Python 分佈式機器學習 Distributed Machine Learning with Python: Accelerating model training and serving with distributed systems

目    錄

第1篇  數 據 並 行

第1章  拆分輸入數據 3

1.1  單節點訓練太慢 3

1.1.1  數據加載帶寬和模型訓練帶寬之間的不匹配 5

1.1.2  流行數據集的單節點訓練時間 5

1.1.3  使用數據並行加速訓練過程 7

1.2  數據並行 8

1.2.1  隨機梯度下降 11

1.2.2  模型同步 12

1.3  超參數調優 14

1.3.1  全局批次大小 14

1.3.2  學習率調整 14

1.3.3  模型同步方案 15

1.4  小結 16

第2章  參數服務器和All-Reduce 17

2.1  技術要求 18

2.2  參數服務器架構 18

2.2.1  參數服務器架構中的通信瓶頸 19

2.2.2  在參數服務器之間分片模型 21

2.3  實現參數服務器 23

2.3.1  定義模型層 23

2.3.2  定義參數服務器 24

2.3.3  定義工作節點 25

2.3.4  在參數服務器和工作節點之間傳遞數據 26

2.4  參數服務器的問題 27

2.4.1  情況1—更多參數服務器 28

2.4.2  情況2—更多工作節點 28

2.4.3  參數服務器架構為從業者帶來了很高的編碼復雜度 28

2.5  All-Reduce架構 29

2.5.1  Reduce 29

2.5.2  All-Reduce 30

2.5.3  Ring All-Reduce 31

2.6  集體通信 33

2.6.1  Broadcast 33

2.6.2  Gather 34

2.6.3  All-Gather 35

2.7  小結 36

第3章  構建數據並行訓練和服務管道 37

3.1  技術要求 37

3.2  數據並行訓練管道概述 38

3.2.1  輸入預處理 39

3.2.2  輸入數據分區 40

3.2.3  數據加載 41

3.2.4  數據訓練 41

3.2.5  模型同步 42

3.2.6  模型更新 42

3.3  單機多GPU和多機多GPU 42

3.3.1  單機多GPU 43

3.3.2  多機多GPU 46

3.4  檢查點和容錯 52

3.4.1  模型檢查點 52

3.4.2  加載模型檢查點 53

3.5  模型評估和超參數調優 55

3.6  數據並行中的模型服務 57

3.7  小結 59

第4章  瓶頸和解決方案 61

4.1  數據並行訓練中的通信瓶頸 62

4.1.1  通信工作負載分析 62

4.1.2  參數服務器架構 62

4.1.3  All-Reduce架構 65

4.1.4  最新通信方案的效率問題 68

4.2  利用空閑鏈路和主機資源 69

4.2.1  Tree All-Reduce 69

4.2.2  通過PCIe和NVLink進行混合數據傳輸 75

4.3  設備內存瓶頸 76

4.4  重新計算和量化 77

4.4.1  重新計算 77

4.4.2  量化 81

4.5  小結 82

第2篇  模 型 並 行

第5章  拆分模型 85

5.1  技術要求 86

5.2  單節點訓練錯誤—內存不足 86

5.2.1  在單個GPU上微調BERT 86

5.2.2  嘗試將一個巨型模型打包到單個GPU中 88

5.3  ELMo、BERT和GPT 90

5.3.1  基本概念 91

5.3.2  循環神經網絡 94

5.3.3  ELMo 97

5.3.4  BERT 99

5.3.5  GPT 101

5.4  預訓練和微調 102

5.5  最先進的硬件 103

5.5.1  P100、V100和DGX-1 103

5.5.2  NVLink 104

5.5.3  A100和DGX-2 105

5.5.4  NVSwitch 105

5.6  小結 105

第6章  管道輸入和層拆分 107

6.1  普通模型並行的低效問題 108

6.1.1  前向傳播 109

6.1.2  反向傳播 110

6.1.3  前向傳播和反向傳播之間的GPU空閑時間 111

6.2  管道輸入 114

6.3  管道並行的優缺點 118

6.3.1  管道並行的優勢 118

6.3.2  管道並行的缺點 118

6.4  層拆分 119

6.5  關於層內模型並行的註意事項 121

6.6  小結 122

第7章  實現模型並行訓練和服務工作流程 123

7.1  技術要求 124

7.2  整個模型並行管道概述 124

7.2.1  模型並行訓練概述 124

7.2.2  實現模型並行訓練管道 125

7.2.3  指定GPU之間的通信協議 127

7.2.4  模型並行服務 131

7.3  微調Transformer 134

7.4  模型並行中的超參數調優 136

7.4.1  平衡GPU之間的工作負載 136

7.4.2  啟用/禁用管道並行 136

7.5  NLP模型服務 137

7.6  小結 138

第8章  實現更高的吞吐量和更低的延遲 139

8.1  技術要求 140

8.2  凍結層 140

8.2.1  在前向傳播期間凍結層 141

8.2.2  在前向傳播期間降低計算成本 144

8.2.3  在反向傳播期間凍結層 145

8.3  探索內存和存儲資源 147

8.4  瞭解模型分解和蒸餾 150

8.4.1  模型分解 151

8.4.2  模型蒸餾 153

8.5  減少硬件中的位數 153

8.6  小結 154

第3篇  高級並行範式

第9章  數據並行和模型並行的混合 157

9.1  技術要求 158

9.2  Megatron-LM用例研究 158

9.2.1  模型並行和層拆分 159

9.2.2  按行試錯法 161

9.2.3  按列試錯法 165

9.2.4  跨機數據並行 168

9.3  Megatron-LM的實現 169

9.4  Mesh-TensorFlow用例研究 171

9.5  Mesh-TensorFlow的實現 172

9.6  Megatron-LM和Mesh-TensorFlow的比較 172

9.7  小結 173

第10章  聯合學習和邊緣設備 175

10.1  技術要求 176

10.2  共享知識而不共享數據 176

10.2.1  傳統數據並行模型訓練範式 176

10.2.2  工作節點之間沒有輸入共享 178

10.2.3  在工作節點之間通信以同步梯度 179

10.3  用例研究：TensorFlow Federated 183

10.4  使用TinyML運行邊緣設備 185

10.5  用例研究：TensorFlow Lite 185

10.6  小結 186

第11章  彈性模型訓練和服務 187

11.1  技術要求 188

11.2  自適應模型訓練介紹 188

11.2.1  傳統的數據並行訓練 188

11.2.2  數據並行中的自適應模型訓練 191

11.2.3  自適應模型訓練（基於All-Reduce） 191

11.2.4  自適應模型訓練（基於參數服務器） 193

11.2.5  傳統的模型並行訓練範式 195

11.2.6  模型並行中的自適應模型訓練 196

11.3  在雲端實現自適應模型訓練 200

11.4  模型推理中的彈性服務 201

11.5  無服務器 202

11.6  小結 203

第12章  進一步加速的高級技術 205

12.1  技術要求 206

12.2  調試和性能分析 206

12.2.1  性能分析結果中的一般概念 208

12.2.2  通信結果分析 209

12.2.3  計算結果分析 210

12.3  作業遷移和多路復用 213

12.3.1  作業遷移 213

12.3.2  作業多路復用 214

12.4  異構環境中的模型訓練 214

12.5  小結 215