過去兩年，機器學(xué)習(xí)書寫了一卷強大的成長史，無論你是否真的覺察，它都是如此直接且普遍地在我們的生活中體現(xiàn)價值：客服機器人、垃圾郵件過濾、人臉識別、語音識別、個性化推薦……機器學(xué)習(xí)和人的洞察力這對組合正逐漸滲透到各行各業(yè)，使我們在面對這些冷冰冰的現(xiàn)代設(shè)備時，享受到靈活、智能、且越來越富人情味兒的服務(wù)。

[[163150]]

的確，神經(jīng)網(wǎng)絡(luò)、人工智能和機器學(xué)習(xí)沒什么新穎的，這些算法早在幾十年前就存在。但為什么這瓶老酒直到最近，才發(fā)酵出勢不可擋的香氣呢?數(shù)十億用戶每天行走于互聯(lián)網(wǎng)中，面對這巨大的行為數(shù)據(jù)體量，傳統(tǒng)統(tǒng)計分析方法已經(jīng)無力招架。圍繞著數(shù)據(jù)和工具發(fā)生的變化，可擴展的計算能力在急劇上升，這些都推動著機器學(xué)習(xí)以***的方式大步向前。

除此之外，面向機器學(xué)習(xí)的可用框架也迎來了爆發(fā)式增長。巨頭們紛紛將最為復(fù)雜的技術(shù)從機器學(xué)習(xí)中抽象出來，開源給開發(fā)者和學(xué)術(shù)研究人員，在幫助更多人的同時，使自身技術(shù)方案不斷得到完善和進步。微軟也如是。

去年11月，微軟亞洲研究院將分布式機器學(xué)習(xí)工具包(DMTK)通過GitHub開源。隨著某些應(yīng)用場景下數(shù)據(jù)量越來越大，分布式機器學(xué)習(xí)技術(shù)的重要性日益顯現(xiàn)。但將大量設(shè)備匯聚起來并開發(fā)出能夠順利跨越各設(shè)備運行的機器學(xué)習(xí)應(yīng)用絕非易事。大規(guī)模機器學(xué)習(xí)技術(shù)的挑戰(zhàn)在哪里?優(yōu)勢又是什么?對于開發(fā)者，怎樣結(jié)合實際業(yè)務(wù)需求更好地使用DMTK?帶著這些問題，51CTO記者走進微軟亞洲研究院向DMTK團隊研究員——微軟亞洲研究院主管研究員王太峰拋出了我們的疑問。

[[163151]]

微軟亞洲研究院主管研究員 王太峰

DMTK是什么

王太峰介紹，DMTK由一個服務(wù)于分布式機器學(xué)習(xí)的框架和一組分布式機器學(xué)習(xí)算法構(gòu)成，是一個將機器學(xué)習(xí)算法應(yīng)用在大數(shù)據(jù)上的工具包。DMTK目前聚焦于解決Offline-training的并行化。除了分布式學(xué)習(xí)框架，它還包括了主題模型和詞向量學(xué)習(xí)的算法，這些算法可以應(yīng)用于自然語言處理方面，比如文本分類與聚類、話題識別以及情感分析等。為了適應(yīng)不同的集群環(huán)境，DMTK框架支持兩種進程間的通信機制：MPI和ZMQ。應(yīng)用程序端不需要修改任何代碼就能夠在這兩種方式之間切換。DMTK支持Windows和Linux兩種操作系統(tǒng)。目前主要支持C和C++,之后會考慮到一些高級語言的升級，比如Python。

在實現(xiàn)算法的過程中DMTK團隊看到，用一個框架來將這些算法很容易地并行到大量機器上來解決大規(guī)模機器學(xué)習(xí)問題，是非常必要的。因此，微軟將DMTK框架和幾個例子開源出來，一方面與開發(fā)者和學(xué)術(shù)研究人員共同分享技術(shù)，另一方面希望通過大家貢獻改進意見，并將更多的算法添加到這套框架中來。

如何應(yīng)對大規(guī)模機器學(xué)習(xí)的挑戰(zhàn)

在被問及DMTK如何解決大規(guī)模機器學(xué)習(xí)的挑戰(zhàn)時，王太峰主要從如何處理大規(guī)模數(shù)據(jù)和訓(xùn)練大規(guī)模模型兩方面做了回答。

1. 大規(guī)模數(shù)據(jù)：基于DMTK我們可以利用多個機器一同完成處理，每個機器處理一部分數(shù)據(jù)。在多個機器中同時存在多個參數(shù)的副本，它們獨立基于本地數(shù)據(jù)產(chǎn)生對參數(shù)的更新，并在參數(shù)服務(wù)器端進行參數(shù)更新的合并。通過這種數(shù)據(jù)并行的方式，利用多個機器同時處理大規(guī)模的數(shù)據(jù)，大大加速了學(xué)習(xí)過程。即使是每臺機器處理相對小的數(shù)據(jù)分塊，但是有時候模型參數(shù)非常多，以至于基于全部參數(shù)在內(nèi)存中更新的算法變得不可行。

2. 大規(guī)模模型：在大規(guī)模模型中，學(xué)習(xí)參數(shù)在單個機器中裝不下。就這個問題，DMTK可以從兩個方面解決，首先DMTK框架中的參數(shù)服務(wù)器本身即為分布式，所以可利用很多機器分布式存儲模型。其次，在單個機器進行本地學(xué)習(xí)的過程中，通過設(shè)計精巧的分段學(xué)習(xí)方法，使得參數(shù)更新分批次完成。即使模型再大，也能保證本地參數(shù)學(xué)習(xí)順利完成。

具體來說，DMTK當前版本的工具包主要有以下幾個部分：

DMTK分布式機器學(xué)習(xí)框架

主要由參數(shù)服務(wù)器和客戶端軟件開發(fā)包(SDK)兩部分構(gòu)成。

1. 參數(shù)服務(wù)器。重新設(shè)計過的參數(shù)服務(wù)器在原有基礎(chǔ)上從性能和功能上都得到了進一步提升——支持存儲混合數(shù)據(jù)結(jié)構(gòu)模型、接受并聚合工作節(jié)點服務(wù)器的數(shù)據(jù)模型更新、控制模型同步邏輯等。

2. 客戶端軟件開發(fā)包(SDK)。包括網(wǎng)絡(luò)層、交互層的一些東西，支持維護節(jié)點模型緩存(與全局模型服務(wù)器同步)、節(jié)點模型訓(xùn)練和模型通訊的流水線控制、以及片狀調(diào)度大模型訓(xùn)練等。用戶并不需要清楚地知道參數(shù)和服務(wù)器的對應(yīng)關(guān)系，SDK會幫助用戶自動將客戶端的更新發(fā)送至對應(yīng)的參數(shù)服務(wù)器端。

通用分布式機器學(xué)習(xí)算法

LightLDA：LightLDA是一種全新的用于訓(xùn)練主題模型的學(xué)習(xí)算法，是具有可擴展、快速、輕量級，計算復(fù)雜度與主題數(shù)目無關(guān)等特點的高效算法。在其分布式實現(xiàn)中，DMTK團隊做了大量系統(tǒng)優(yōu)化使得其能夠在一個普通計算機集群上處理超大規(guī)模的數(shù)據(jù)和模型。例如，在一個由8臺計算機組成的集群上，只需要一個星期左右的時間，可以在具有1千億訓(xùn)練樣本(token)的數(shù)據(jù)集上訓(xùn)練具有1千萬詞匯表和1百萬個話題(topic)的LDA模型(約10萬億個參數(shù))。這種規(guī)模的實驗以往在數(shù)千臺計算機的集群上也需要數(shù)以月計的時間才能得到相似結(jié)果。

分布式詞向量：詞向量技術(shù)近來被普遍地應(yīng)用于計算詞匯的語義表示，它可以用作很多自然語言處理任務(wù)的詞特征。微軟為兩種計算詞向量的算法提供了高效的分步式實現(xiàn)：一種是標準的word2vec算法，另一種是可以對多義詞計算多個詞向量的新算法。

詞向量的作用是為了比較兩個詞之前的距離，基于這個距離來判斷語義上更深的信息。以前的詞向量模型以單詞為維度建立，每個單詞學(xué)出一組參數(shù)，每組參數(shù)即為詞向量，每個單詞通過映射至詞向量上來進行語義上的表達。一個向量在語義空間中對應(yīng)一個點。而一詞多義的現(xiàn)象極為普遍，但如果多個意思在語義空間中只用一個點來表達就不太科學(xué)。如果我們希望學(xué)出多個語義空間中的點，在建立模型時就不會讓每個單詞只表達出一個向量，而是最開始時就讓每個單詞選擇N個向量進行定義，而后置入概率混合模型。這個模型通過在學(xué)習(xí)過程中不斷的優(yōu)化，產(chǎn)生對每個單詞多個向量的概率分布，結(jié)合語境對每個向量分配概率，從而學(xué)習(xí)更有意義的詞向量表達。

一詞多義的學(xué)習(xí)框架和學(xué)習(xí)過程與一詞一義并沒什么不同，但它有更多的參數(shù)，并且需要在學(xué)習(xí)過程中分配多個向量各自對應(yīng)的概率，因此復(fù)雜度更高。由于整個過程通過多機進行并行，因此還是能夠保證以足夠快的速度完成訓(xùn)練。比如在對某網(wǎng)頁數(shù)據(jù)集(約1千億單詞)進行訓(xùn)練時，8臺機器大概40個小時內(nèi)就可以完成模型訓(xùn)練。

DMTK提供了豐富的API接口給研發(fā)人員。大數(shù)據(jù)接口主要集中在并行框架這部分，來解決很多機器一起學(xué)習(xí)時，單機的客戶端如何調(diào)用參數(shù)服務(wù)器的問題。

王太峰為我們列舉了DMTK中對于不同需求的開發(fā)者設(shè)計的API：

• 保持原有機器學(xué)習(xí)算法流程：這類開發(fā)人員最需要的API就是同步參數(shù)，依照自己原有的算法進行訓(xùn)練，只在需要多機之間交互時利用DMTK的API來獲取模型參數(shù)(GET)和發(fā)送更新(ADD)。通常這類開發(fā)需要花的精力比較少。
• 從頭設(shè)計算法：這類開發(fā)人員不需要設(shè)計完整算法流程，只需按照DMTK中對數(shù)據(jù)塊描述，接口會告訴DMTK每條數(shù)據(jù)需要什么參數(shù)，如何利用數(shù)據(jù)進行參數(shù)更新。DMTK客戶端SDK會自動啟動內(nèi)置的學(xué)習(xí)流程，進行逐條數(shù)據(jù)的訓(xùn)練，并在必要的時候進行模型交互。

目前DMTK在GitHub上有1400多顆星，在分布式機器學(xué)習(xí)的框架上來說排名是非?？壳暗?。用戶也反饋了很多對代碼修復(fù)的意見、和對增加一些額外功能需求的建議。

DMTK并非完整的開箱即用解決方案，其中分布式的算法，如LightLDA，WordEmbedding可以為很多用戶直接所用。同時，DMTK在設(shè)計上允許用戶進行后續(xù)擴展，使其能夠支持更多的算法和平臺。王太峰還透露，目前DMTK還是利用現(xiàn)有的文檔系統(tǒng)(Filesystem)，直接將數(shù)據(jù)分布在里面，各個機器處理本地硬盤上的數(shù)據(jù)。在此基礎(chǔ)上，DMTK正逐漸增加對Hadoop的一些支持，如利用HDFS去讀數(shù)據(jù)，幫助用戶調(diào)度作業(yè)等。

后記

就在不久前，微軟公司還發(fā)布了另一套機器學(xué)習(xí)工具包，即計算網(wǎng)絡(luò)工具包(Computational Network Toolkit)——或者簡稱CNTK。另外，谷歌開源人工智能系統(tǒng)TensorFlow，IBM開源機器學(xué)習(xí)平臺SystemML。這對廣大開發(fā)者和創(chuàng)業(yè)公司來說，無疑在很大程度上簡化基礎(chǔ)技術(shù)的投入和難度。

大規(guī)模機器學(xué)習(xí)是一柄利刃，但決不是***的。對于大規(guī)模機器學(xué)習(xí)領(lǐng)域來說，業(yè)務(wù)技術(shù)的重要性勝過基礎(chǔ)技術(shù)。這么多巨頭將機器學(xué)習(xí)平臺開源，作為開發(fā)者,我們再沒理由不利用好。