和機(jī)能剖析，下一代的散布式機(jī)械進(jìn)修平臺(tái)應(yīng)供給對(duì)運(yùn)轉(zhuǎn)于平臺(tái)上義務(wù)的盤(pán)算、內(nèi)存、收集資本的運(yùn)轉(zhuǎn)時(shí)彈性設(shè)置裝備擺設(shè)和調(diào)劑等才能。
在編程和軟件工程的支撐上，也異樣有一些開(kāi)放成績(jī)。甚么是合適機(jī)械進(jìn)修運(yùn)用的散布式編程籠統(tǒng)？這些成績(jī)還須要做進(jìn)一步的研討，并對(duì)散布式機(jī)械進(jìn)修運(yùn)用停止磨練和驗(yàn)證，例如應(yīng)用特定成績(jī)輸出測(cè)試 DNN。
參考文獻(xiàn)
論文原文：https://www.cse.buffalo.edu/~demirbas/publications/DistMLplat.pdf
Learning Machine Learning: A beginner's journey，https://muratbuffalo.blogspot.com/2016/12/learning-machine-learning-beginners.html
Paper Review. Petuum: A new platform for distributed machine learning on big data，https://muratbuffalo.blogspot.com/2016/04/petuum-new-platform-for-distributed.html
Google DistBelief paper: Large Scale Distributed Deep Networks，https://muratbuffalo.blogspot.com/2017/01/谷歌-distbelief-paper-large-scale.html
Paper summary: Making sense of Performance in Data Analytics frameworks （NSDI 15），https://muratbuffalo.blogspot.com/2017/05/paper-summary-making-sense-of.html
Naiad: A timely dataflow system，http://muratbuffalo.blogspot.hk/2014/03/naiad-timely-dataflow-system.html
Paper summary: Making sense of Performance in Data Analytics frameworks （NSDI 15），http://muratbuffalo.blogspot.hk/2017/05/paper-summary-making-sense-of.html
https://spark-summit.org/east-2017/events/ernest-efficient-performance-prediction-for-advanced-analytics-on-apache-spark/
https://blog.acolyer.org/2017/05/04/cherrypick-adaptively-unearthing-the-best-cloud-configurations-for-big-data-analytics/
作者引見(jiàn)
Murat Demirbas傳授供職于 University at Buffalo，SUNY 的盤(pán)算機(jī)迷信與技巧系
