深度模型常见加速训练策略架构篇(一)---分布式训练介绍
一、当前模型训练速度的瓶颈
（一）、当前模型训练步骤
- 读取Mini batch，前向传播计算loss
- loss反向传播得到各个参数的梯度
- 根据算出的梯度，选用特性的优化器更新参数
（二）、当前模型训练模式分类
- 单机单卡
- 单机多卡
- 多级多卡
（三）、采用分布式系统训练中涉及到的通信方式分类
- 点对点通信(只有一个发送者和接收者)
- 集合通信(有多个发送者和接收者)
（四）、分布式系统中基于集合通信的常用操作
- boradcast，将参数从一个node发到多个node上
- reduce，将参数从多个node收集到一个node上，同时对手机到的参数进行归并（求和求积）
（五）、大规模训练的技术挑战(研究点/优化点)
1. 显存墙(决定能否训练)
（1）介绍
- Model states、
模型参数 - Avtivations
用于 autograd 的中间变量。如 Forward Output、Output Gradient 以及 cuDNN Workspace。
（2）优化方式
2. 通信墙(决定训练速度)
（1）介绍
在进行分布式训练时对神经网络进行了各种各样的切分，但是神经网络的训练任务仍是一个整体，因而，切分需要通信来进行聚合。
聚合所产生的通信需求隐含了不少问题，首先，深度学习迭代式训练的特性导致更新频繁，需要大量的交换局部更新。但是目前网络的传输速率远远不能匹配 GPU 或 TPU 这种专用加速芯片的运算速率。
- 能否增大带宽
不行。增大带宽，带宽利用率会降低。因为网络协议栈会占用带宽
3.计算墙(决定训练速度)
（1）介绍
顾名思义，前向传播和反向传播的计算以及参数更新的计算瓶颈。
opeator-level算子级别的优化
- 小算子过多
- Kernel实现不够高效
- 内存局部性差
Graph-level计算图级别的优化
- 如何搜索出计算效率更高的计算图
- 如何用计算编译技术解决小算子问题
- 如何进行通信和计算的 overlap 等
Task-level训练阶段的系统设计
与传统训练不同，在包含大规模训练技术的训练系统设计时，不仅要考虑到庞大的节点数，也要考虑到在解决显存、通信问题时带来的系统层面的变化。因此，Task-level 的关键挑战在于，如何给出一个最终计算效率最高的系统设计
- 采用何种分布式训练架构，才能使得大规模训练具备良好的拓展性。在节点数很多时仍能保持较好的加速比（scale factor）
- 如何 balance 显存优化与速度优化
二、如何从系统框架层面上对训练加速---并行
（一）分类
- 数据并行(解决计算墙)
1.不同 node 输入不同数据，运行相同的完整的模型。
2.通过修改 Sampler 切分输入，每张卡只需要处理一部分数据 - 模型并行(解决显存墙)
1.不同 node 输入相同数据，运行模型的不同部分
2.通过修改层内的计算方式，将单层的计算负载和显存负载切分到多张卡上 - 流水并行(解决显存墙)
将不同的层放到不同的卡上，进而将计算负载和显存负载切分至多张卡上
一旦使用分布式并行计算，就会涉及到数据通信的问题，因此还需要对通信进行加速(解决通信墙)
一般来说，模型并行比数据并行的通信量更少。但是模型并行需要自己地将模型的计算进行分解。因此一般使用数据并行加速。
（二）数据并行
1. Parameter Server模式(tensorflow)
（1）结构介绍
类似于master-slave 的同步模式：
image.png
将 node 分成两种角色：
- parameter server(ps) 负责维护一份最新的参数 ，
- worker 负责利用从 ps 读到的最新参数计算出梯度(forward 和 backprop)，并对 ps 发送梯度和参数更新请求。
（2）优化方式介绍
优化方式分为两类：同步更新(synchronous update)和异步更新(asynchronous update)。
同步更新
ps 会同时充当 reducer 的角色，等待所有 worker 都发来梯度和参数更新请求后，ps 会对梯度取平均(reduce mean)，并用平均过后的梯度更新一次参数。各个 worker 在从 ps 读取最新参数的过程中，以及等待 ps 更新参数的过程中，都是处于空闲状态。
- 优点：收敛好(相比于异步更新而言)
- 缺点：慢
异步更新
与同步更新不同，异步更新中 ps 在收到 worker 的梯度以及更新请求的时候，会立即对参数发起更新，而不等待其他 worker。在完成梯度的计算后，worker 会立刻从 ps 上读取参数，进行下一步的迭代。
- 异步更新的一些问题及解决方案
(i) 参数和更新用的梯度并不来自同一个迭代。用来更新的梯度可能是几步更新前的参数算出来的。
解决：直接丢掉落后于当前迭代的梯度。(造成了不同 worker racing 的情况，对计算资源和数据的利用效率不高。)
(ii)参数的读取并没有加锁。这导致 worker 可能会读到更新一半的参数。
直接丢掉落后于当前迭代的梯度。
（3）PS方式优缺点
优点： 容错能力强(设置多个PS)
缺点：PS传输带宽制约训练速度
目前，因为机器计算能力增强，需要地机器数越来越少，所以机器故障率贬低，因此不需要容错能力，反而需要加快训练速度。
2. All Reduce模式
image.png
（1）介绍
在 Allreduce 模式中，所有 node 同时充当 ps 和 worker 的角色。
- 每个 node 可以直接利用本地的参数拷贝θi进行 forward 和 backprop 的计算
- 所有 node 都得到算出梯度后，执行 allreduce 操作，各个 node 都会得到全部 node 的梯度平均.
- 最后各个 node 利用拿到的梯度平均对本地的θi 进行一次更新。
给个epoch内，各个 node 需要发送和接受一份梯度。
（2）优缺点
- 优点
传输耗时在一定规模内基本不随 node 数目的增加而变化
同步更新，收敛好，可采用大学习率 - 缺点
当系统中存在异构的 worker 的时候，更新仍然会被最慢的 worker 阻塞住
3.主流方案 ring-allreduce
(1).介绍
-
架构拓扑结构
假设各个 node 以一个环排列，这种假设可以适用于很多种拓扑结构，有其工程实现上的方便性。
image.png
-
主要算法内容
image.png
image.png
(三)、附录
梯度平均的实现细节
image.png
Reference:
https://zhuanlan.zhihu.com/p/350707888
https://zhuanlan.zhihu.com/p/50116885
