背景
深度學習作為AI時代的核心技術，已經被應用於多個場景。在系統設計層面，由於其具有計算密集型的特性，所以與傳統的機器學習演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，相關係統設計的一些經驗。
本文將首先列舉部分深度學習演算法所需的計算量，然後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。最後，我們將介紹美團平臺在NLU和語音識別兩個領域中，設計相關係統的經驗。
深度學習的計算量
| 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 |
資料來源 上表列舉了，ImageNet影象識別中常見演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的桂冠後，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演算法也越來越複雜，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演算法的範疇。更別說，Google在論文《Revisiting Unreasonable Effectiveness of Data in Deep Learning Era》中提及的、比ImageNet大300倍的資料集。
物理計算效能
面對如此龐大的計算量，那麼，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的伺服器，大致上有200 GFLOPS的運算能力。實際執行，CPU 大概能用到80%的效能，那就160 GFLOPS的運算能力。完成上述SENet執行，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， 實際執行中，我們假設能用到50%的峰值效能，那就是7 TFLOPS，需要4天。
根據以上資料結果可以看出：在深度學習領域，GPU訓練資料集所需要耗費的時間，遠遠少於CPU，這也是當前深度學習訓練都是採用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。但對於演算法工程師做實驗、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。
異構計算的並行方案
資料並行（Data Parallelism）
模型並行（Model Parallelism）
流式並行（Stream Parallelism）
混合並行（Hybrid Parallelism）
異構計算的硬體解決方案
- 單機單卡：一個主機內安裝上一塊GPU運算卡。常見於個人計算機。
- 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。一般公司都採取這種硬體方案。
- 多機多卡：多臺主機內安裝多塊GPU運算卡。常見於公司內部的計算叢集，一般多機之間採取Infiniband 來實現網路的快速通訊。
- 定製化：即類似於Google的TPU解決方案。常見於“巨無霸”公司內部。
異構計算的通訊解決方案
根據上面的硬體解決方案，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。可以計算出各個硬體模組在深度學習訓練中的耗時比較：
- GPU：對於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。
- 網路：假設為10 GB/s的高速網路，傳輸一個模型的理論耗時：0.023s。
- Disk：普通的磁碟，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。
根據上面的資料結果，我們似乎可以得出一個結論：PCI-E和網路的傳輸耗時，相對於GPU來說，整整少了一個數量級，所以網路通訊同步的時間可以忽略不計。然而問題並沒有那麼簡單，上面例子中的耗時只是單個模型的耗時，但是對於8卡的叢集來說，如果使用資料並行，每次同步就需要傳輸8份模型，這就導致資料傳輸的時間和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（採取同步更新），這會浪費很多計算資源。因此，網路通訊也需要制定對應的解決方案。下面我們以Nvidia NCCL中單機多卡的通訊解決方案為例介紹，而多機多卡的通訊解決方案其實是類似的。
美團的定製化深度學習系統
儘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，但是我們經過調研後，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。如語音識別中的特徵提取模組和演算法。
- 通用的訓練平臺，通常是基於Data-flow Graph，來對計算圖中的每個operator進行建模，所以顆粒度很小，需要排程的單元多，導任務排程複雜。
- 領域特色的訓練平臺，如Kaldi，在神經網路訓練的時候，效能不足。
- 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，演算法流程也經常發生變化。
- 演算法流程是多個演算法串聯組成的，不單純的只有深度學習演算法。如分詞等演算法就不是DL演算法。
- 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“資料驅動”的自動迭代閉環。
業務多變
NLU任務的演算法流程是多層級的，並且業務經常發生變化。如下圖所示：
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，熱更新演算法模型。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。
資料驅動的自動迭代閉環
NLU線上系統的核心設計
演算法流程的抽象
為了適應線上系統串聯、多變的演算法流程，我們把線上系統的演算法進行抽象，如下圖所示：
熱更新流程的設計
聲學模型訓練系統
因為TensorFlow等通用深度學習訓練平臺，缺乏了特徵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，使得任務排程、優化更簡單方便易行。
- 使用資料並行的並行方案，單機多卡可達到近線性加速。（採取同步更新策略下，4卡加速比達到3.8）
- 移植了Kaldi的一些特有的訓練演算法。
- 速度上為Kaldi的6~7倍。（800個小時的訓練資料，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的特徵提取等領域的相關模組。
參考資料
作者簡介
劍鵬，美團點評演算法專家。2017年加入美團，目前作為語音識別團隊的聲學模型負責人，負責聲學模型相關的演算法和系統設計與開發。
