機(jī)器學(xué)習(xí)之Spark詳解

Spark的核心概念是RDD，而RDD的關(guān)鍵特性之一是其不可變性，來(lái)規(guī)避分布式環(huán)境下復(fù)雜的各種并行問(wèn)題。這個(gè)抽象，在數(shù)據(jù)分析的領(lǐng)域是沒(méi)有問(wèn)題的，它能最大化的解決分布式問(wèn)題，簡(jiǎn)化各種算子的復(fù)雜度，并提供高性能的分布式數(shù)據(jù)處理運(yùn)算能力。

　　然而在機(jī)器學(xué)習(xí)領(lǐng)域，RDD的弱點(diǎn)很快也暴露了。機(jī)器學(xué)習(xí)的核心是迭代和參數(shù)更新。RDD憑借著邏輯上不落地的內(nèi)存計(jì)算特性，可以很好的解決迭代的問(wèn)題，然而RDD的不可變性，卻非常不適合參數(shù)反復(fù)多次更新的需求。這本質(zhì)上的不匹配性，導(dǎo)致了Spark的MLlib庫(kù)，發(fā)展一直非常緩慢，從2015年開(kāi)始就沒(méi)有實(shí)質(zhì)性的創(chuàng)新，性能也不好。

　　為此，Angel在設(shè)計(jì)生態(tài)圈的時(shí)候，優(yōu)先考慮了Spark。在V1.0.0推出的時(shí)候，就已經(jīng)具備了Spark on Angel的功能，基于Angel為Spark加上了PS功能，在不變中加入了變化的因素，可謂如虎添翼。

　　我們將以L-BFGS為例，來(lái)分析Spark在機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn)上的問(wèn)題，以及Spark on Angel是如何解決Spark在機(jī)器學(xué)習(xí)任務(wù)中的遇到的瓶頸，讓Spark的機(jī)器學(xué)習(xí)更加強(qiáng)大。

　　1. L-BFGS算法說(shuō)明

2.L-BFGS的Spark實(shí)現(xiàn)

3.L-BFGS的Spark on Angel實(shí)現(xiàn)

　　3.1 實(shí)現(xiàn)框架

　　Spark on Angel借助Angel PS-Service的功能為Spark引入PS的角色，減輕整個(gè)算法流程對(duì)driver的依賴(lài)。two-loop recursion算法的運(yùn)算交給PS，而driver只負(fù)責(zé)任務(wù)的調(diào)度，大大減輕的對(duì)driver性能的依賴(lài)。

　　Angel PS由一組分布式節(jié)點(diǎn)組成，每個(gè)vector、matrix被切分成多個(gè)partition保存到不同的節(jié)點(diǎn)上，同時(shí)支持vector和matrix之間的運(yùn)算；

　　3.2 性能分析

　　整個(gè)算法過(guò)程，driver只負(fù)責(zé)任務(wù)調(diào)度，而復(fù)雜的two-loop recursion運(yùn)算在PS上運(yùn)行，梯度的Aggregate和模型的同步是executor和PS之間進(jìn)行，所有運(yùn)算都變成分布式。在網(wǎng)絡(luò)傳輸中，高維度的PSVector會(huì)被切成小的數(shù)據(jù)塊再發(fā)送到目標(biāo)節(jié)點(diǎn)，這種節(jié)點(diǎn)之間多對(duì)多的傳輸大大提高了梯度聚合和模型同步的速度。 這樣Spark on Angel完全避開(kāi)了Spark中driver單點(diǎn)的瓶頸，以及網(wǎng)絡(luò)傳輸高維度向量的問(wèn)題。

　　4.“輕易強(qiáng)快”的Spark on Angel

　　Spark on Angel是Angel為解決Spark在機(jī)器學(xué)習(xí)模型訓(xùn)練中的缺陷而設(shè)計(jì)的“插件”，沒(méi)有對(duì)Spark做“侵入式”的修改，是一個(gè)獨(dú)立的框架?？梢杂?nbsp;“輕”、“易”、“強(qiáng)”、“快” 來(lái)概括Spark on Angel的特點(diǎn)。

　　4.1 輕 — “插件式”的框架

　　Spark on Angel是Angel為解決Spark在機(jī)器學(xué)習(xí)模型訓(xùn)練中的缺陷而設(shè)計(jì)的“插件”。Spark on Angel沒(méi)有對(duì)Spark中的RDD做侵入式的修改，Spark on Angel是依賴(lài)于Spark和Angel的框架，同時(shí)其邏輯又獨(dú)立于Spark和Angel。 因此，Spark用戶使用Spark on Angel非常簡(jiǎn)單，只需在Spark的提交腳本里做三處改動(dòng)即可，詳情可見(jiàn)Angel的Github Spark on Angel Quick Start文檔

　　可以看到提交的Spark on Angel任務(wù)，其本質(zhì)上依然是一個(gè)Spark任務(wù)，整個(gè)任務(wù)的執(zhí)行過(guò)程與Spark一樣的。

　　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能夠成為如此輕量級(jí)的框架，得益于Angel對(duì)PS-Service的封裝，使Spark的driver和executor可以通過(guò)PsAgent、PSClient與Angel PS做數(shù)據(jù)交互。

4.2 強(qiáng) — 功能強(qiáng)大，支持breeze庫(kù)

　　breeze庫(kù)是scala實(shí)現(xiàn)的面向機(jī)器學(xué)習(xí)的數(shù)值運(yùn)算庫(kù)。Spark MLlib的大部分?jǐn)?shù)值優(yōu)化算法都是通過(guò)調(diào)用breeze來(lái)完成的。如下所示，Spark和Spark on Angel兩種實(shí)現(xiàn)都是通過(guò)調(diào)用breeze.optimize.LBFGS實(shí)現(xiàn)的。Spark的實(shí)現(xiàn)是---BreezePSVector。-----

　　BreezePSVector是指Angel PS上的Vector，該Vector實(shí)現(xiàn)了breeze NumericOps下的方法，如常用的 dot，scale，axpy，add等運(yùn)算，因此在LBFGS[BreezePSVector] two-loop recursion算法中的高維度向量運(yùn)算是BreezePSVector之間的運(yùn)算，而BreezePSVector之間全部在Angel PS上分布式完成。

　　Spark的L-BFGS實(shí)現(xiàn)

4.3 易 — 編程接口簡(jiǎn)單

　　Spark能夠在大數(shù)據(jù)領(lǐng)域這么流行的另外一個(gè)原因是：其編程方式簡(jiǎn)單、容易理解，Spark on Angel同樣繼承了這個(gè)特性。 Spark on Angel本質(zhì)是一個(gè)Spark任務(wù)，整個(gè)代碼實(shí)現(xiàn)邏輯跟Spark是一致的；當(dāng)需要與PSVector做運(yùn)算時(shí)，調(diào)用相應(yīng)的接口即可。

　　如下代碼所示，LBFGS在Spark和Spark on Angel上的實(shí)現(xiàn)，二者代碼的整體思路是一樣的，主要的區(qū)別是梯度向量的Aggregate和模型 的pull/push。 因此，如果將Spark的算法改造成Spark on Angel的任務(wù)，只需要修改少量的代碼即可。

　　L-BFGS需要用戶實(shí)現(xiàn)DiffFunction，DiffFunction的calculte接口輸入?yún)?shù)是 ，遍歷訓(xùn)練數(shù)據(jù)并返回 loss 和 gradient。

　　其完整代碼，請(qǐng)前往Github SparseLogistic

　　Spark的DiffFunction實(shí)現(xiàn)

4.4 快 — 性能強(qiáng)勁

　　我們分別實(shí)現(xiàn)了SGD、LBFGS、OWLQN三種優(yōu)化方法的LR，并在Spark和Spark on Angel上做了實(shí)驗(yàn)對(duì)比。 該實(shí)驗(yàn)代碼請(qǐng)前往Github SparseLRWithX.scala .

　　數(shù)據(jù)集：騰訊內(nèi)部某業(yè)務(wù)的一份數(shù)據(jù)集，2.3億樣本，5千萬(wàn)維度

　　實(shí)驗(yàn)設(shè)置：

　　說(shuō)明1：三組對(duì)比實(shí)驗(yàn)的資源配置如下，我們盡可能保證所有任務(wù)在資源充足的情況下執(zhí)行，因此配置的資源比實(shí)際需要的偏多；

　　說(shuō)明2：執(zhí)行Spark任務(wù)時(shí)，需要加大spark.driver.maxResultSize參數(shù)；而Spark on Angel就不用配置此參數(shù)。

　如上數(shù)據(jù)所示，Spark on Angel相較于Spark在訓(xùn)練LR模型時(shí)有50%以上的加速；對(duì)于越復(fù)雜的模型，其加速的比例越大。

　　5.結(jié)語(yǔ)

　　Spark on Angel的出現(xiàn)可以高效、低成本地克服Spark在機(jī)器學(xué)習(xí)領(lǐng)域遇到的瓶頸；我們將繼續(xù)優(yōu)化Spark on Angel，并提高其性能。也歡迎大家在Github上一起參與我們的改進(jìn)。

來(lái)源：火龍果軟件工程