X-Deep Learning功能模块

zoukankan html css js c++ java

X-Deep Learning功能模块
X-Deep Learning功能模块
- 特征体系
- 数据准备
- 定义模型
- 训练模型
- 模型评估
- 高层训练API
- 调试
1. 特征体系

1.1 样本

样本由 label, feature, sampleid 三部分组成；训练过程是通过feature学习label的过程，sample id是一条样本的标识。label可以是单值(二分类)或者多值(多分类)。

1.2 特征

传统的特征一般是稠密的(dense)，维度不会特别高，样本都出现；以向量的形式表示；例如图像特征，或者用户的性别信息。
对于搜索-推荐-广告场景，存在大量的稀疏特征(sparse)：这些特征维度高（百亿），但是样本中出现次数低（数百)，这类特征以多个kv的方式稀疏表示；例如商品类目(key是类目的id，没有value)，用户点击过的商品列表(key是商品id，value是点击次数)。

特征以特征组的方式组织，便于构建训练网络；例如特征分为：用户性别(稠密特征)，用户偏好(稀疏特征)，商品类目(稀疏特征)，商品价格(稠密特征)；

1.3 网络

简单的稀疏场景训练网络

2. 数据准备

2.1 样本格式

2.1.1 文本格式

文本格式一行表示一条样本，分为多个字段，用'|'分隔字段定义和分隔符如下：

7859345_420968_1007|user_3423487|clk_14@32490:1.0,32988:2.0;prefer@323423,32342|qscore@0.8,0.5;ad_price@33.8|0.0,1.0|1544094136

2.1.2 protobuf格式

简单样本格式用message定义一条样本，包括 sample_id, label, feature_line 三个部分；文件中先以一个32位的整数记录样本长度，然后存储序列化后的样本；

// 简单样本格式

message SampleSimple {

    required string sample_id = 1;            // 样本的sample_id

    required Label label = 2;                 // 样本的label， Label类型

    required FeatureLine feature_line = 3;     // 样本的特征行

}
- 更多内容见结构化压缩
2.2 使用DataReader读取数据

2.2.1 DataReader Api

import xdl

reader = xdl.DataReader("r1", # reader名称

                        paths=["./data.txt"], # 文件列表

                        enable_state=False) # 是否打开reader state，用于分布式failover，开启的时候需要额外的命令行参数(task_num)

reader.epochs(1).threads(1).batch_size(10).label_count(1)

reader.feature(name='sparse0', type=xdl.features.sparse) # 定义reader需要读取的特征，本例包括两个sparse特征组和一个dense特征组

    .feature(name='sparse1', type=xdl.features.sparse)

    .feature(name='deep0', type=xdl.features.dense, nvec=256)

reader.startup()

# ...

2.2.2 选项设置
- 更多选项见更多选项
2.2.3 结构化压缩

结构化压缩是指，多个样本中共同的特征值，只存储一份，也只进行一次计算；需要在样本处理中，聚合多条具有共同特征的样本。

例如广告样本中，一个用户可能点击N个广告，产生N条样本；这N条样本的广告特征簇都是不同的，但是用户特征簇都是相同的一份。

使用结构化压缩，需要在pb样本中表达特征结构化，主要是通过定义多个特征表

例如下图定义了一个特征主表(ad)和一个特征辅表(user)，通过主表的多个ad特征指向辅表的一个user特征，表示多个样本的特征复用关系。

a0 和 a1 特征共用一个u0特征；a2, a3, a4共用一个u1特征

特征表的定义是一个repeated，这样可以通过定义两个以上的特征表，来表示多层压缩。例如图片 -> 广告 -> 用户这样两层的多对一关系

message SampleGroup {

    repeated string sample_ids = 1;            // 每个样本的sample_id

    repeated Label labels = 2;                 // 每个样本的label， Label类型

    repeated FeatureTable feature_tables = 3; // 整个sample的特征表，如果没有辅表，只有一个feature_table

    repeated Extensions extensions = 5;        // 每个样本的扩展字段，待以后扩展

}

message Extensions {

    map<string, string> extension = 1;

}

// 标签，支持多目标训练

message Label {

    repeated float values = 1;

}

// 特征表

message FeatureTable {

    repeated FeatureLine feature_lines = 1; // 每个样本的特征行

}

// 特征行

message FeatureLine {

    repeated Feature features = 1;         // 每个特征行里的特征(组)

    optional int32 refer = 2;              // 引用下层辅表的哪个特征行

}

// 特征(组)

message Feature {

    required FeatureType type = 1;         // 特征类型

    optional string name = 2;              // 特征(组)名字，与field_id二选一

    repeated FeatureValue values = 3;      // 特征值, 一个特征(组)可能有多个特征值

}

// 特征值

message FeatureValue {

   optional int64 key = 1;                 // 特征ID, dense可以没有

   optional float value = 2;               // 特征值，没有默认是1

   repeated float vector = 3;              // 特征向量，向量类型的特征才有，也可以用来表示稠密特征

   optional int64 hkey = 4;                // 特征ID高64位，用来支持128位hashkey

}

2.2.4 更多选项

2.3 自定义python reader
- xdl支持直接使用python定义op
from tensorflow.examples.tutorials.mnist import input_data

mnist_data = input_data.read_data_sets('./data')

# python读取函数，直接使用tf封装好的api读取mnist数据

def read_data(batch_size=100):

    global mnist_data

    images, labels = mnist_data.train.next_batch(batch_size)

    labels = np.asarray(labels, np.float32)

    return images, labels

# 通过xdl.py_func定义op

images, labels = xdl.py_func(read_data, [], output_type=[np.float32, np.float32])

3. 定义模型

XDL专注解决搜索广告等稀疏场景的模型训练性能问题，因此将模型计算分为稀疏和稠密两部分，稀疏部分通过参数服务器，GPU加速，参数合并等技术极大提升了稀疏特征的计算和通信性能。稠密部分采用多backend设计，支持TF和Mxnet两个引擎作为计算后端，并且可以使用原生TF和Mxnet API定义模型。下面分别介绍稀疏和稠密部分的API

3.1 稀疏API
- API列表
- 参数说明
- xdl.embedding
xdl.merged_embedding

3.2 稠密API

XDL使用TF和Mxnet作为计算后端，并且支持使用TF和Mxnet原生API来定义模型
- 定义方法
- 装饰器参数
- 使用TF Backend定义一个embedding + 5层dense网络
@xdl.tf_wrapper()

def model_fn(dense, embeddings, labels):

input_features = [dense]

input_features.extend(embeddings)

inputs = tf.concat(input_features, 1)

fc1 = tf.layers.dense(inputs, 256, activation=tf.nn.relu)

fc2 = tf.layers.dense(fc1, 128, activation=tf.nn.relu)

fc3 = tf.layers.dense(fc2, 64, activation=tf.nn.relu)

fc4 = tf.layers.dense(fc3, 32, activation=tf.nn.relu)

logits = tf.layers.dense(fc4, 1, activation=tf.nn.relu)

cross_entropy = tf.nn.sigmoid_cross_entropy_with_logits(labels=labels, logits=logits)

loss = tf.reduce_mean(cross_entropy)

return loss
- 使用Mxnet Backend定义一个embedding + 5层dense网络
@xdl.mxnet_wrapper()

def model_fn(dense, embeddings, label):

input_features = [dense]

input_features.extend(embeddings)

inputs = mx.symbol.concat(*input_features, dim=1)

fc1 = mx.sym.FullyConnected(data=inputs, num_hidden=256, name='fc1')

fc2 = mx.sym.FullyConnected(data=fc1, num_hidden=128, name='fc2')

fc3 = mx.sym.FullyConnected(data=fc2, num_hidden=64, name='fc3')

fc4 = mx.sym.FullyConnected(data=fc3, num_hidden=32, name='fc4')

fc5 = mx.sym.FullyConnected(data=fc4, num_hidden=1, name='fc5')

prop = mx.symbol.SoftmaxOutput(data=fc5, label=label)

loss = - mx.symbol.sum(mx.symbol.log(prop) * label) / 4

return loss

3.3 优化器
- XDL支持常用的optimizer，包括
- 使用方法
optimizer = xdl.SGD(0.5)

train_op = optimizer.optimize()

sess = xdl.TrainSession()

sess.run(train_op)

4. 训练模型

XDL支持单机及分布式两种训练模式，单机模式一般用来做早期模型的调试和正确性验证，为了充分发挥XDL的稀疏计算能力，建议使用分布式模式进行大规模并行训练

4.1 单机训练

XDL通过Local PS的方式支持单机训练，只需运行时给python脚本加上--run_mode=local的命令行参数即可：

python test.py --run_mode=local

如果用户需要使用XDL镜像进行单机训练，则需要先以bash session形式进入镜像，再启动命令：

sudo docker run -it xdl/xdl:tag /bin/bash

python test.py --run_mode=local

4.2 分布式训练
- XDL通过ams存储参数，从而支持了分布式训练，在进行分布式训练时，需要启动ams进程和worker进程，ams进程包括一个scheduler和多个server，用户可以通过手动方式启动，也可以使用XDL提供的基于yarn+docker的分布式调度工具xdl_sumbit启动
4.2.1 通过手工方式启动分布式任务

以下命令都默认宿主机上具有XDL运行环境，或用户以bash session形式进入XDL镜像。
- 启动ams-scheudler
# 参数解释：

ps_cpu_cores和ps_memory_m：分给ams-server的cpu和内存资源，将会影响ams的参数分配算法

ckpt_dir：checkpoint地址，目前支持本地和HDFS两种文件系统

python test.py --task_name=scheduler --zk_addr=zfs://xxx --ps_num=2 --ps_cpu_cores=10 --ps_memory_m=4000 --ckpt_dir=hdfs://xxx/checkpoint
- 启动ams-server
python test.py --task_name=ps --task_index=0 --zk_addr=zfs://[zk_server_ip:port]

python test.py --task_name=ps --task_index=1 --zk_addr=zfs://[zk_server_ip:port]
- 启动worker
python test.py --task_name=worker --task_index=0 --task_num=4 --zk_addr=zfs://[zk_server_ip:port]

python test.py --task_name=worker --task_index=1 --task_num=4 --zk_addr=zfs://[zk_server_ip:port]

python test.py --task_name=worker --task_index=2 --task_num=4 --zk_addr=zfs://[zk_server_ip:port]

python test.py --task_name=worker --task_index=3 --task_num=4 --zk_addr=zfs://[zk_server_ip:port]

4.2.2 通过xdl_submit启动分布式任务
- 使用xdl_submit需要在机器上提前部署相关环境，部署方法参见集群部署
- xdl_submit任务基础配置示例
{

"job_name": "xdl_test",

"dependent_dirs": "/home/xdl_user/xdl_test/",

"script": "test.py",

"docker_image": "registry.cn-hangzhou.aliyuncs.com/xdl/xdl:ubuntu-cpu-tf1.12",

"worker": {

    "instance_num": 10,

    "cpu_cores": 4,

    "gpu_cores": 0,

    "memory_m": 1000

},

"ps": {

    "instance_num": 2,

    "cpu_cores": 2,

    "gpu_cores": 0,

    "memory_m": 1000

},

"checkpoint": {

    "output_dir": "hdfs://ns1/data/xdl_user/xdl_test/checkpoint"

}

}
- 基础配置项说明（带*号为必要配置项）
- xdl_submit任务高级配置示例
{

"job_name": "xdl_test",

"dependent_dirs": "/home/xdl_user/xdl_test/",

"script": "test.py",

"docker_image": "registry.cn-hangzhou.aliyuncs.com/xdl/xdl:ubuntu-cpu-tf1.12",

"worker": {

    "instance_num": 10,

    "cpu_cores": 4,

    "gpu_cores": 0,

    "memory_m": 1000

},

"ps": {

    "instance_num": 2,

    "cpu_cores": 2,

    "gpu_cores": 0,

    "memory_m": 1000

},

"checkpoint": {

    "output_dir": "hdfs://ns1/data/xdl_user/xdl_test/checkpoint"

},

"scheduler_queue": "default",

"min_finish_worker_rate": 90,

"max_failover_times": 20,

"max_local_failover_times": 3,

"extend_role":{

    "ams": {

      "instance_num": 10,

      "cpu_cores": 8,

      "gpu_cores": 0,

      "memory_m": 8000,

      "script": "ams.py"

    }

}

}
- 高级配置项说明
- 提交任务
4.3 同步及半同步训练
- 同步训练
#创建session时，添加同步训练的hook

hooks = []

hooks.append(xdl.SyncRunHook(xdl.get_task_index(), xdl.get_task_num()))

sess = xdl.TrainSession(hooks)

while not sess.should_stop():

sess.run(train_ops)

#sess run结束后，需要调用worker_report_finish_op

xdl.worker_report_finish_op(np.array(xdl.get_task_index(),dtype=np.int32))
- 半同步训练
#创建session时，添加半同步训练的hook，staleness为不同worker间允许的最大差异step数，默认值为0

hooks = []

hooks.append(xdl.SemiSyncRunHook(xdl.get_task_index(), xdl.get_task_num(), staleness=0))

sess = xdl.TrainSession(hooks)

while not sess.should_stop():

sess.run(train_ops)

#sess run结束后，需要调用worker_report_finish_op

xdl.worker_report_finish_op(np.array(xdl.get_task_index(),dtype=np.int32))

4.4 ID准入和ID退出
- 基于概率的ID准入
XDL在xdl.embedding接口中提供了基于概率的ID准入，使用方法如下：

emb1 = xdl.embedding('emb1', batch['sparse0'], xdl.TruncatedNormal(stddev=0.001), 8, 1024, vtype='hash', feature_add_probability=0.9)

feature_add_probability表示ID准入的概率，0表示哈希表完全不接受新的ID，1表示所有ID都会准入到哈希表。
- 基于更新时间的ID退出
如果某个ID长时间没被更新，那说明这个ID在模型中已经处于不太重要的地位，XDL提供了删除这些ID的功能，使用方法如下：

emb1 = xdl.embedding('emb1', batch['sparse0'], xdl.TruncatedNormal(stddev=0.001), 8, 1024, vtype='hash')

emb2 = xdl.embedding('emb2', batch['sparse1'], xdl.TruncatedNormal(stddev=0.001), 8, 1024, vtype='hash')

hooks = []

vars = ["emb1", "emb2"]

mark_hook1 = xdl.GlobalStepMarkHook("emb1", batch["sparse0"].ids)

mark_hook2 = xdl.GlobalStepMarkHook("emb2", batch["sparse1"].ids)

hooks.append(mark_hook1)

hooks.append(mark_hook2)

if xdl.get_task_index() == 0:

filter_hook = xdl.GlobalStepFilterHook(vars, 30, 10)

hooks.append(filter_hook)

方法说明：
1. "emb1"和"emb2"是两路需要进行ID退出的特征，针对这两路特征创建两个GlobalStepMarkHook，具体创建方法参见上述代码；
2. 选取一个worker（这里选择worker0），创建一个GlobalStepFilterHook，第一个参数"vars"为需要进行ID退出的变量名称集合，第二个参数"30"表示global_step每隔30步，进行一次ID退出的动作，第三个参数"10",表示如果某个ID超过10步没有被更新，在下一次的ID退出动作时，这个ID就会被删除。
4.5 保存和恢复模型变量
- 保存模型变量
1. 通过Saver保存
import xdl

saver = xdl.Saver()

checkpoint_version = "xxx" # checkpoint名称，一般是global step

saver.save(version = checkpoint_version)
1. 通过CheckpointHook保存
import xdl

train_op = ...

hook = xdl.CheckpointHook(save_interval_step=1000) # 每1000个global step保存一次

sess = xdl.TrainSession(hooks=[hook])

sess.run(train_op)
- 恢复模型参数
import xdl

saver = xdl.Saver()

checkpoint_version = "xxx"

saver.restore(version = checkpoint_version)

4.5 将二进制模型转为可读的文本格式

import xdl

variables=["x1", "x2"] # list of variable names

xdl.convert_ps_variable(ckpt_dir="hdfs://absolute_path/to/checkpoint_dir",

output_dir="hdfs://absolute_path/to/output_dir", var_list=variables)

ckpt_dir既可以指定到checkpoint目录也可以指定到具体版本(ckpt......xxxx这一级)。指定到checkpoint目录会自动找到最新版本

5. 模型评估

模型评估是用指标反映模型在实际数据中的表现，是在训练中调整超参数，评估模型效果的重要依据。XDL提供了计算auc的默认op实现，用户也可以通过python或者c++定制自己的metrics实现

import xdl

saver = xdl.Saver()

saver.restore(ckpt_version)

labels = ...

predictions = ...

auc = xdl.auc(predictions, labels)

sess = xdl.TrainSession()

print sess.run(auc)

6. 高层训练API：Estimator

为了简化用户编写模型训练脚本的工作量，XDL提供了Estimator API，可以允许用户以一套代码执行训练/预测/评估/训练&评估等多种类型的任务

使用步骤
- 定义输入function
# 定义train输入

def input_fn():

    ...

    return feature_list, labels

# 定义predict/evaluate输入

def eval_input_fn():

    ...

    return test_feature_list, test_labels
- 定义模型
@xdl.tf_wrapper()

def model_fn(feature_list, labels):

    logits = ...

    loss = ...

    return loss, logits
- 创建Estimator
estimator = xdl.Estimator(model_fn=model_fn, optimizer=xdl.SGD(0.5))
- 进行train|evaluate|predict|train&&evaluate
# 训练

estimator.train(input_fn, max_step=2000, checkpoint_interval=1000)

# 评估: checkpoint_version=""表示从最后一个checkpoint读取参数

estimator.evaluate(eval_input_fn, checkpoint_version="", max_step=2000)

# 预测

estimator.predict(eval_input_fn, checkpoint_version="", max_step=2000)

# 训练和评估交替执行

estimator.train_and_evaluate(train_input_fn=input_fn,

                             eval_input_fn=eval_input_fn,

                             eval_interval=1000,

                             eval_steps=200,

                             checkpoint_interval=1000,

                             max_step=5000)

7. Timeline

使用步骤
- 在训练中产出timeline
run_option = xdl.RunOption()

run_option.perf = True

run_statistic = xdl.RunStatistic()

_ = sess.run(train_ops, run_option, run_statistic)

xdl.Timeline(run_statistic.perf_result).save('./timeline.json')
- 在chrome中输入chrome://tracing，加载timeline.json
人工智能芯片与自动驾驶
查看全文

相关阅读:
CSS3 Animation
css形状大全
 HTML5 表单属性
 HTML5 Input 类型
 HTML 5 服务器发送事件
 jq制作博客已存在多少天
 Java网络编程与NIO详解4：浅析NIO包中的Buffer、Channel 和 Selector
Java网络编程和NIO详解3：IO模型与Java网络编程模型
 Java网络编程与NIO详解2：JAVA NIO 一步步构建IO多路复用的请求模型
 Java网络编程和NIO详解1：JAVA 中原生的 socket 通信机制

原文地址：https://www.cnblogs.com/wujianming-110117/p/14394923.html