背景

深度學習作為AI時代的核心技術，已經被應用于多個場景。在系統設計層面，由于其具有計算密集型的特性，所以與傳統的機器學習算法在工程實踐過程中存在諸多的不同。本文將介紹美團平臺在應用深度學習技術的過程中，相關系統設計的一些經驗。

本文將首先列舉部分深度學習算法所需的計算量，然后再介紹為滿足這些計算量，目前業界比較常見的一些解決方案。最后，我們將介紹美團平臺在NLU和語音識別兩個領域中，設計相關系統的經驗。

深度學習的計算量

數據來源

上表列舉了，ImageNet圖像識別中常見算法的模型大小以及單張圖片一次訓練（One Pass）所需要的計算量。

自2012年，Hinton的學生Alex Krizhevsky提出AlexNet，一舉摘下ILSVRC 2012的桂冠后，ILSVRC比賽冠軍的準確率越來越高。與此同時，其中使用到的深度學習算法也越來越復雜，所需要的計算量也越來越大。SENet與AlexNet相比，計算量多了近30倍。我們知道，ImageNet大概有120萬張圖片，以SENet為例，如果要完成100個epoch的完整訓練，將需要2.52 * 10^18的計算量。如此龐大的計算量，已經遠遠超出傳統的機器學習算法的范疇。更別說，Google在論文《Revisiting Unreasonable Effectiveness of Data in Deep Learning Era》中提及的、比ImageNet大300倍的數據集。

物理計算性能

面對如此龐大的計算量，那么，我們業界當前常用的計算單元的計算力是多少呢？

• CPU 物理核：一般浮點運算能力在10^10 FLOPS量級。一臺16 Cores的服務器，大致上有200 GFLOPS的運算能力。實際運行，CPU 大概能用到80%的性能，那就160 GFLOPS的運算能力。完成上述SENet運行，需要182天。
• NVIDIA GPGPU： 目前的V100，單精度浮點運算的峰值大概為14 TFLOPS， 實際運行中，我們假設能用到50%的峰值性能，那就是7 TFLOPS，需要4天。

根據以上數據結果可以看出：在深度學習領域，GPU訓練數據集所需要耗費的時間，遠遠少于CPU，這也是當前深度學習訓練都是采用GPU的重要原因。

業界的解決方案

從前面的計算可知，即使使用GPU來計算，訓練一次ImageNet 也需要4天的時間。但對于算法工程師做實驗、調參而言，這種耗時數天的等待是難以忍受的。為此，目前業界針對深度學習訓練的加速，提出了各種各樣的解決方案。

異構計算的并行方案

數據并行（Data Parallelism）

數據并行，即每個計算單元都保留一份完整的模型拷貝，分別訓練不同的數據，經過一個Iteration或若干個Iteration后，把各個計算單元的模型做一次同步。這是最常見的深度學習訓練方式，好處在于邏輯簡單、代碼實現方便。

模型并行（Model Parallelism）

模型并行，即各個計算單元存儲同一層模型數據的不同部分，訓練相同的數據。相對于數據并行，因為各個運算單元每訓練完一層神經網絡，就必須要同步一次，頻繁的同步通信導致系統不能充分地利用硬件的運算能力，所以更為少見。但是在一些業務場景下，Softmax層需要分類的類別可能會有很多，導致Softmax層太大，單個計算單元無法存儲，這個時候，需要把模型切割成若干部分，存儲在不同的運算單元。模型并行常見于NLU、推薦、金融等領域。

流式并行（Stream Parallelism）

流式并行，即每個計算單元都存儲不同層的模型數據，訓練相同的數據。如上圖所示，GPU1只負責第一層神經網絡的計算，GPU2只負責2~5層神經網絡的計算，GPU3只負責第6層的計算。流式并行的好處在于每個運算單元之間的通信和計算重疊（overlap），如果配置得當，可以非常充分地利用硬件資源。缺點在于，根據不同的模型，需要平衡好各個計算單元的計算量，如果配置不好，很容易形成“堰塞湖”。如上圖所示，很有可能出現GPU1 負責的運算量太少，而GPU2 負責的運算量太多，導致GPU1 和GPU2 之間堵塞住大量的Mini-batch，更常見于線上環境。

混合并行（Hybrid Parallelism）

混合并行，即上面提到的并行方式的混合。如對于一些圖像識別任務來說，可能前幾層使用數據并行，最后的Softmax層，使用模型并行。

異構計算的硬件解決方案

•  單機單卡：一個主機內安裝上一塊GPU運算卡。常見于個人計算機。
•  單機多卡：一個主機內安裝上多塊GPU運算卡。常見的有：1機4卡，1機8卡，甚至有1機10卡。一般公司都采取這種硬件方案。
•  多機多卡：多臺主機內安裝多塊GPU運算卡。常見于公司內部的計算集群，一般多機之間采取Infiniband 來實現網絡的快速通信。
•  定制化：即類似于Google的TPU解決方案。常見于“巨無霸”公司內部。

異構計算的通信解決方案

根據上面的硬件解決方案，我們以ResNet為例：模型的大小為230M，單張圖片運算量為11 GFLPOS，Mini-batch假設為128。可以計算出各個硬件模塊在深度學習訓練中的耗時比較：

•  GPU：對于V100，假設有6 TFLOPS，一次Mini-batch 理論耗時：0.23s。
•  PCI-E：常見PCI-E 3.0 * 16，速度為10 GB/s，傳輸一個模型的理論耗時為：0.023s。
•  網絡：假設為10 GB/s的高速網絡，傳輸一個模型的理論耗時：0.023s。
•  Disk：普通的磁盤，我們假設200M/s的讀取速度，讀取一次Mini-batch所需要的圖片耗時：0.094s。

根據上面的數據結果，我們似乎可以得出一個結論：PCI-E和網絡的傳輸耗時，相對于GPU來說，整整少了一個數量級，所以網絡通信同步的時間可以忽略不計。然而問題并沒有那么簡單，上面例子中的耗時只是單個模型的耗時，但是對于8卡的集群來說，如果使用數據并行，每次同步就需要傳輸8份模型，這就導致數據傳輸的時間和GPU的計算時間“旗鼓相當”。這樣的話，GPU就得每訓練完一個Mini-batch，都得等候很久的一段時間（采取同步更新），這會浪費很多計算資源。因此，網絡通信也需要制定對應的解決方案。下面我們以Nvidia NCCL中單機多卡的通信解決方案為例介紹，而多機多卡的通信解決方案其實是類似的。

上圖是單機4卡機器，在硬件上，兩種不同的通信體系。左邊為普通的PCI-E通信，即4個GPU之間組成一個環狀。右邊為NVLink通信，即兩兩之間相互連接。

常見的通信類型如下圖所示：

對于深度學習訓練而言，關鍵的兩種通信類型為：Broadcast和Reduce。Broadcast用于Master分發最新的模型給各個GPU。Reduce 用于各個GPU計算完Mini-batch后，把模型更新值匯總到Master上。以Broadcast為例，最簡單的通信方式是Master往各個GPU上發送數據，這樣的耗時就是4次模型傳輸的時間，通信時間就會太長，一種簡單的優化方法如下圖所示：

即把所需要傳輸的數據分成若干塊，然后通過接力的方式逐個傳遞，每個GPU都把自己最新的一塊數據發送到下一個GPU卡上。這種傳輸方式能充分利用硬件層面的通信結構，使得需要的耗時大幅縮減。與此類似的，Reduce的通信優化也可以采取相同的方式進行提速。

美團的定制化深度學習系統

盡管目前在業界已經推出了很多著名的深度學習訓練平臺，通用的訓練平臺如TensorFlow、MxNet等等，還有領域專用的訓練平臺，如語音識別中的Kaldi，但是我們經過調研后，決定內部自主開發一套深度學習系統，理由如下：

•  通用的訓練平臺，缺乏了領域特色的功能。如語音識別中的特征提取模塊和算法。
•  通用的訓練平臺，通常是基于Data-flow Graph，來對計算圖中的每個operator進行建模，所以顆粒度很小，需要調度的單元多，導任務調度復雜。
•  領域特色的訓練平臺，如Kaldi，在神經網絡訓練的時候，性能不足。
•  線上業務存在很多特殊性，如果使用TensorFlow之類作為訓練平臺，不太適合線上業務的情景。

NLU線上系統

線上系統的業務特點

我們在設計NLU線上系統時，考慮了NLU業務的一些特性。發現其具備如下的一些特點：

•  隨著業務和技術的變化，算法流程也經常發生變化。
•  算法流程是多個算法串聯組成的，不單純的只有深度學習算法。如分詞等算法就不是DL算法。
•  為了能夠快速響應一些緊急問題，需要經常對模型進行熱更新。
•  更重要的是，我們希望構建一個能以“數據驅動”的自動迭代閉環。

業務多變

NLU任務的算法流程是多層級的，并且業務經常發生變化。如下圖所示：

即隨著業務要求的變化，NLU系統一開始的算法流程，只需要把一個Query分為兩個類，但是到后面，極有可能會變成需要分為三個類別。

熱更新

根據業務需求，或者為了緊急處理一些特殊問題，NLU線上系統經常需要做出快速響應，熱更新算法模型。如最近的熱點詞“skr”，幾乎是一夜之間，突然火爆起來。如下圖所示的微博，如果不能正確理解“skr”的正確語義，可能就不能準確理解這條微博想要表達的意思。

為了避免影響用戶體驗，我們可能會對NLU系統，馬上進行熱更新，把新模型緊急進行上線。

數據驅動的自動迭代閉環

對于線上系統而言，構建如上圖所示的自動迭代閉環，能更好地利用業務數據來提升服務質量。

NLU線上系統的核心設計

算法流程的抽象

為了適應線上系統串聯、多變的算法流程，我們把線上系統的算法進行抽象，如下圖所示：

即每一個算法，都依賴于若干個槽位（Slot）和資源（Resource），一旦槽位和資源就位，就會觸發對應的算法執行。算法的執行先通過算法適配器，來適配槽位和資源中的數據，轉換成算子的輸入格式。然后算子執行算法本身，執行完算子后，再經過算法解析器。算法解析器主要用于解析算法執行的結果，觸發對應的槽位。如根據算法的結果，觸發Top 3的結果。

多個算法串聯起來，就構建成如下結果：

熱更新流程的設計

如上圖所示，我們把算法的熱更新流程設計如上。初試狀態為左上角，即多個Query使用同一份模型數據。當遇到模型更新的請求后，系統將會block住新的query（右上角狀態）。然后更新模型完后，新的query使用新的模型，舊query依然使用舊模型（右下角狀態）。最后，當使用舊模型的query結束后，把舊的模型從內存中刪除（左下角），然后系統恢復到初始狀態。

聲學模型訓練系統

因為TensorFlow等通用深度學習訓練平臺，缺乏了特征提取等業務相關的領域功能，而Kaldi的聲學模型訓練過程又太慢。所以美團開發了一個聲學模型訓練系統——Mimir，其具備如下特性：

•  使用比TensorFlow更粗顆粒度的建模單元，使得任務調度、優化更簡單方便易行。
•  使用數據并行的并行方案，單機多卡可達到近線性加速。（采取同步更新策略下，4卡加速比達到3.8）
•  移植了Kaldi的一些特有的訓練算法。
•  速度上為Kaldi的6~7倍。（800個小時的訓練數據，單機單卡的條件下，Kaldi需要6~7天， Mimir只需20個小時）
•  業務上，移植了Kaldi的特征提取等領域的相關模塊。