0
| 本文作者： 楊鯉萍 | 2019-08-28 18:26 |
雷鋒網(wǎng) AI 開(kāi)發(fā)者按：近日，緊跟華為宣布新的 AI 框架即將開(kāi)源的消息，騰訊又帶來(lái)了全新的全棧機(jī)器學(xué)習(xí)平臺(tái) angel3.0。新版本功能特性覆蓋了機(jī)器學(xué)習(xí)的各個(gè)階段，包括：特征工程、模型訓(xùn)練、超參數(shù)調(diào)節(jié)和模型服務(wù)。自 2017 年 angel1.0 在 Github 上開(kāi)源以來(lái)，angel 共獲得星標(biāo)數(shù)超過(guò) 4200、fork 數(shù)超 1000。騰訊發(fā)布了相關(guān)文章介紹了 angel3.0 更新細(xì)節(jié)等內(nèi)容，雷鋒網(wǎng) AI 開(kāi)發(fā)者將其整理編輯如下。
Angel 是基于參數(shù)服務(wù)器架構(gòu)的分布式計(jì)算平臺(tái)，專注于稀疏數(shù)據(jù)高維模型訓(xùn)練以及大規(guī)模圖數(shù)據(jù)分析問(wèn)題，它由騰訊與北京大學(xué)聯(lián)合研發(fā)，融合了業(yè)界的實(shí)用性和學(xué)術(shù)界的創(chuàng)新性。相比于 TensorFlow, PyTorch 和 Spark 等業(yè)界同類平臺(tái)，Angel 有如下特點(diǎn)：
Angel 是一個(gè)基于 Parameter Server（PS）理念開(kāi)發(fā)的高性能分布式機(jī)器學(xué)習(xí)平臺(tái)，PS 架構(gòu)良好的橫向擴(kuò)展能力讓 Angel 能高效處理千億級(jí)別的模型。
Angel 具有專門為處理高維稀疏特征特別優(yōu)化的數(shù)學(xué)庫(kù)，性能可達(dá) breeze 數(shù)學(xué)庫(kù)的 10 倍以上。
相比之下，Angel 更擅長(zhǎng)于推薦模型和圖網(wǎng)絡(luò)模型相關(guān)領(lǐng)域（如圖 1 所示），與 Tensorflow 和 PyTouch 的性能形成互補(bǔ)。
圖 1 Angel 與主流平臺(tái)的性能分布圖
Angel 自研的高性能數(shù)學(xué)庫(kù)是整個(gè)系統(tǒng)的基礎(chǔ)，Angel 的 PS 功能和內(nèi)置的算法內(nèi)核均基于該數(shù)學(xué)庫(kù)實(shí)現(xiàn)。
Angel PS 則提供參數(shù)存儲(chǔ)和交換服務(wù)。在 3.0 版本中，我們對(duì) Angel PS 功能進(jìn)行了擴(kuò)展，使得它可以存儲(chǔ)任意類型的對(duì)象，例如：在圖算法的實(shí)現(xiàn)過(guò)程中，我們使用 Angel PS 來(lái)存儲(chǔ)大量復(fù)雜的對(duì)象。ML core 則是 Angel 自研的一套算法內(nèi)核，它支持自動(dòng)求導(dǎo)，可以使用 JSON 配置文件定義和運(yùn)行算法。
除此之外，Angel 3.0 中還集成了 PyTorch 來(lái)作為計(jì)算引擎。目前它支持 3 種計(jì)算框架：原生的 Angel，Spark On Angel（SONA）和 PyTorch On Angel（PyTONA），這些計(jì)算框架可以使得 Spark 和 PyTorch 用戶能夠靈活切換到 Angel 平臺(tái)。最上層包括了兩個(gè)公共組件：AutoML 和模型服務(wù)。
圖 2 Angel 3.0 架構(gòu)
Angel 3.0 新特性
自動(dòng)特征工程：新增特征選擇和組合方法，將特征合成、選擇和重新索引以 pipeline 的形式呈現(xiàn)，用來(lái)迭代生成高階合成特征；
新的計(jì)算引擎：SONA（加強(qiáng)）——特征工程支持索引為 Long 類型的向量；所有的算法被封裝成 Spark 風(fēng)格的 APIs；SONA 上的算法可以作為 Spark 的補(bǔ)充；PyTONA(新）—— PyTONA 作為圖學(xué)習(xí)算法的引擎被引入，目前支持 GCN 和 GraphSage，同時(shí)也支持推薦領(lǐng)域的算法；
自動(dòng)機(jī)器學(xué)習(xí)：Angel3.0 引入了 3 種超參數(shù)調(diào)節(jié)算法，包括：網(wǎng)格搜索、隨機(jī)搜索和貝葉斯優(yōu)化；
Angel 模型服務(wù)：Angel 提供一個(gè)跨平臺(tái)的模型服務(wù)框架，支持 Angel、PyTorch 和 Spark 的模型，性能上與 TensorFlow Serving 相當(dāng)；
Kubernetes：Angel3.0 支持 Kubernetes，可以在云上運(yùn)行；
圖 3 Angel 3.0 特性概覽（紅色的表示新增特性，白色的表示已有的但在持續(xù)改進(jìn)的特性）
自動(dòng)特征工程
特征工程，例如：特征交叉和選擇，對(duì)于工業(yè)界的機(jī)器學(xué)習(xí)應(yīng)用具有重要意義。雖然 Spark 提供了一些特征選擇算子，但仍有一些局限性，Angel 則基于 Spark 提供了更多的特征選擇算子：
基于統(tǒng)計(jì)的運(yùn)算符，包括 VarianceSelector 和 FtestSelector
基于模型的運(yùn)算符，包括 LassoSelector 和 RandomForestSelector
大多數(shù)在線推薦系統(tǒng)經(jīng)常選擇線性算法，例如邏輯回歸作為機(jī)器學(xué)習(xí)模型，但邏輯回歸需要復(fù)雜的特征工程才能實(shí)現(xiàn)較高的精度，這使得自動(dòng)特征合成至關(guān)重要。但是，現(xiàn)有的自動(dòng)化的高階特征合成方法帶來(lái)了維度災(zāi)難。
為了解決這個(gè)問(wèn)題，Angel 實(shí)現(xiàn)了一種迭代生成高階合成特征的方法，每次迭代由兩個(gè)階段組成，即擴(kuò)增階段——任意特征的笛卡爾積；縮約階段——特征選擇和特征重索引；具體迭代步驟為：
首先任意的輸入特征之間通過(guò)笛卡爾積生成合成特征（該步驟后，特征數(shù)量將以二次方式增加）；
接下來(lái)，從合成特征中選擇最重要的特征子集（使用例如 VarianceSelector 和 RandomForestSelector）；
然后，重新索引所選擇的特征以減少特征空間；
最后，合成特征與原始特征拼接在一起。
圖 4 自動(dòng)特征工程流程
如圖 4 所示，這種特征合成方法線性地增加特征數(shù)量，避免了維度災(zāi)難。在 Higgs 數(shù)據(jù)集上的實(shí)驗(yàn)表明合成的特征能有效地提高模型精度（如表 1 所示）。
表 1 特征合成結(jié)果
Spark On Angel (SONA)
在 Angel 3.0 中，我們對(duì) Spark On Angel 做了大幅度的優(yōu)化，添加了新的特性：
Spark On Angel 中集成了特征工程。在集成的過(guò)程中并不是簡(jiǎn)單地借用 Spark 的特征工程，我們?yōu)樗械倪\(yùn)算支持了長(zhǎng)整型索引的向量使其能夠訓(xùn)練高維稀疏模型；
與自動(dòng)調(diào)參無(wú)縫連接；
Spark 用戶能夠通過(guò) Spark-fashion API 將 Spark 轉(zhuǎn)換成 Angel；
支持兩種新的數(shù)據(jù)格式，即 LibFFM 和 Dummy。
圖 5 Spark On Angel 架構(gòu)
除了這些大的特征，我們也在持續(xù)完善 Spark On Angel 的算法庫(kù)，添加了一些新的算法，例如：Deep & Cross Network（DCN）和 Attention Factorization Machines（AFM）等；同時(shí)，對(duì)已有的算法做了大量的優(yōu)化。圖 6 提供了一個(gè)基于 Spark On Angel 的分布式算法示例，主要包含以下步驟： 
圖 6 Spark On Angel 算法示例
在程序開(kāi)始時(shí)啟動(dòng)參數(shù)服務(wù)器，程序結(jié)束時(shí)關(guān)閉參數(shù)服務(wù)器；
將訓(xùn)練集和測(cè)試集以 Spark DataFrame 形式加載；
定義一個(gè) Angel 模型并以 Spark 的參數(shù)設(shè)置方式為其設(shè)置參數(shù)。在這個(gè)示例中，算法是一個(gè)通過(guò) JSON 定義的計(jì)算圖；
使用「fit」方法來(lái)訓(xùn)練模型；
使用「evaluate」方法來(lái)評(píng)估已訓(xùn)練的模型。
在訓(xùn)練完成后，Spark On Angel 將會(huì)展示多種模型指標(biāo)，如：準(zhǔn)確率, ROC 曲線, AUC 等。用戶可以保存訓(xùn)練好的模型以便下次使用。
PyTorch On Angel（PyTONA）
PyTorch On Angel 是 Angel 3.0 新增的特性，它主要是為了解決大規(guī)模圖表示學(xué)習(xí)和深度學(xué)習(xí)模型訓(xùn)練問(wèn)題。在過(guò)去幾年時(shí)間，圖卷積神經(jīng)網(wǎng)絡(luò)（GNN）快速發(fā)展，一系列的研究論文以及相關(guān)的算法問(wèn)世：例如 GCN，GraphSAGE 和 GAT 等，研究和測(cè)試結(jié)果表明，它們能夠比傳統(tǒng)圖表示學(xué)習(xí)更好的抽取圖特征。
但大規(guī)模圖的表示學(xué)習(xí)面臨著兩個(gè)主要的挑戰(zhàn)：第一個(gè)挑戰(zhàn)來(lái)自于超大規(guī)模圖結(jié)構(gòu)的存儲(chǔ)以及訪問(wèn)，這要求系統(tǒng)不僅能存得下，還需要提供高效的訪問(wèn)接口；第二個(gè)挑戰(zhàn)來(lái)自于 GNN 計(jì)算過(guò)程，它需要有高效的自動(dòng)求導(dǎo)模塊。
通過(guò)對(duì) Angel 自身狀況以及對(duì)業(yè)界已有系統(tǒng)的分析，我們發(fā)現(xiàn)：
TensorFlow 和 PyTorch 擁有高效的自動(dòng)求導(dǎo)模塊，但是它們不擅長(zhǎng)處理高維度模型和稀疏數(shù)據(jù)；
Angel 擅長(zhǎng)處理高維度模型和稀疏數(shù)據(jù)，雖然 Angel 自研的計(jì)算圖框架（MLcore）也可以自動(dòng)求導(dǎo)，但是在效率和功能完整性上卻不及 TensorFlow 和 PyTorch，無(wú)法滿足 GNN 的要求。
為了將兩者的優(yōu)勢(shì)結(jié)合起來(lái)，我們基于 Angel PS 開(kāi)發(fā)了 PyTorch On Angel 平臺(tái)，希望通過(guò) Angel PS 來(lái)存儲(chǔ)大模型，同時(shí)使用 Spark 來(lái)作為 PyTorch 的分布式調(diào)度平臺(tái)。最終得到 PyTorch On Angel 的架構(gòu)如圖 7 所示：
圖 7 PyTorch On Angel 系統(tǒng)架構(gòu)
PyTorch On Angel 具有 3 個(gè)主要的組件：
Angel PS：存儲(chǔ)模型參數(shù)，圖結(jié)構(gòu)信息和節(jié)點(diǎn)特征等，并且提供模型參數(shù)和圖相關(guān)數(shù)據(jù)結(jié)構(gòu)的訪問(wèn)接口，例如需要提供兩跳鄰接訪問(wèn)接口；
Spark Driver：中央控制節(jié)點(diǎn)，負(fù)責(zé)計(jì)算任務(wù)的調(diào)度和一些全局的控制功能，例如發(fā)起創(chuàng)建矩陣、初始化模型、保存模型、寫(xiě) checkpoint 以及恢復(fù)模型命令；
Spark Worker：讀取計(jì)算數(shù)據(jù)，同時(shí)從 PS 上拉取模型參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)等信息，然后將這些訓(xùn)練數(shù)據(jù)參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)傳給 PyTorch，PyTorch 負(fù)責(zé)具體的計(jì)算并且返回梯度，最后 Spark Worker 將梯度推送到 PS 更新模型。
這些組件都已封裝完備，因此在 PyTorch On Angel 平臺(tái)上開(kāi)發(fā)新算法，只需關(guān)注算法邏輯即可。圖 8 展示了一個(gè)開(kāi)發(fā)案例，算法開(kāi)發(fā)完成后，將代碼保存為 pt 文件，然后將 pt 文件提交給 PyTorch On Angel 平臺(tái)就可以實(shí)現(xiàn)分布式訓(xùn)練了。
圖 8 在 PyTorch On Angel 上實(shí)現(xiàn) GCN 的例子
目前，我們已經(jīng)在 PyTorch On Angel 上實(shí)現(xiàn)了許多算法：包括推薦領(lǐng)域常見(jiàn)的算法（FM，DeepFM，Wide & Deep，xDeepFM，AttentionFM，DCN 和 PNN 等）和 GNN 算法（GCN 和 GraphSAGE）。在未來(lái)，我們將進(jìn)一步豐富 PyTorch On Angel 的算法庫(kù)。
結(jié)合了 PyTorch 和 Angel 的優(yōu)點(diǎn)，PyTorch On Angel 在算法性能方面有很大的優(yōu)勢(shì)：對(duì)于推薦領(lǐng)域常見(jiàn)的深度學(xué)習(xí)算法，性能可以大大超過(guò)了 TensorFlow 。下圖是在公開(kāi)的數(shù)據(jù)集 criteo kaggle2014（4500 萬(wàn)訓(xùn)練樣本，100w 特征）上做的對(duì)比測(cè)試： 
圖 9 PyTorch On Angel 和 TensorFlow 性能對(duì)比測(cè)試
除了性能方面的優(yōu)勢(shì)，PyTorch On Angel 易用性也較好。PyTorch 運(yùn)行在 Spark 的 Executor 中，可以實(shí)現(xiàn) Spark 圖數(shù)據(jù)預(yù)處理和 PyTorch 模型訓(xùn)練的無(wú)縫對(duì)接，在一個(gè)程序中完成整個(gè)計(jì)算過(guò)程。
自動(dòng)超參數(shù)調(diào)節(jié)
傳統(tǒng)超參數(shù)調(diào)節(jié)的方式有兩種（如圖 10 所示）：
網(wǎng)格搜索：網(wǎng)格搜索將整個(gè)搜索空間切分為網(wǎng)格，假設(shè)超參數(shù)是同等重要的。這種方式雖然直觀，但有兩個(gè)明顯的缺點(diǎn)。第一個(gè)是計(jì)算代價(jià)隨參數(shù)數(shù)量的增長(zhǎng)而呈指數(shù)增長(zhǎng)，其次是超參數(shù)的重要程度常常不同，網(wǎng)格搜索可能會(huì)花費(fèi)太多資源來(lái)優(yōu)化不太重要的超參數(shù)；
隨機(jī)搜索：隨機(jī)采樣超參數(shù)組合，并評(píng)估抽樣組合。雖然這種方法可能關(guān)注更重要的超參數(shù)，但是無(wú)法保證找到最佳組合；
圖 10 網(wǎng)格搜索和隨機(jī)搜索
貝葉斯優(yōu)化與傳統(tǒng)的無(wú)模型方法不同，它使用計(jì)算成本較低的代理函數(shù)（surrogate function）來(lái)近似原始目標(biāo)函數(shù)。在貝葉斯優(yōu)化中，代理函數(shù)生成超參數(shù)組合的概率均值和方差。然后，效用函數(shù)（acquisition function）將評(píng)估超參數(shù)組合的預(yù)期損失或改進(jìn)。這樣的概率解釋方法使貝葉斯優(yōu)化能夠使用較少的成本找到目標(biāo)函數(shù)的較優(yōu)解。
Angel 3.0 包括傳統(tǒng)的兩種方法和貝葉斯算法優(yōu)化。對(duì)貝葉斯優(yōu)化，Angel 實(shí)現(xiàn)了以下的功能：
代理函數(shù)。除了常用的兩種模型（高斯過(guò)程和隨機(jī)森林），也實(shí)現(xiàn)了 EM + LBFGS 優(yōu)化高斯過(guò)程內(nèi)核函數(shù)中的超參數(shù)；
效用函數(shù)：實(shí)現(xiàn)了 PI（Probability of improvement），EI（Expected Improvement）和 UCB（Upper Confidence Bound）。
由于每次評(píng)估目標(biāo)函數(shù)的計(jì)算成本可能較大，如果觀察到候選超參數(shù)組合在開(kāi)始的若干輪迭代中表現(xiàn)不佳，可以提前停止這些候選超參數(shù)組合。Angel 3.0 版本中實(shí)現(xiàn)了該策略。表 2 展示了在邏輯回歸算法的實(shí)驗(yàn)，調(diào)節(jié)的超參數(shù)是學(xué)習(xí)速度和學(xué)習(xí)速度衰減率，結(jié)果顯示貝葉斯優(yōu)化的性能優(yōu)于隨機(jī)搜索和網(wǎng)格搜索，而隨機(jī)搜索的結(jié)果略優(yōu)于網(wǎng)格搜索。
表 2 不同超參數(shù)自動(dòng)條件方法的效果對(duì)比
為了滿足在生產(chǎn)環(huán)境中高效地進(jìn)行模型服務(wù)的需求，我們?cè)?Angel 3.0 中實(shí)現(xiàn)了 Angel Serving 子系統(tǒng)，它是一個(gè)可拓展性強(qiáng)、高性能的機(jī)器學(xué)習(xí)模型服務(wù)系統(tǒng)，是全棧式機(jī)器學(xué)習(xí)平臺(tái) Angel 的上層服務(wù)入口，使 Angel 生態(tài)能夠形成閉環(huán)。圖 11 展示了 Angel Serving 的架構(gòu)設(shè)計(jì)。
圖 11 Angel Serving 架構(gòu)
Angel Serving 主要特征包括：
支持多種類型的 API 訪問(wèn)服務(wù)，包括 gRPC 和 Restful 接口；
Angel Serving 是一個(gè)通用的機(jī)器學(xué)習(xí)服務(wù)框架。可插拔機(jī)制設(shè)計(jì)使得來(lái)自其他第三方機(jī)器學(xué)習(xí)平臺(tái)的模型可以與 Angel Serving 兼容，目前已經(jīng)支持三種平臺(tái)的模型：Angel，PyTorch 和支持 PMML 模型格式的平臺(tái)（Spark、XGBoost 等）；
受 TensorFlow Serving 的啟發(fā)，Angel Serving 提供細(xì)粒度版本控制策略。包括使用模型的最早、最新以及指定版本進(jìn)行服務(wù)；
Angel Serving 還提供豐富的模型服務(wù)監(jiān)控指標(biāo)，包括：QPS（每秒請(qǐng)求數(shù)）、總的請(qǐng)求數(shù)以及成功請(qǐng)求總數(shù)、請(qǐng)求的響應(yīng)時(shí)間分布以及平均響應(yīng)時(shí)間。
表 3 Angel Serving 和 Tensorflow Serving 性能對(duì)比
表 3 展示了 Angel Serving 和 TensorFlow Serving 性能對(duì)比結(jié)果，我們使用具有 100 萬(wàn)個(gè)特征的 DeepFM 模型，向服務(wù)發(fā)送 100,000 個(gè)預(yù)測(cè)請(qǐng)求。Angel Serving 和 TensorFlow Serving 的總耗時(shí)分別為 56 秒和 59 秒。兩個(gè)服務(wù)系統(tǒng)的平均響應(yīng)時(shí)間都為 2 毫秒。Angel Serving 的 QPS 是 1,900，而 TensorFlow Serving 的 QPS 是 1,800。
Angel 開(kāi)源地址：
雷鋒網(wǎng) AI 開(kāi)發(fā)者 雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
