機器學習：模型訓練架構

2021 iThome 鐵人賽

DAY 18

DevOps

中台化轉型系列第 18 篇

13th鐵人賽

HO-HSUN

2021-09-18 16:03:51

891 瀏覽

分享至

分散式運算架構
- MapReduce
  利用函式語言程式設計的概念，將分散運算分為映射(Map)和歸納(Reduce)階段，使用程式介面支援大數據運算任務。
- Ring-AllReduce
  訊息傳輸介面(Message Passing Interface, MPI)是一種頻寬優化優先的方法，實現了歸納(Reduce)的運算操作(Sum, Avg, Max)，符合了模型訓練所需。
  - Initialization：將N個節點當中的梯度切成N個切片。
  - ScatterRecude：向環(Ring)中的下一個節點發送N個切片中的一個。
  - AllGather：透過 N-1 次環形通訊，將每個切片的梯度運算結果果播到每個節點。
  - Merge：每個節點均獲得了所有切片內的梯度運算結果。
- 參數伺服器(Parameter Server)
  將模型資料儲存在"參數伺服器"上，計算節點通過"參數伺服器"來分享資料。
  - Server Group：
    - Server Manager：分配資源並維護元資料(Metadata)
    - Server Node：提供資料讀寫服務
  - Worker Group：實際運算任務
    - Task Scheduler：任務的分配，以及節點可用性計算
  - Resource Manager：資源分配和可用性保證
- 資料流
  運算過程被抽象化成資料流傳輸過程，每個資料流中的節點代表資料運算。
平行運算同步機制
不同的節點中可以平行資料運算，但節點間也需要通訊來完成進度同步及工作協作。
- 同步平行運算(Bulk Synchronous Parallel, BSP)
  要求所有節點以同樣的速度進行資料處理。
  - Superstep：一次完整的資料運算疊代
    - Processor：每個節點上可以有多個 Processor 做為資料處裡的一個運算單位。
    - Local Computation：Processor 上的運算。
    - Communication：Processor 之間的通訊。
    - Barrier Synchronization：同步屏障(Barrier)
      程序中的每個執行緒進行到此，都必須等待，直到所有執行緒都到達才可以繼續執行下一個階段。
- 非同步平行運算(Asynchronous Synchronous Parallel, ASP)
  需要配合適當的梯度下降演算法，否則可能會導致運算失敗，影響模型收歛速度。
- 延遲同步運算(Stale Synchronous Parallel, SSP)
  利用一個 Staleness-Threshold 的閥值來確定同步的時機，閥值可依據運算狀態動態調節，適合節點運算能力較為一致的高叢集同質性環境。
梯度下降演算法
- 隨機梯度下降(Stochastic Gradient Descent, SGD)
- 彈性平均梯度下降(Elastic Averaging SGD, EASGD)
- 非同步隨機梯度下降(Asynchronous Stochastic Gradient Descent, ASGD)
- 同步隨機梯度下降(Downpour Stochastic Gradient Descent, Downpour SGD)
- 延遲懲罰
  - AsyncAdaGrad
  - AdaptiveRevision
  - AdaDelay
- 延遲補償