9号彩票开户

关注微信  |  微博  |  腾讯微博  |  RSS订阅
读者QQ群③:168129342,投稿请发dashuju36@qq.com
我要投稿

Spark on Angel:Spark机器学习的核心加速器

大数据

作者:腾讯开源

Spark的核心概念是RDD,而RDD的关键特性之一是其不可变性,来规避分布式环境下复杂的各种并行问题。这个抽象,在数据分析的领域是没有问题的,它能最大化的解决分布式问题,简化各种算子的复杂度,并提供高性能的分布式数据处理运算能力。

然而在机器学习领域,RDD的弱点很快也暴露了。机器学习的核心是迭代和参数更新。RDD凭借着逻辑上不落地的内存计算特性,可以很好的解决迭代的问题,然而RDD的不可变性,却非常不适合参数反复多次更新的需求。这本质上的不匹配性,导致了Spark的MLlib库,发展一直非常缓慢,从2015年开始就没有实质性的创新,性能也不好。

为此,Angel在设计生态圈的时候,优先考虑了Spark。在V1.0.0推出的时候,就已经具备了Spark on Angel的功能,基于Angel为Spark加上了PS功能,在不变中加入了变化的因素,可谓如虎添翼。

我们将以L-BFGS为例,来分析Spark在机器学习算法的实现上的问题,以及Spark on Angel是如何解决Spark在机器学习任务中的遇到的瓶颈,让Spark的机器学习更加强大。

1. L-BFGS算法说明

L-BFGS模型参数更新过程如下:

大数据

计算pk = Hk-1 gk 伪代码如下所示,这是人们常说的two-loop recursion算法,是Limited-BFGS算法的核心部分。
返回值 r 是我们说要的pk。

大数据

其中,H0-1 是单位阵,yk=gk-gk-1, sk=wk-w k-1k-1,L-BFGS算法将最近 m 轮生成的 yk 和 sk 序列,记做 {yk} 和 {sk}。基于计算 {yk} 和 {sk} 计算 pk 。

2.L-BFGS的Spark实现

2.1 实现框架

Spark中的driver负责协调整个Spark任务执行的同时,需要保存最近 m 轮的 {yk} 和 {sk} 序列,并在driver上执行two-loop recursion算法。而executor负责分布式地计算梯度向量。

大数据

迭代过程:
(1)每轮迭代,将每个executor计算的梯度Aggregate到driver
(2)yk 和 sk 保存在driver上,在driver端执行two-loop recursion算法
(3)driver上更新模型 w,并将 w 广播到每个Executor

2.2 性能分析

基于Spark的L-BFGS实现的算法优点比较明显:

  • HDFS I/O
    Spark可以快速读写HDFS上的训练数据;
  • 细粒度的负载均衡
    并行计算梯度时,Spark具有强大的并行调度机制,保证task快速执行;
  • 容错机制
    当计算节点挂掉、任务失败,Spark会根据RDD的DAG关系链实现数据的重计算。但是对于迭代式算法,每轮迭代要用RDD的action操作,打断RDD的DAG,避免因为重计算引起逻辑的错乱;
  • 基于内存的计算
    基于内存的计算过程,可以加速机器学习算法中计算梯度过程的耗时。

该实现的缺点:

  • treeAggregate引起的网络瓶颈
    Spark用treeAggregate聚合梯度时,如果模型维度达到亿级,每个梯度向量都可能达到几百兆;此时treeAggregate的shuffle的效率非常低;
  • driver单点
    • 保存{yk}和{sk}序列需要较大的内存空间;
    • two-loop recursion算法是由driver单点执行,该过程是多个高维度的向量的运算;
    • 每轮迭代,driver都需要和executor完成高维度向量的aggregate和broadcast。

3.L-BFGS的Spark on Angel实现

3.1 实现框架

Spark on Angel借助Angel PS-Service的功能为Spark引入PS的角色,减轻整个算法流程对driver的依赖。two-loop recursion算法的运算交给PS,而driver只负责任务的调度,大大减轻的对driver性能的依赖。

Angel PS由一组分布式节点组成,每个vector、matrix被切分成多个partition保存到不同的节点上,同时支持vector和matrix之间的运算;

{yk} 和 {sk} 序列分布式地保存到Angel PS上,two-loop recursion算法中高维度的向量计算也是在PS上完成。Spark executor每轮迭代过程会从PS上Pullw 到本地,并将计算的梯度向量Push到PS。

大数据

迭代过程:

  1. 每轮迭代,executor 将PS上的模型 w pull 到本地,计算梯度,然后梯度向量push给PS
  2. yk 和 sk 保存在PS上,在PS端执行two-loop recursion算法
  3. PS上更新模型 w

3.2 性能分析

整个算法过程,driver只负责任务调度,而复杂的two-loop recursion运算在PS上运行,梯度的Aggregate和模型的同步是executor和PS之间进行,所有运算都变成分布式。在网络传输中,高维度的PSVector会被切成小的数据块再发送到目标节点,这种节点之间多对多的传输大大提高了梯度聚合和模型同步的速度。

这样Spark on Angel完全避开了Spark中driver单点的瓶颈,以及网络传输高维度向量的问题。

4.“轻易强快”的Spark on Angel

Spark on Angel是Angel为解决Spark在机器学习模型训练中的缺陷而设计的“插件”,没有对Spark做”侵入式”的修改,是一个独立的框架。可以用 “”、“”、“”、“” 来概括Spark on Angel的特点。

4.1 轻——”插件式”的框架

Spark on Angel是Angel为解决Spark在机器学习模型训练中的缺陷而设计的“插件”。Spark on Angel没有对Spark中的RDD做侵入式的修改,Spark on Angel是依赖于Spark和Angel的框架,同时其逻辑又独立于Spark和Angel。

因此,Spark用户使用Spark on Angel非常简单,只需在Spark的提交脚本里做三处改动即可,详情可见Angel的Github Spark on Angel Quick Start文档。

可以看到提交的Spark on Angel任务,其本质上依然是一个Spark任务,整个任务的执行过程与Spark一样的。

source ${Angel_HOME}/bin/spark-on-angel-env.sh
$SPARK_HOME/bin/spark-submit \
    --master yarn-cluster \
    --conf spark.ps.jars=$SONA_ANGEL_JARS \
    --conf spark.ps.instances=20 \
    --conf spark.ps.cores=4 \
    --conf spark.ps.memory=10g \
    --jars $SONA_SPARK_JARS \
    ....

Spark on Angel能够成为如此轻量级的框架,得益于Angel对PS-Service的封装,使Spark的driver和executor可以通过PsAgent、PSClient与Angel PS做数据交互。

大数据

4.2 强——功能强大,支持breeze库

breeze库是scala实现的面向机器学习的数值运算库。Spark MLlib的大部分数值优化算法都是通过调用breeze来完成的。如下所示,Spark和Spark on Angel两种实现都是通过调用breeze.optimize.LBFGS实现的。Spark的实现是传入的类型是breeze库的DenseVector,而Spark on Angel的实现是传入BreezePSVector。

BreezePSVector是指Angel PS上的Vector,该Vector实现了breeze NumericOps下的方法,如常用的 dot,scale,axpy,add等运算,因此在LBFGS[BreezePSVector]two-loop recursion算法中的高维度向量运算是BreezePSVector之间的运算,而BreezePSVector之间全部在Angel PS上分布式完成。

  • Spark的L-BFGS实现
import breeze.optimize.LBFGS
 val lbfgs = new LBFGS[DenseVector](maxIter, m, tol)
 val states = lbfgs.iterations(Cost(trainData), initWeight)
<div class="md-section-divider"></div>
  • Spark on Angel的L-BFGS实现
    接口调用里的Vector泛型从DenseVector变成BreezePSVector
 import breeze.optimize.LBFGS
 val lbfgs = new LBFGS[BreezePSVector](maxIter, m, tol)
 val states = lbfgs.iterations(PSCost(trainData), initWeightPS)
<div class="md-section-divider"></div>

4.3 易——编程接口简单

Spark能够在大数据领域这么流行的另外一个原因是:其编程方式简单、容易理解,Spark on Angel同样继承了这个特性。

Spark on Angel本质是一个Spark任务,整个代码实现逻辑跟Spark是一致的;当需要与PSVector做运算时,调用相应的接口即可。

如下代码所示,LBFGS在Spark和Spark on Angel上的实现,二者代码的整体思路是一样的,主要的区别是梯度向量的Aggregate和模型 的pull/push。
因此,如果将Spark的算法改造成Spark on Angel的任务,只需要修改少量的代码即可。

L-BFGS需要用户实现DiffFunction,DiffFunction的calculte接口输入参数是 ,遍历训练数据并返回 loss 和 gradient。

其完整代码,请前往Github SparseLogistic。

  • Spark的DiffFunction实现
 case class Cost(trainData: RDD[Instance]) extends DiffFunction[DenseVector] {
 def calculate(w: DenseVector): (Double, DenseVector) = {
 // 广播 w
 val bcW = sc.broadcast(w)
 // 通过treeAggregate的方式计算loss和gradient
 val (cumGradient, cumLoss) = trainData
 .treeAggregate((new DenseVector(x.length), 0.0)) (seqOp, combOp)
 val resGradient = new DenseVector(cumGradient.toArray.map(_ / sampleNum))
 (cumLoss / sampleNum, resGradient)
 }
<div class="md-section-divider"></div>
  • Spark on Angel的DiffFunction实现

calculate接口输入参数是 w ,遍历训练数据并返回 loss 和cumGradient。其中 w 和cumGradient都是BreezePSVector;计算梯度时,需要将 Pull 到本地,本地的gradient值,需要通过PSVector的incrementAndFlush方式Push到远程PS上的cumGradient向量。

  case class PSCost(trainData: RDD[Instance]) extends DiffFunction[BreezePSVector] {
    override def calculate(w: BreezePSVector): (Double, BreezePSVector) = {
      // 初始化gradient向量:cumGradient
      val cumGradient = pool.createZero().mkBreeze()
      // 计算梯度和loss
      val cumLoss = trainData.mapPartitions { iter =>
        // pull模型 w 到 executor 本地
        val localW = w.toRemote.pull()
        val (gradient, loss) = calculateGradAndLoss(iter, localW)
        // incement本地的grad到PS的cumGradient
        cumGradient.toRemote.incrementAndFlush(gradient)
        Iterator.single(loss)
      }.sum()
      cumGradient *= 1.0 / sampleNum
      (cumLoss / sampleNum, cumGradient)
    }
  }

4.4 快——性能强劲

我们分别实现了SGD、LBFGS、OWLQN三种优化方法的LR,并在Spark和Spark on Angel上做了实验对比。
该实验代码请前往Github SparseLRWithX.scala。

  • 数据集:腾讯内部某业务的一份数据集,2.3亿样本,5千万维度
  • 实验设置:
    说明1:三组对比实验的资源配置如下,我们尽可能保证所有任务在资源充足的情况下执行,因此配置的资源比实际需要的偏多;
    说明2:执行Spark任务时,需要加大spark.driver.maxResultSize参数;而Spark on Angel就不用配置此参数。

大数据

如上数据所示,Spark on Angel相较于Spark在训练LR模型时有50%以上的加速;对于越复杂的模型,其加速的比例越大。

5.结语

Spark on Angel的出现可以高效、低成本地克服Spark在机器学习领域遇到的瓶颈;我们将继续优化Spark on Angel,并提高其性能。也欢迎大家在Github上一起参与我们的改进。

End.

转载请注明来自36大数据(36dsj.com):36大数据 » Spark on Angel:Spark机器学习的核心加速器

36大数据   除非特别注明,本站所有文章均不代表本站观点。报道中出现的商标属于其合法持有人。请遵守理性,宽容,换位思考的原则。

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址
友情链接:北京赛车pk拾分析软件  幸运农场  易发彩票  幸运农场  北京赛车pk拾玩法介绍  

免责声明: 本站资料及图片来源互联网文章,本网不承担任何由内容信息所引起的争议和法律责任。所有作品版权归原创作者所有,与本站立场无关,如用户分享不慎侵犯了您的权益,请联系我们告知,我们将做删除处理!