分布式理论 | 赵康康

🗒️分布式理论

date

icon

password

Sub-item

Blocked by

Parent item

type

status

slug

summary

📎 Reference

💡

欢迎补充

Reference

（https://cloud.tencent.com/developer/article/1583185）

并行方式

数据并行

模型并行

模型载入后，在每个gpu上都有一个副本，通过将数据分组给每个gpu的方式进行前向计算

同步更新

每个batch，等所有gpu都计算好梯度，然后收集它们的梯度然后取均值之后，统一进行参数的更新。

但问题在于，每次更新梯度，都得等最慢的一张卡，相当于木桶原理，比较浪费其他卡的性能（特别是不同型号卡一起的情况下）

那这个时候，是又哪一块gpu主导更新呢？
是每一块卡都拿到

异步更新

异步训练中，各个设备完成一个mini-batch训练之后，不需要等待其它节点，直接去更新模型的参数，这样总体会训练速度会快很多。但是异步训练的一个很严重的问题是梯度失效问题（stale gradients），刚开始所有设备采用相同的参数来训练，但是异步情况下，某个设备完成一步训练后，可能发现模型参数其实已经被其它设备更新过了，此时这个梯度就过期了，因为现在的模型参数和训练前采用的参数是不一样的。由于梯度失效问题，异步训练虽然速度快，但是可能陷入次优解（sub-optimal training performance）

为什么是【可能发现模型参数其实已经被其它设备更新过了】，既然是异步，那就一定有先后，这是必然的吧

分布式架构

Parameter server

在这种架构中，集群中的节点被分为两类，parameter server和worker，前者用来存放模型参数，后者用来计算参数的梯度，在每个迭代过程，worker从parameter sever中获得参数，然后将计算的梯度返回给parameter server，parameter server聚合从worker传回的梯度，然后更新参数，并将新的参数广播给worker。（一般应该是一个ps对应多个worker）

每个计算节点在拿到新的batch数据之后，都要从参数服务器上取下最新的参数（应该是参数服务器广播出去吧？），然后计算梯度，再将梯度更新回参数服务器

Ring-allreduce架构

在Ring-allreduce架构中，各个设备都是worker，并且形成一个环，如下图所示，没有中心节点来聚合所有worker计算的梯度。在一个迭代过程，每个worker完成自己的mini-batch训练，计算出梯度，并将梯度传递给环中的下一个worker，同时它也接收从上一个worker的梯度。对于一个包含N个worker的环，各个worker需要收到其它N-1个worker的梯度后就可以更新模型参数。其实这个过程需要两个部分：scatter-reduce和allgather，百度的教程对这个过程给出了详细的图文解释。百度开发了自己的allreduce框架，并将其用在了深度学习的分布式训练中。

相比PS架构，Ring-allreduce架构是带宽优化的，因为集群中每个节点的带宽都被充分利用。此外，在深度学习训练过程中，计算梯度采用BP算法，其特点是后面层的梯度先被计算，而前面层的梯度慢于前面层，Ring-allreduce架构可以充分利用这个特点，在前面层梯度计算的同时进行后面层梯度的传递，从而进一步减少训练时间。在百度的实验中，他们发现训练速度基本上线性正比于GPUs数目（worker数）

supervisord

可解释性