[[343402]]

 1. 訓練的瓶頸在哪里

•  GPU利用率低：模型訓練時GPU顯存沾滿了，但是GPU的利用率比較不穩(wěn)定，有時候0%，有時候90%，忽高忽低。   

•  訓練的數(shù)據量大：訓練數(shù)據大，在百萬/千萬的量級，訓練一個Epoch需要很長時間，模型迭代周期過長。

2. 提高GPU利用率：CPU vs GPU

GPU利用率低, 主要原因是CPU處理的效率跟不上GPU

2.1 CPU vs GPU的通信

•  CPU負責加載數(shù)據+數(shù)據預處理，并不斷的在內存和顯存之間交互數(shù)據
•  GPU負責模型訓練（圖片來自網絡）

2.2 解決方案

采用多進程并行處理，加快CPU加載數(shù)據的性能

•  keras keras 中提供了workers use_multiprocessing來采用多進程方式，并行處理數(shù)據，并push到隊列中，共GPU模型訓練。因為進程之間可能相互影響資源，并不是越大越好，workers可以設置2，4，8。 

run_model.fit_generator(  
              generator=training_generator,  
              class_weight={0: config.weights, 1: 1},  
              epochsepochs=epochs,  
              verbose=1,  
              steps_per_epochsteps_per_epoch=steps_per_epoch,  
              callbacks=callbacks_list,  
              validation_data=valid_generator, 
              validation_stepsvalidation_steps=validation_steps,  
              shuffle=True,  
              workers=8,  
              use_multiprocessing=True,  
              max_queue_size=20 

•  pytorch torch在加載數(shù)據中提供類似參數(shù)num_workers。pin_memory=True可以直接加載到顯存中，而不需要內存 

torch.utils.data.DataLoader(image_datasets[x],  
                             batch_sizebatch_size=batch_size,   
                             shuffle=True,  
                             num_workers=8,  
                             pin_memory=True) 

3. 分布式并行訓練

3.1 并行模式

當訓練的數(shù)據量很大時，可以通過多個機器多個GPU來提高訓練的效率。不同于hadoop和spark等分布式數(shù)據處理框架，深度學習訓練因為要涉及參數(shù)的前項傳播和反向傳播，有兩種并行方式：

•  模型并行（ model parallelism ）:分布式系統(tǒng)中的不同機器（GPU/CPU等）負責網絡模型的不同部分，通常是神經網絡模型的不同網絡層被分配到不同的機器，或者同一層內部的不同參數(shù)被分配到不同機器。一般是超大的模型，一張顯卡放不下的情況，如NLP的模型。模型并行的缺點是層和層之間可能存在依賴關系，不能完全的并行。（圖片來自網絡）  

•  數(shù)據并行（ data parallelism ）：不同的機器有同一個模型的多個副本，每個機器分配到不同的數(shù)據，然后將所有機器的計算結果按照某種方式合并。這種就比較適合大數(shù)據的情況。數(shù)據并行要解決的問題是數(shù)據的分割和傳輸，以及參數(shù)的更新。

3.2 數(shù)據并行

Facebook在《Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour》介紹了使用 256 塊 GPU 進行 ResNet-50 網絡「數(shù)據并行」訓練的方法

•  數(shù)據分割: 選用大的batch-size, 按照worker數(shù)量進行分割， 分發(fā)到不同worker執(zhí)行
•  參數(shù)更新：參數(shù)的更新有兩種模式（1）參數(shù)服務器 （2） ring環(huán)狀更新（無服務器模式）

3.2.1 參數(shù)服務器模式

參數(shù)服務器模式，見下圖。在每個worker執(zhí)行完一個batch的訓練后，反向傳播參數(shù)的時候，所有的worker都會把參數(shù)傳給參數(shù)服務器，進行匯總求均值，之后再傳給每個worker，進入第二個batch的訓練。（圖片來自網絡）

參數(shù)服務器有一個或者多個的結構模式，可以看出這種數(shù)據并行的模式效率是否提升取決于參數(shù)服務器與worker之間的通信效率，也就是最慢的worker的訓練時間和參數(shù)服務器的接收和更新參數(shù)后再回傳的時間。worker數(shù)量多的話，參數(shù)服務器可能存在瓶頸。（圖片來自網絡）

3.2.2 ring-reduce

百度提出的ring-reduce摒棄了參數(shù)服務器，采用環(huán)狀結構來更新參數(shù)。ring-reduce把所有的worker組成一個兩兩相鄰的環(huán)形結構。每個worker只與相鄰的worker交換參數(shù)。經過幾次交換之后，所有的worker都包含其他worker的參數(shù)信息，達到更新的目的。（圖片來自網絡）

下面幾張圖，可以看到其中的幾個步驟；ring-reduce為了加快速度，并不是一次性交換所有的參數(shù)；而是先把參數(shù)進行分割，不斷交換分割后參數(shù)。

4. 實現(xiàn)框架：Horovod

Horovod 是 Uber 開源的又一個深度學習工具，它的發(fā)展吸取了 Facebook「一小時訓練 ImageNet 論文」與百度 Ring Allreduce 的優(yōu)點，可為用戶實現(xiàn)分布式訓練提供幫助。https://github.com/horovod/horovod

采用NCCL 替換百度的 ring-allreduce 實現(xiàn)。NCCL 是英偉達的集合通信庫，提供高度優(yōu)化的 ring-allreduce 版本。NCCL 2 允許在多個機器之間運行 ring-allreduc。

如果要把單機的訓練代碼修改成分布式的代碼，只要幾個步驟就可以了 改造分布式訓練：

•  horovod安裝 建議安裝docker的horovod，省去安裝環(huán)境的麻煩。horovod依賴NCCL 2 open MPI 

$ mkdir horovod-docker-gpu  
$ wget -O horovod-docker-gpu/Dockerfile https://raw.githubusercontent.com/horovod/horovod/master/Dockerfile.gpu  
$ docker build -t horovod:latest horovod-docker-gpu 

•  機器worker機器之間ssh打通
•  修改訓練代碼 horovod支持tf,keras,pytorch和mxnet等不同的深度學習框架。以keras為例，修改主要6個步驟 （1） 初始化：hvd.init() （2）分配GPU計算資源：config.gpu_options.visible_device_list = str(hvd.local_rank())（3）分布式的優(yōu)化器來實現(xiàn)參數(shù)的分布式更新：opt = hvd.DistributedOptimizer(opt)（4）定義所有worker模型初始化一致性 hvd.callbacks.BroadcastGlobalVariablesCallback(0)（5）模型保存在某一個worker   

from __future__ import print_function  
   import keras 
   from keras.datasets import mnist  
   from keras.models import Sequential  
   from keras.layers import Dense, Dropout, Flatten  
   from keras.layers import Conv2D, MaxPooling2D  
   from keras import backend as K  
   import math  
   import tensorflow as tf 
   import horovod.keras as hvd  
   # Horovod: initialize Horovod.  
   hvd.init()  
   # Horovod: pin GPU to be used to process local rank (one GPU per process)  
   config = tf.ConfigProto()  
   config.gpu_options.allow_growth = True  
   config.gpu_options.visible_device_list = str(hvd.local_rank())  
   K.set_session(tf.Session(configconfig=config))  
   batch_size = 128  
   num_classes = 10  
   # Horovod: adjust number of epochs based on number of GPUs.  
   epochs = int(math.ceil(12.0 / hvd.size()))  
   # Input image dimensions 
   img_rows, img_cols = 28, 28   
   # The data, shuffled and split between train and test sets  
   (x_train, y_train), (x_test, y_test) = mnist.load_data()   
   if K.image_data_format() == 'channels_first':  
       x_trainx_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)  
       x_testx_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)  
       input_shape = (1, img_rows, img_cols)  
   else:  
       x_trainx_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)  
       x_testx_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)  
       input_shape = (img_rows, img_cols, 1)  
   x_trainx_train = x_train.astype('float32')  
   x_testx_test = x_test.astype('float32')  
   x_train /= 255  
   x_test /= 255  
   print('x_train shape:', x_train.shape)  
   print(x_train.shape[0], 'train samples')  
   print(x_test.shape[0], 'test samples')  
   # Convert class vectors to binary class matrices  
   y_train = keras.utils.to_categorical(y_train, num_classes)  
   y_test = keras.utils.to_categorical(y_test, num_classes)  
   model = Sequential()  
   model.add(Conv2D(32, kernel_size=(3, 3),  
                   activation='relu',  
                   input_shapeinput_shape=input_shape))  
   model.add(Conv2D(64, (3, 3), activation='relu'))  
   model.add(MaxPooling2D(pool_size=(2, 2)))  
   model.add(Dropout(0.25))  
   model.add(Flatten())  
   model.add(Dense(128, activation='relu'))  
   model.add(Dropout(0.5))  
   model.add(Dense(num_classes, activation='softmax'))  
   # Horovod: adjust learning rate based on number of GPUs.  
   opt = keras.optimizers.Adadelta(1.0 * hvd.size())  
   # Horovod: add Horovod Distributed Optimizer.  
   opt = hvd.DistributedOptimizer(opt)  
   model.compile(loss=keras.losses.categorical_crossentropy,  
               optoptimizer=opt,  
               metrics=['accuracy'])  
   callbacks = [ 
        # Horovod: broadcast initial variable states from rank 0 to all other processes.  
       # This is necessary to ensure consistent initialization of all workers when  
       # training is started with random weights or restored from a checkpoint.  
       hvd.callbacks.BroadcastGlobalVariablesCallback(0),  
   ]  
   # Horovod: save checkpoints only on worker 0 to prevent other workers from corrupting them.  
   if hvd.rank() == 0:  
       callbacks.append(keras.callbacks.ModelCheckpoint('./checkpoint-{epoch}.h5'))  
   model.fit(x_train, y_train, 
            batch_sizebatch_size=batch_size,  
           callbackscallbacks=callbacks,  
           epochsepochs=epochs,  
           verbose=1,  
           validation_data=(x_test, y_test))  
   score = model.evaluate(x_test, y_test, verbose=0)  
   print('Test loss:', score[0])  
   print('Test accuracy:', score[1]) 

•  利用horovodrun 執(zhí)行分布式訓練

horovodrun -np 16 -H server1:4,server2:4,server3:4,server4:4 python train.py

5. 總結

本文分享了通過GPU利用率和分布式訓練Horovod框架來提升深度學習訓練。

•  并行CPU加載數(shù)據和預處理，讓GPU不再等待CPU
•  采用Horovod讓數(shù)據并行來提高大數(shù)據量的訓練的迭代時間