美团深度学习系统的工程实践

背景

深度学习做为AI时代的核心技术，已经被应用于多个场景。在系统设计层面，因为其具备计算密集型的特性，因此与传统的机器学习算法在工程实践过程当中存在诸多的不一样。本文将介绍美团平台在应用深度学习技术的过程当中，相关系统设计的一些经验。

本文将首先列举部分深度学习算法所需的计算量，而后再介绍为知足这些计算量，目前业界比较常见的一些解决方案。最后，咱们将介绍美团平台在NLU和语音识别两个领域中，设计相关系统的经验。

深度学习的计算量

Model	Input Size	Param Size	Flops
AlexNet	227 x 227	233 MB	727 MFLOPs
CaffeNet	224 x 224	233 MB	724 MFLOPs
VGG-VD-16	224 x 224	528 MB	16 GFLOPs
VGG-VD-19	224 x 224	548 MB	20 GFLOPs
GoogleNet	224 x 224	51 MB	2 GFLOPs
ResNet-34	224 x 224	83 MB	4 GFLOPs
ResNet-152	224 x 224	230 MB	11 GFLOPs
SENet	224 x 224	440 MB	21 GFLOPs

数据来源 上表列举了，ImageNet图像识别中常见算法的模型大小以及单张图片一次训练（One Pass）所须要的计算量。

自2012年，Hinton的学生Alex Krizhevsky提出AlexNet，一举摘下ILSVRC 2012的桂冠后，ILSVRC比赛冠军的准确率愈来愈高。与此同时，其中使用到的深度学习算法也愈来愈复杂，所须要的计算量也愈来愈大。SENet与AlexNet相比，计算量多了近30倍。咱们知道，ImageNet大概有120万张图片，以SENet为例，若是要完成100个epoch的完整训练，将须要2.52 * 10^18的计算量。如此庞大的计算量，已经远远超出传统的机器学习算法的范畴。更别说，Google在论文《Revisiting Unreasonable Effectiveness of Data in Deep Learning Era》中说起的、比ImageNet大300倍的数据集。

物理计算性能

面对如此庞大的计算量，那么，咱们业界当前经常使用的计算单元的计算力是多少呢？

• CPU 物理核：通常浮点运算能力在10^10 FLOPS量级。一台16 Cores的服务器，大体上有200 GFLOPS的运算能力。实际运行，CPU 大概能用到80%的性能，那就160 GFLOPS的运算能力。完成上述SENet运行，须要182天。
• NVIDIA GPGPU： 目前的V100，单精度浮点运算的峰值大概为14 TFLOPS， 实际运行中，咱们假设能用到50%的峰值性能，那就是7 TFLOPS，须要4天。

根据以上数据结果能够看出：在深度学习领域，GPU训练数据集所须要耗费的时间，远远少于CPU，这也是当前深度学习训练都是采用GPU的重要缘由。

业界的解决方案

从前面的计算可知，即便使用GPU来计算，训练一次ImageNet 也须要4天的时间。但对于算法工程师作实验、调参而言，这种耗时数天的等待是难以忍受的。为此，目前业界针对深度学习训练的加速，提出了各类各样的解决方案。

异构计算的并行方案

数据并行（Data Parallelism）

数据并行，即每一个计算单元都保留一份完整的模型拷贝，分别训练不一样的数据，通过一个Iteration或若干个Iteration后，把各个计算单元的模型作一次同步。这是最多见的深度学习训练方式，好处在于逻辑简单、代码实现方便。

模型并行（Model Parallelism）

模型并行，即各个计算单元存储同一层模型数据的不一样部分，训练相同的数据。相对于数据并行，由于各个运算单元每训练完一层神经网络，就必需要同步一次，频繁的同步通讯致使系统不能充分地利用硬件的运算能力，因此更为少见。可是在一些业务场景下，Softmax层须要分类的类别可能会有不少，致使Softmax层太大，单个计算单元没法存储，这个时候，须要把模型切割成若干部分，存储在不一样的运算单元。模型并行常见于NLU、推荐、金融等领域。

流式并行（Stream Parallelism）

流式并行，即每一个计算单元都存储不一样层的模型数据，训练相同的数据。如上图所示，GPU1只负责第一层神经网络的计算，GPU2只负责2~5层神经网络的计算，GPU3只负责第6层的计算。流式并行的好处在于每一个运算单元之间的通讯和计算重叠（overlap），若是配置得当，能够很是充分地利用硬件资源。缺点在于，根据不一样的模型，须要平衡好各个计算单元的计算量，若是配置很差，很容易造成“堰塞湖”。如上图所示，颇有可能出现GPU1 负责的运算量太少，而GPU2 负责的运算量太多，致使GPU1 和GPU2 之间堵塞住大量的Mini-batch，更常见于线上环境。

混合并行（Hybrid Parallelism）

混合并行，即上面提到的并行方式的混合。如对于一些图像识别任务来讲，可能前几层使用数据并行，最后的Softmax层，使用模型并行。

异构计算的硬件解决方案

• 单机单卡：一个主机内安装上一块GPU运算卡。常见于我的计算机。
• 单机多卡：一个主机内安装上多块GPU运算卡。常见的有：1机4卡，1机8卡，甚至有1机10卡。通常公司都采起这种硬件方案。
• 多机多卡：多台主机内安装多块GPU运算卡。常见于公司内部的计算集群，通常多机之间采起Infiniband 来实现网络的快速通讯。
• 定制化：即相似于Google的TPU解决方案。常见于“巨无霸”公司内部。

异构计算的通讯解决方案

根据上面的硬件解决方案，咱们以ResNet为例：模型的大小为230M，单张图片运算量为11 GFLPOS，Mini-batch假设为128。能够计算出各个硬件模块在深度学习训练中的耗时比较：

• GPU：对于V100，假设有6 TFLOPS，一次Mini-batch 理论耗时：0.23s。
• PCI-E：常见PCI-E 3.0 * 16，速度为10 GB/s，传输一个模型的理论耗时为：0.023s。
• 网络：假设为10 GB/s的高速网络，传输一个模型的理论耗时：0.023s。
• Disk：普通的磁盘，咱们假设200M/s的读取速度，读取一次Mini-batch所须要的图片耗时：0.094s。

根据上面的数据结果，咱们彷佛能够得出一个结论：PCI-E和网络的传输耗时，相对于GPU来讲，整整少了一个数量级，因此网络通讯同步的时间能够忽略不计。然而问题并无那么简单，上面例子中的耗时只是单个模型的耗时，可是对于8卡的集群来讲，若是使用数据并行，每次同步就须要传输8份模型，这就致使数据传输的时间和GPU的计算时间“旗鼓至关”。这样的话，GPU就得每训练完一个Mini-batch，都得等候好久的一段时间（采起同步更新），这会浪费不少计算资源。所以，网络通讯也须要制定对应的解决方案。下面咱们以Nvidia NCCL中单机多卡的通讯解决方案为例介绍，而多机多卡的通讯解决方案实际上是相似的。

上图是单机4卡机器，在硬件上，两种不一样的通讯体系。左边为普通的PCI-E通讯，即4个GPU之间组成一个环状。右边为NVLink通讯，即两两之间相互链接。 常见的通讯类型以下图所示：

对于深度学习训练而言，关键的两种通讯类型为：Broadcast和Reduce。Broadcast用于Master分发最新的模型给各个GPU。Reduce 用于各个GPU计算完Mini-batch后，把模型更新值汇总到Master上。以Broadcast为例，最简单的通讯方式是Master往各个GPU上发送数据，这样的耗时就是4次模型传输的时间，通讯时间就会太长，一种简单的优化方法以下图所示：

即把所须要传输的数据分红若干块，而后经过接力的方式逐个传递，每一个GPU都把本身最新的一块数据发送到下一个GPU卡上。这种传输方式能充分利用硬件层面的通讯结构，使得须要的耗时大幅缩减。与此相似的，Reduce的通讯优化也能够采起相同的方式进行提速。

美团的定制化深度学习系统

尽管目前在业界已经推出了不少著名的深度学习训练平台，通用的训练平台如TensorFlow、MxNet等等，还有领域专用的训练平台，如语音识别中的Kaldi，可是咱们通过调研后，决定内部自主开发一套深度学习系统，理由以下：

• 通用的训练平台，缺少了领域特点的功能。如语音识别中的特征提取模块和算法。
• 通用的训练平台，一般是基于Data-flow Graph，来对计算图中的每一个operator进行建模，因此颗粒度很小，须要调度的单元多，导任务调度复杂。
• 领域特点的训练平台，如Kaldi，在神经网络训练的时候，性能不足。
• 线上业务存在不少特殊性，若是使用TensorFlow之类做为训练平台，不太适合线上业务的情景。

NLU线上系统

线上系统的业务特色

咱们在设计NLU线上系统时，考虑了NLU业务的一些特性。发现其具有以下的一些特色：

• 随着业务和技术的变化，算法流程也常常发生变化。
• 算法流程是多个算法串联组成的，不单纯的只有深度学习算法。如分词等算法就不是DL算法。
• 为了可以快速响应一些紧急问题，须要常常对模型进行热更新。
• 更重要的是，咱们但愿构建一个能以“数据驱动”的自动迭代闭环。

业务多变

NLU任务的算法流程是多层级的，而且业务常常发生变化。以下图所示：

即随着业务要求的变化，NLU系统一开始的算法流程，只须要把一个Query分为两个类，可是到后面，极有可能会变成须要分为三个类别。

热更新

根据业务需求，或者为了紧急处理一些特殊问题，NLU线上系统常常须要作出快速响应，热更新算法模型。如最近的热点词“skr”，几乎是一晚上之间，忽然火爆起来。以下图所示的微博，若是不能正确理解“skr”的正确语义，可能就不能准确理解这条微博想要表达的意思。

为了不影响用户体验，咱们可能会对NLU系统，立刻进行热更新，把新模型紧急进行上线。

数据驱动的自动迭代闭环

对于线上系统而言，构建如上图所示的自动迭代闭环，能更好地利用业务数据来提高服务质量。

NLU线上系统的核心设计

算法流程的抽象

为了适应线上系统串联、多变的算法流程，咱们把线上系统的算法进行抽象，以下图所示：

即每个算法，都依赖于若干个槽位（Slot）和资源（Resource），一旦槽位和资源就位，就会触发对应的算法执行。算法的执行先经过算法适配器，来适配槽位和资源中的数据，转换成算子的输入格式。而后算子执行算法自己，执行完算子后，再通过算法解析器。算法解析器主要用于解析算法执行的结果，触发对应的槽位。如根据算法的结果，触发Top 3的结果。 多个算法串联起来，就构建成以下结果：

热更新流程的设计

如上图所示，咱们把算法的热更新流程设计如上。初试状态为左上角，即多个Query使用同一份模型数据。当遇到模型更新的请求后，系统将会block住新的query（右上角状态）。而后更新模型完后，新的query使用新的模型，旧query依然使用旧模型（右下角状态）。最后，当使用旧模型的query结束后，把旧的模型从内存中删除（左下角），而后系统恢复到初始状态。

声学模型训练系统

由于TensorFlow等通用深度学习训练平台，缺少了特征提取等业务相关的领域功能，而Kaldi的声学模型训练过程又太慢。因此美团开发了一个声学模型训练系统——Mimir，其具有以下特性：

• 使用比TensorFlow更粗颗粒度的建模单元，使得任务调度、优化更简单方便易行。
• 使用数据并行的并行方案，单机多卡可达到近线性加速。（采起同步更新策略下，4卡加速比达到3.8）
• 移植了Kaldi的一些特有的训练算法。
• 速度上为Kaldi的6~7倍。（800个小时的训练数据，单机单卡的条件下，Kaldi须要6~7天， Mimir只需20个小时）
• 业务上，移植了Kaldi的特征提取等领域的相关模块。

参考资料

• NCCL: ACCELERATED MULTI-GPU COLLECTIVE COMMUNICATIONS
• 【深度学习】老师木讲架构：深度学习平台技术演进

做者简介

剑鹏，美团点评算法专家。2017年加入美团，目前做为语音识别团队的声学模型负责人，负责声学模型相关的算法和系统设计与开发。