分布式机器学习(Parameter Server)

Posted 2023-05-27 N3ptune

分布式机器学习中，参数服务器(Parameter Server)用于管理和共享模型参数，其基本思想是将模型参数存储在一个或多个中央服务器上，并通过网络将这些参数共享给参与训练的各个计算节点。每个计算节点可以从参数服务器中获取当前模型参数，并将计算结果返回给参数服务器进行更新。

为了保持模型一致性，通常采用下列两种方法：

1. 将模型参数保存在一个集中的节点上，当一个计算节点要进行模型训练时，可从集中节点获取参数，进行模型训练，然后将更新后的模型推送回集中节点。由于所有计算节点都从同一个集中节点获取参数，因此可以保证模型一致性。
2. 每个计算节点都保存模型参数的副本，因此要定期强制同步模型副本，每个计算节点使用自己的训练数据分区来训练本地模型副本。在每个训练迭代后，由于使用不同的输入数据进行训练，存储在不同计算节点上的模型副本可能会有所不同。因此，每一次训练迭代后插入一个全局同步的步骤，这将对不同计算节点上的参数进行平均，以便以完全分布式的方式保证模型的一致性，即All-Reduce范式

PS架构

在该架构中，包含两个角色：parameter server和worker

parameter server将被视为master节点在Master/Worker架构，而worker将充当计算节点负责模型训练

整个系统的工作流程分为4个阶段：

1. Pull Weights: 所有worker从参数服务器获取权重参数
2. Push Gradients: 每一个worker使用本地的训练数据训练本地模型，生成本地梯度，之后将梯度上传参数服务器
3. Aggregate Gradients：收集到所有计算节点发送的梯度后，对梯度进行求和
4. Model Update：计算出累加梯度，参数服务器使用这个累加梯度来更新位于集中服务器上的模型参数

可见，上述的Pull Weights和Push Gradients涉及到通信，首先对于Pull Weights来说，参数服务器同时向worker发送权重，这是一对多的通信模式，称为fan-out通信模式。假设每个节点（参数服务器和工作节点）的通信带宽都为1。假设在这个数据并行训练作业中有N个工作节点，由于集中式参数服务器需要同时将模型发送给N个工作节点，因此每个工作节点的发送带宽（BW）仅为1/N。另一方面，每个工作节点的接收带宽为1，远大于参数服务器的发送带宽1/N。因此，在拉取权重阶段，参数服务器端存在通信瓶颈。

对于Push Gradients来说，所有的worker并发地发送梯度给参数服务器，称为fan-in通信模式，参数服务器同样存在通信瓶颈。

基于上述讨论，通信瓶颈总是发生在参数服务器端，将通过负载均衡解决这个问题

将模型划分为N个参数服务器，每个参数服务器负责更新1/N的模型参数。实际上是将模型参数分片（sharded model）并存储在多个参数服务器上，可以缓解参数服务器一侧的网络瓶颈问题，使得参数服务器之间的通信负载减少，提高整体的通信效率。

代码实现

定义网络结构：

class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        if torch.cuda.is_available():
            device = torch.device("cuda:0")
        else:
            device = torch.device("cpu")

        self.conv1 = nn.Conv2d(1,32,3,1).to(device)
        self.dropout1 = nn.Dropout2d(0.5).to(device)
        self.conv2 = nn.Conv2d(32,64,3,1).to(device)
        self.dropout2 = nn.Dropout2d(0.75).to(device)
        self.fc1 = nn.Linear(9216,128).to(device)
        self.fc2 = nn.Linear(128,20).to(device)
        self.fc3 = nn.Linear(20,10).to(device)

    def forward(self,x):
        x = self.conv1(x)
        x = self.dropout1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = self.dropout2(x)
        x = F.max_pool2d(x,2)
        x = torch.flatten(x,1)

        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        x = F.relu(x)
        x = self.fc3(x)

        output = F.log_softmax(x,dim=1)

        return output

如上定义了一个简单的CNN

实现参数服务器：

class ParamServer(nn.Module):
    def __init__(self):
        super().__init__()
        self.model = Net()

        if torch.cuda.is_available():
            self.input_device = torch.device("cuda:0")
        else:
            self.input_device = torch.device("cpu")

        self.optimizer = optim.SGD(self.model.parameters(),lr=0.5)

    def get_weights(self):
        return self.model.state_dict()

    def update_model(self,grads):
        for para,grad in zip(self.model.parameters(),grads):
            para.grad = grad

        self.optimizer.step()
        self.optimizer.zero_grad()

get_weights获取权重参数，update_model更新模型，采用SGD优化器

实现worker:

class Worker(nn.Module):
    def __init__(self):
        super().__init__()
        self.model = Net()
        if torch.cuda.is_available():
            self.input_device = torch.device("cuda:0")
        else:
            self.input_device = torch.device("cpu")

    def pull_weights(self,model_params):
        self.model.load_state_dict(model_params)

    def push_gradients(self,batch_idx,data,target):
        data,target = data.to(self.input_device),target.to(self.input_device)
        output = self.model(data)
        data.requires_grad = True
        loss = F.nll_loss(output,target)
        loss.backward()
        grads = []

        for layer in self.parameters():
            grad = layer.grad
            grads.append(grad)

        print(f"batch batch_idx training :: loss loss.item()")

        return grads

Pull_weights获取模型参数，push_gradients上传梯度

训练

训练数据集为MNIST

import torch
from torchvision import datasets,transforms

from network import Net
from worker import *
from server import *

train_loader = torch.utils.data.DataLoader(datasets.MNIST(\'./mnist_data\', download=True, train=True,
               transform = transforms.Compose([transforms.ToTensor(),
               transforms.Normalize((0.1307,),(0.3081,))])),
               batch_size=128, shuffle=True)
test_loader = torch.utils.data.DataLoader(datasets.MNIST(\'./mnist_data\', download=True, train=False,
              transform = transforms.Compose([transforms.ToTensor(),
              transforms.Normalize((0.1307,),(0.3081,))])),
              batch_size=128, shuffle=True)

def main():
    server = ParamServer()
    worker = Worker()

    for batch_idx, (data,target) in enumerate(train_loader):
        params = server.get_weights()
        worker.pull_weights(params)
        grads = worker.push_gradients(batch_idx,data,target)
        server.update_model(grads)

    print("Done Training")

if __name__ == "__main__":
    main()

干货MXNet 分布式架构——parameter server详解

点击上方 “公众号”可以订阅哦！

摘要

转自：Libra_leo

MxNet是李沐和陈天奇等各路英雄豪杰打造的开源深度学习框架（最近不能更火了），其中最吸引我的是它的分布式训练的特性；而提供支持其分布式训练特性的正是当年李少帅和 Alex Smola 等人开发的parameter server。本博客以“Scaling Distributed Machine Learning with the Parameter Server” 为主，从易用性、通信高效性、可扩展性等角度介绍 parameter server .

在机器学习和深度学习领域，分布式的优化已经成了一种先决条件。因为单机已经解决不了目前快速增长的数据和参数了。现实中，训练数据的数量可能达到1TB到1PB之间，而训练过程中的参数可能会达到 109 到 1012 。而往往这些模型的参数需要被所有的worker节点频繁的访问，这就会带来很多问题和挑战.

链接：

http://www.weibo.com/1768552007/DdV8vmqgS?type=comment#_rnd1453381173365

原文链接：

http://blog.csdn.net/cyh_24/article/details/50545780

欢迎参加人工智能与机器学习微信讲座！

参加方法：微信扫描以下二维码或搜索ML_admin，加群主为好友。

我们安排了群务处理您的申请请求。

“完整内容”请点击【阅读原文】

↓↓↓