实现 TensorFlow 多机并行线性加速

摘要：在一个数据分析任务和任务混合的环境中，大数据分析任务也会消耗很多网络带宽如操作，网络延迟会更加严重。本地更新更新更新目前，我们已经复现中的实验结果，实现了多机并行的线性加速。

王佐，天数润科深度学习平台负责人，曾担任 Intel亚太研发中心Team Leader，万达人工智能研究院资深研究员，长期从事分布式计算系统研究，在大规模分布式机器学习系统架构、机器学习算法设计和应用方面有深厚积累。

在上一家公司就开始实践打磨一个深度优化的深度学习系统，当时从消除网络瓶颈，非凸优化，以及具体的深度学习算法等方面基于PaddlePaddle做了许多工作。目前公司主要深度学习算法都是跑在TensorFlow上，使用配置了GeForce GTX 1080的单机训练，一次完整的训练至少需要一周的时间，所以决定从优化TensorFlow多机并行方面提高算力。

为什么要优化 Tensorflow 多机并行

更多的数据可以提高预测性能[2]，这也意味着更沉重的计算负担，未来计算力将成为AI发展的较大瓶颈。在大数据时代，解决存储和算力的方法是Scale out，在AI时代，Scale out也一定是发展趋势，并且大数据分析任务和AI/ML任务会共享处理设备（由于AI/ML迭代收敛和容错的特征，这两种任务未来不太可能使用统一平台），所以需要在分布式环境下优化资源配置[3]，消除性能瓶颈。虽然现在TensorFlow能支持多机并行分布式训练，但是针对复杂网络，其训练速度反而不如单台机器[1]。目前已经有IBM[4]和Petuum[1]分别在其深度学习系统PowerAI 4.0和Poseidon中实现多机并行线性加速，本文介绍我如何通过消除TensorFlow的网络瓶颈，实现TensorFlow多机并行线性加速。

TensorFlow分布式训练的网络瓶颈分析

深度学习训练需要海量的数据，这就需要超大规模参数的网络模型拟合。如果训练数据不足，会造成欠拟合；如果网络模型参数太少，只会得到低精度的模型。目前常见网络模型参数已经上亿，参数大小达到数GB。[10]中给出了训练数据和参数大小一些例子。

训练数据和参数大小（来自[10]）

目前GPU已经成为深度学习训练的标配。GPU具有数量众多计算单元和超长流水线，并且具备强大并行计算能力与浮点计算能力，可以大幅加速深度学习模型的训练速度，相比CPU能提供更快的处理速度、更少的服务器投入和更低的功耗。这也意味着，GPU集群上训练深度学习模型，迭代时间更短，参数同步更频繁。[9]中对比了主流深度学习系统在CPU和GPU上的训练性能，可以看出GPU每次迭代的时间比CPU少2个数量级。

CPU 训练 alexnet（来自[9]）

GPU 训练alexnet（来自[9]）

假设每0.5秒一个迭代，每个worker每秒需要通过网络传输的大于4GB，即使使用10GbE，参数同步也会瞬间把网络占满。考虑到训练数据可能通过NFS或者HDFS加载，也会占用很多网络带宽。在一个数据分析任务和AI/ML任务混合的环境中，大数据分析任务也会消耗很多网络带宽（如shuffle操作），网络延迟会更加严重。所以如果想以Scale out的方式提升算力，网络将是较大的瓶颈。[1]中通过实验证明，在8个节点进行TensorFlow分布式训练，对于VGG19网络，90%的时间花在等待网络传输上面。

网络开销（来自[2]）

消除网络瓶颈的方法（一）

分布式深度学习可以采用BSP和SSP两种模式。SSP通过允许faster worker使用staled参数，从而达到平衡计算和网络通信开销时间的效果[8]。SSP每次迭代收敛变慢，但是每次迭代时间更短，在CPU集群上，SSP总体收敛速度比BSP更快，但是在GPU集群上训练，BSP总体收敛速度比SSP反而快很多[6]。

BSP模型有个缺点，就是每次迭代结束，Worker需要发送梯度更新到PS，每次迭代开始，Worker需要从PS接收更新后的参数，这会造成瞬间大量的网络传输。参数服务器通过把参数切分成block，并且shard到多台机器，比较AllReduce，有效利用网络带宽，降低网络延迟。目前主流的深度学习系统（TensorFlow，Mxnet，Petuum）都选择用参数服务器做参数同步。

AllReduce（来自[5]）

Parameter Server

上图可以很容易看出，AllReduce拓扑中，Reducer节点成为网络传输的瓶颈。PS拓扑中，通常每台机器启动相同数量的Worker和Parameter Server，每台机器的网络传输量基本相同。

ring AllReduce（来自[5]）

对于多机多卡训练，可以把参数现在本机聚合，再指定一个worker跟参数服务器交互，可以大量减少网络传输。可以使用PaddlePaddle提出来的ring AllReduce，优化单机多卡的本地聚合。

解决瞬间大量的网络传输问题另一个方法是实现GPU计算和网络通信的Overlap。在反向传播的backward阶段产生梯度时，可异步地进行梯度更新，并立即计算下一层网络的梯度。梯度更新首先要把新梯度从GPU显存拷贝到CPU内存，这种GPU-CPU的拷贝也可以和GPU计算做Overlap。因为PS是跑在CPU上，所以GPU计算也跟PS参数更新实现Overlap。

GPU计算和网络传输overlap（来自[1]）

消除网络瓶颈的方法（二）

减少网络传输量也是消除网络瓶颈的有效途径。网络模型中90%参数集中在FC层。很多深度学习系统提出了减少FC层参数大小的方法，比如Adam中的Sufficient Factor，CNTK中的 1-bit quantization，Petuum中的Sufficient Factor Broadcasting[7]。

实现代码

首先得实现PS和SFB，可以参照petuum，ps-lite，angel。

TensorFlow 相关的修改主要有两个地方：

2. tensorflow/core/kernels/http://matmul_op.cc中的MalMulOp::Compute，这里需要判断是否使用PS或者SFB，从而将本地更新切换为PS更新或SFB更新。

本地更新

PS更新

SFB更新

目前，我们已经复现[1]中的实验结果，实现了Tensorflow多机并行的线性加速。我们还在 Tensorflow 其他方面进行优化。

商业智能与数据分析群

兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识

QQ群：81035754