基于分布式內(nèi)存計(jì)算的深度學(xué)習(xí)方法

李抵非，田 地，胡雄偉

(1.吉林大學(xué) 儀器科學(xué)與電氣工程學(xué)院，長春130021;2.國家標(biāo)準(zhǔn)化管理委員會 標(biāo)準(zhǔn)信息中心，北京100088)

近年來隨著對深度學(xué)習(xí)領(lǐng)域研究的深入，已經(jīng)證實(shí)通過擴(kuò)大訓(xùn)練樣本的數(shù)量和模型參數(shù)的規(guī)?？梢杂行嵘Ｐ偷木龋?-3］。為了克服由于擴(kuò)大訓(xùn)練規(guī)模造成的時(shí)間成本問題，許多基于深度神經(jīng)網(wǎng)絡(luò)的并行化計(jì)算方法被提出，其中大致分為兩類方法，一是采用集群的方式對深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分布式訓(xùn)練［4-5］，二是利用圖形處理單元(GPU)特性進(jìn)行并行加速［6-9］。采用GPU 計(jì)算的方法雖然有效地提升了模型的訓(xùn)練效率，但是由于現(xiàn)階段顯卡顯存的限制和其不易擴(kuò)展的特點(diǎn)，GPU 的運(yùn)用還主要集中在訓(xùn)練中、小規(guī)模深度神經(jīng)網(wǎng);使用大規(guī)模集群的方式可以訓(xùn)練大型深度神經(jīng)網(wǎng)，并取得了良好的效果，但所有訓(xùn)練模型的副本以及參數(shù)需保存在存儲設(shè)備中，訓(xùn)練過程中頻繁發(fā)生存儲設(shè)備的讀寫操作，I/O 的速率將會影響訓(xùn)練的效率。

本文采用分布式內(nèi)存計(jì)算的方式，使整個(gè)深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程運(yùn)行在集群的分布式內(nèi)存之上，既保證了深度神經(jīng)網(wǎng)絡(luò)規(guī)?？蓴U(kuò)展又避免了I/O 讀寫速率對系統(tǒng)的影響，提高了訓(xùn)練效率。

1 深度神經(jīng)網(wǎng)絡(luò)模型

目前深度神經(jīng)網(wǎng)絡(luò)模型存在很多種類，本文以深度信念網(wǎng)絡(luò)(Deep belief networks，DBNs)模型［10-12］為例，將其運(yùn)行在分布式集群之上。DBNs是由多層限制玻爾茲曼機(jī)(RBM)堆疊形成，采用無監(jiān)督貪婪逐層訓(xùn)練的方式進(jìn)行學(xué)習(xí)。DBNs 是一個(gè)概率生成模型，目的是建立可視層和隱藏層之間的聯(lián)合分布。

式中:v 和h 為可視層單元和隱藏層單元;E(v，h|θ)為系統(tǒng)所具備的能量表達(dá)式;Z(θ)為歸一化因子，θ={W，a，b};W 為可視層和隱藏層之間的權(quán)重;a 和b 分別是可視層和隱藏層的偏置向量。

由于RBM 層級內(nèi)節(jié)點(diǎn)間無連接，各神經(jīng)單元激活狀態(tài)是條件獨(dú)立，則第i 個(gè)可視單元和第j 個(gè)隱藏單元被激活的概率表達(dá)式如式(4)(5)所示:

根據(jù)Hinton 提出的對比散度［13］的方法，利用式(4)(5)，使用訓(xùn)練數(shù)據(jù)v0輸入系統(tǒng)，并通過k步吉布斯采樣對可視單元和隱藏單元進(jìn)行重構(gòu)。使用隨機(jī)梯度下降法訓(xùn)練數(shù)據(jù)時(shí)，各參數(shù)更新的準(zhǔn)則如式(6)～(8)所示:

式中:〈〉data表示關(guān)于分布p(h=1|v，θ)的數(shù)學(xué)期望;〈〉recon表示經(jīng)過吉布斯采樣重構(gòu)后關(guān)于分布p(h'=1|v，θ)的數(shù)學(xué)期望;ε 表示模型的學(xué)習(xí)速率。

2 分布式內(nèi)存計(jì)算結(jié)構(gòu)

為了使深度神經(jīng)網(wǎng)絡(luò)模型能夠分布式地運(yùn)行于集群之上，需要構(gòu)建一個(gè)并行計(jì)算的框架。目前的分布式計(jì)算方式是采用MapReduce 架構(gòu)來運(yùn)行，在計(jì)算迭代的過程中需要不斷地與存儲設(shè)備發(fā)生讀寫操作。而如果采用分布式內(nèi)存的方式來承載工作數(shù)據(jù)集，模型的計(jì)算和存儲都發(fā)生在分布式內(nèi)存系統(tǒng)當(dāng)中，則可以提升計(jì)算性能。采用集群分布式內(nèi)存計(jì)算的結(jié)構(gòu)能可擴(kuò)展地在內(nèi)存集群計(jì)算中緩存數(shù)據(jù)集，以縮短訪問時(shí)間，利于存在迭代過程的深度學(xué)習(xí)算法，節(jié)省了大量的I/O操作，提升了算法的效率。

集群的分布式內(nèi)存計(jì)算架構(gòu)采用主從模式，如圖1 所示?？刂乒?jié)點(diǎn)主要保存集群中計(jì)算節(jié)點(diǎn)信息，并建立任務(wù)調(diào)度機(jī)制、數(shù)據(jù)分片調(diào)度和追蹤機(jī)制，以及并行計(jì)算狀態(tài)追蹤機(jī)制;計(jì)算節(jié)點(diǎn)則通過與控制節(jié)點(diǎn)通信，開辟內(nèi)存空間，創(chuàng)建任務(wù)線程池，運(yùn)行控制節(jié)點(diǎn)分派的任務(wù)。

程序運(yùn)行于分布式內(nèi)存集群的流程大致可分為5 個(gè)階段:

(1)初始化集群管理程序。檢測集群可用CPU 和內(nèi)存等狀態(tài)信息。集群管理程序是控制樞紐，可為后續(xù)計(jì)算任務(wù)分配資源。同時(shí)初始化任務(wù)調(diào)度器和任務(wù)追蹤器，其功能為分發(fā)任務(wù)以及收集任務(wù)反饋。

(2)初始化應(yīng)用運(yùn)算實(shí)例。依據(jù)用戶提交的程序描述創(chuàng)建分布式的數(shù)據(jù)集對象，計(jì)算數(shù)據(jù)集的分片，創(chuàng)建數(shù)據(jù)分片信息列表、數(shù)據(jù)分片之間依賴關(guān)系列表。依據(jù)數(shù)據(jù)的本地性原則，分配相應(yīng)數(shù)據(jù)分片存儲于指定的計(jì)算節(jié)點(diǎn)之上。

(3)構(gòu)建運(yùn)算的有向無環(huán)圖(Directed acyclical graphs，DAG)。將運(yùn)算過程中涉及到的map、sort、merge、shuffle 等計(jì)算過程以序列的方式增量累加成DAG 圖，而后依據(jù)DAG 圖將整個(gè)運(yùn)算過程分解成多個(gè)任務(wù)集合［14］。

(4)任務(wù)調(diào)度器按照任務(wù)執(zhí)行自頂向下的順序，將任務(wù)集合中的子任務(wù)通過集群管理器分發(fā)到指定的計(jì)算節(jié)點(diǎn)之上，每個(gè)任務(wù)對應(yīng)著一個(gè)數(shù)據(jù)分片。如果任務(wù)失敗則重新發(fā)布。

(5)計(jì)算節(jié)點(diǎn)接收到任務(wù)后，為任務(wù)分配計(jì)算資源，創(chuàng)建進(jìn)程池開始執(zhí)行計(jì)算，并向控制節(jié)點(diǎn)反饋進(jìn)程分配情況。

集群運(yùn)行計(jì)算過程中需要保證任務(wù)的最優(yōu)調(diào)度，即將任務(wù)分配到相應(yīng)計(jì)算節(jié)點(diǎn)之上，該節(jié)點(diǎn)緩存了任務(wù)計(jì)算所需的數(shù)據(jù)分片，確保數(shù)據(jù)的本地性。同時(shí)當(dāng)某個(gè)任務(wù)運(yùn)行速度低于一定閾值時(shí)，則在其他節(jié)點(diǎn)之上重新開啟任務(wù)。

3 深度神經(jīng)網(wǎng)絡(luò)并行結(jié)構(gòu)

整個(gè)深度神經(jīng)網(wǎng)絡(luò)分布式運(yùn)行的總體結(jié)構(gòu)如圖2 所示。系統(tǒng)中的所有數(shù)據(jù)都經(jīng)過數(shù)據(jù)分片操作，圖2 中小方塊即代表一個(gè)數(shù)據(jù)分片，圖中的虛線框表示一個(gè)數(shù)據(jù)集，一個(gè)數(shù)據(jù)集由多個(gè)數(shù)據(jù)分片組成，數(shù)據(jù)分片分布于集群中多臺計(jì)算機(jī)內(nèi)存之上。訓(xùn)練數(shù)據(jù)保存在集群的分布式文件存儲系統(tǒng)當(dāng)中，本文采用的是hadoop 分布式文件系統(tǒng)(HDFS)。如果訓(xùn)練模型直接從HDFS 上面讀取數(shù)據(jù)，則會受到磁盤I/O 的限制，所以系統(tǒng)將一部分訓(xùn)練數(shù)據(jù)用隨機(jī)采樣的方式緩存到集群的分布式共享內(nèi)存當(dāng)中，模型訓(xùn)練的過程中直接從采樣數(shù)據(jù)集中提取數(shù)據(jù)。采樣數(shù)據(jù)集以固定的時(shí)間間隔從HDFS 文件系統(tǒng)中刷新采樣樣本集。

圖2 模型并行訓(xùn)練結(jié)構(gòu)Fig.2 model distributed training architecture

系統(tǒng)將深度信念網(wǎng)絡(luò)模型的所有參數(shù)構(gòu)建成一個(gè)分布式的數(shù)據(jù)集。為了實(shí)現(xiàn)模型訓(xùn)練的并行化，系統(tǒng)采用創(chuàng)建多個(gè)神經(jīng)網(wǎng)絡(luò)模型副本的方式，同時(shí)訓(xùn)練各副本模型，即使承載訓(xùn)練任務(wù)的計(jì)算節(jié)點(diǎn)失效，也不會影響訓(xùn)練的整體進(jìn)程。每個(gè)副本也是由多個(gè)數(shù)據(jù)分片組成，利用分布式內(nèi)存的速度優(yōu)勢，提高模型的訓(xùn)練速度。各副本結(jié)束訓(xùn)練之后，將計(jì)算后的參數(shù)調(diào)整值異步地傳送給模型參數(shù)數(shù)據(jù)集，并向數(shù)據(jù)集申請新的參數(shù)，進(jìn)行下一步訓(xùn)練。由于參數(shù)數(shù)據(jù)集與模型副本都分布于集群的多臺機(jī)器上，副本與參數(shù)集的數(shù)據(jù)傳輸量即被分散，有效地緩解了計(jì)算節(jié)點(diǎn)之間的通信壓力。為了保證系統(tǒng)的穩(wěn)定性，在模型的訓(xùn)練過程中設(shè)置check point 機(jī)制，將模型中數(shù)據(jù)分片計(jì)算的過程信息，根據(jù)任務(wù)進(jìn)度異步保存到HDFS，防止由于計(jì)算節(jié)點(diǎn)發(fā)生錯(cuò)誤需重新運(yùn)算的情況。

為了提高系統(tǒng)的魯棒性，采用Adagrad［15］自適應(yīng)學(xué)習(xí)速率方法，隨著訓(xùn)練的進(jìn)行自動調(diào)整學(xué)習(xí)速率，學(xué)習(xí)速率如式(9)所示:

式中:εi，k為第i 個(gè)參數(shù)在第k 次迭代時(shí)的學(xué)習(xí)速率;Δwi，j為目標(biāo)函數(shù)的梯度值;μ 為常數(shù)。

學(xué)習(xí)速率的計(jì)算僅與參數(shù)歷史梯度值的平方和有關(guān)，所以Adagrad 易于在每個(gè)參數(shù)服務(wù)器節(jié)點(diǎn)上單獨(dú)實(shí)現(xiàn)。

為了防止模型訓(xùn)練過擬合，本文采用dropout方法［9］。模型訓(xùn)練時(shí)隨機(jī)讓網(wǎng)絡(luò)某些隱藏層節(jié)點(diǎn)的權(quán)重不工作，但是它的權(quán)重保留下來參與下一輪訓(xùn)練。每次有輸入時(shí)，網(wǎng)絡(luò)采樣一個(gè)隨機(jī)結(jié)構(gòu)，這樣每個(gè)神經(jīng)元都不能依賴于其他神經(jīng)元的存在，使模型神經(jīng)元間減少了相互作用，迫使神經(jīng)元與其他神經(jīng)元共同學(xué)習(xí)更多、更有用的特征。

4 試驗(yàn)結(jié)果及分析

4.1 試驗(yàn)設(shè)置

試驗(yàn)所使用的訓(xùn)練樣本為CIFAR-10 圖片數(shù)據(jù)集。有60 000 張帶分類標(biāo)簽的彩色圖片組成。圖片的分辨率為32×32。使用50 000 張圖片作為訓(xùn)練集，10 000 張作為測試集。試驗(yàn)集群由9臺虛擬機(jī)構(gòu)成，其中1 臺控制節(jié)點(diǎn)，8 臺計(jì)算節(jié)點(diǎn)。每臺計(jì)算節(jié)點(diǎn)虛擬機(jī)包含8 核CPU、26 G 內(nèi)存。

深度神經(jīng)網(wǎng)絡(luò)包括:輸入層、四層堆疊限制玻爾茲曼機(jī)作為隱藏層和一個(gè)softmax 輸出層。層間采用全連接結(jié)構(gòu)，模型包含超過1.2×106個(gè)的神經(jīng)元，參數(shù)集大小約為110 M。

4.2 結(jié)果及分析

圖3 為分布式內(nèi)存計(jì)算與傳統(tǒng)分布式訓(xùn)練速率對比。由圖3 可以看出:采用分布式內(nèi)存計(jì)算的方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，模型精度的變化更為陡峭，說明采用分布式內(nèi)存計(jì)算的訓(xùn)練方式能夠明顯提升模型的訓(xùn)練速率。

圖3 分布式內(nèi)存計(jì)算與傳統(tǒng)分布式訓(xùn)練速率對比Fig.3 Comparison of distributed memory computing and traditional map-reduce

為了說明集群的可擴(kuò)展性，通過遞增訓(xùn)練節(jié)點(diǎn)數(shù)量來觀察集群對模型的加速比值變化。加速比值為單獨(dú)使用一個(gè)計(jì)算節(jié)點(diǎn)完成一批次采樣訓(xùn)練所需的時(shí)間與使用K 臺計(jì)算節(jié)點(diǎn)所用時(shí)間的比值。

由圖4 可以看出:當(dāng)集群不斷增加計(jì)算節(jié)點(diǎn)時(shí)，模型的訓(xùn)練效率顯著提升，說明這種并行深度學(xué)習(xí)的方法具備良好的擴(kuò)展性。

圖4 擴(kuò)展節(jié)點(diǎn)對加速比的提升Fig.4 Speedup calculation by extending worker node

5 結(jié)束語

提出了一種分布式內(nèi)存計(jì)算的方法，并應(yīng)用于深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，設(shè)計(jì)了深度神經(jīng)網(wǎng)絡(luò)模型在分布式內(nèi)存中的運(yùn)行結(jié)構(gòu)，以CIFAR-10 數(shù)據(jù)集為訓(xùn)練樣本，完成對網(wǎng)絡(luò)模型的并行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效提升深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速率，并具備良好的擴(kuò)展性。理論上集群可以不斷擴(kuò)展以提高訓(xùn)練效率，直到節(jié)點(diǎn)間數(shù)據(jù)交換通信成為瓶頸，由于試驗(yàn)環(huán)境的限制，本文無法給出進(jìn)一步證實(shí)。

［1］Ciresan D C，Meier U，Gambardella L M，et al.Deep big simple neural nets excel on handwritten digit recognition［J］.Neural Computation，2010(12):3207-3220.

［2］Coates A，Lee H L，Ng A Y.An analysis of single-layer networks in unsupervised feature learning［C］∥Proceeding of the 14th International Conference on Artificial Intelligence and Statistics，F(xiàn)ort Lauderdale，USA，2011:215-223.

［3］Hinton G E，Srivastava N，Krizhevsky A，et al.Improving neural networks by preventing co-adaptation of feature detectors［DB/OL］.［2014-05-17］.http://arxiv.org/abs/1207.0580.

［4］Raina R，Madhavan A，Ng A Y.Large-scale deep unsupervised learning using graphics processors［C］∥International Conference on Machine Learning，Montreal QC，Canada，2009:873-880.

［5］Le Q V，Monga R，Devin M，et al.Building high-level features using large scale unsupervised learning［C］∥International Conference on Acoustics，Speech and Signal，Vancouver，Canada，2013:8595-8598.

［6］Glorot X，Bordes A，Bengio Y.Domain adaptation for large-scale sentiment classification:a deep learning approach［C］∥Proceedings of the 28th International Conference on Machine Learning，Bellevue，WA，USA，2011:513-520.

［7］Bengio Y，Courville A C，Vincent P.Representation learning:a review and new perspectives［DB/OL］.［2014-05-23］.http://arxiv.org/abs/1206.5538.

［8］Ngiam J，Coates A，Lahiri A，et al.On optimization methods for deep learning［C］∥Proceedings of the 28th International Conference on Machine Learning，Bellevue，WA，USA，2011:265-272.

［9］Martens J.Deep learning via hessian-free optimization［C］∥Proceedings of the 27th International Conference on Machine Learning，Haifa，Israel，2010:735-742.

［10］Bengio Y，Courville A，Vincent P.Representation learning:a review and new perspectives［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2013，35(8):1798-1828.

［11］Hinton G，Deng L，Yu D，et al.Deep neural networks for acoustic modeling in speech recognition:The shared views of four research groups［J］.Signal Processing Magazine，2012，29(6):82-97.

［12］Hinton G，Osindero S，Teh Y W.A fast learning algorithm for deep belief nets［J］.Neural Computation，2006，18(7):1527-1554.

［13］Hinton G.A practical guide to training restricted Boltzmann machines［J］.Momentum，2010，9(1):926.

［14］Zaharia M，Chowdhury M，Das T，et al.Resilient distributed datasets:a fault-tolerant abstraction for in-memory cluster computing［DB/OL］.［2014-01-19］.http://www.eecs.berkeley.edu/Pubs/TechRpts/2011/EECS-2011-82.pdf.

［15］Duchi J，Hazan E，Singer Y.Adaptive subgradient methods for online learning and stochastic optimization［J］.Journal of Machine Learning Research，2011，12(7):2121-2159.