分布式机器学习——系统、工程与实战

图书标准信息

• 作者 柳浩
• 出版社 电子工业出版社
• 出版时间 2023-06
• 版次 1
• ISBN 9787121458149
• 定价 139.00元
• 装帧 其他
• 开本 其他
• 纸张 胶版纸
• 页数 592页
• 字数 1065.6千字

【内容简介】

本书主要讲解分布式机器学习算法和开源框架，读者既可以从宏观的设计上了解分布式机器学习的概念和理论，也可以深入核心技术的细节设计中，对分布式机器学习形成深刻而直观的认识，做到学以致用。 本书共分为5篇，第1篇是分布式基础，首先介绍了分布式机器学习的概念、基础设施，以及机器学习并行化技术、框架和软件系统，然后对集合通信和参数服务器PS-Lite进行了介绍。第2篇是数据并行，以PyTorch和Horovod为主对数据并行进行分析，读者可以了解在具体工程领域内实现数据并行有哪些挑战和解决方案。第3篇是流水线并行，讲解了除模型划分之外，还通过引入额外的流水线来提高效率，以GPipe / PyTorch / PipeDream为例进行分析。第4篇是模型并行，首先对NVIDIA Megatron进行分析，讲解如何进行层内分割模型并行，然后讲解PyTorch 如何支持模型并行，最后介绍分布式优化器。第5篇是TensorFlow分布式，前面几篇以PyTorch为纲，结合其他框架/库来穿插完成，本篇带领大家进入TensorFlow分布式领域。

【作者简介】

柳浩，网名“罗西的思考”，浙江大学硕士。曾就职于多个世界500强企业，主导过多个大型项目，现就职于某新能源车企。技术栈广博，有丰富的各种大型软件开发和系统架构经验，对机器学习框架、微服务框架、大数据引擎、NoSQL、消息队列、分布式追踪系统、移动开发方案和源码有着深刻的理解和认识。目前对机器学习、分布式系统、可观测系统、可靠性设计等方面有浓厚的研究兴趣。

【目录】

目    录

第1篇  分布式基础

第1章  分布式机器学习2

1.1  机器学习概念2

1.2  机器学习的特点3

1.3  分布式训练的必要性3

1.4  分布式机器学习研究领域6

1.4.1  分布式机器学习的目标6

1.4.2  分布式机器学习的分类6

1.5  从模型角度看如何并行8

1.5.1  并行方式8

1.5.2  数据并行9

1.5.3  模型并行10

1.5.4  流水线并行11

1.5.5  比对12

1.6  从训练并发角度看如何并行12

1.6.1  参数分布和通信拓扑13

1.6.2  模型一致性和通信模式14

1.6.3  训练分布19

1.7  分布式机器学习编程接口19

1.7.1  手动同步更新20

1.7.2  指定任务和位置20

1.7.3  猴子补丁优化器21

1.7.4  Python作用域21

1.8  PyTorch分布式22

1.8.1  历史脉络22

1.8.2  基本概念23

1.9  总结24

第2章  集合通信26

2.1  通信模式26

2.2  点对点通信26

2.3  集合通信28

2.3.1  Broadcast29

2.3.2  Scatter29

2.3.3  Gather30

2.3.4  All-Gather30

2.3.5  All-to-All30

2.3.6  Reduce31

2.3.7  All-Reduce31

2.3.8  Reduce-Scatter32

2.4  MPI_AllReduce32

2.5  Ring All-Reduce33

2.5.1  特点34

2.5.2  策略34

2.5.3  结构35

2.5.4  Reduce-Scatter35

2.5.5  All-Gather38

2.5.6  通信性能40

2.5.7  区别40

第3章  参数服务器之PS-Lite41

3.1  参数服务器41

3.1.1  概念41

3.1.2  历史渊源42

3.1.3  问题43

3.2  基础模块Postoffice44

3.2.1  基本逻辑44

3.2.2  系统启动45

3.2.3  功能实现47

3.3  通信模块Van51

3.3.1  功能概述51

3.3.2  定义51

3.3.3  初始化52

3.3.4  接收消息53

3.4  代理人Customer59

3.4.1  基本思路59

3.4.2  基础类61

3.4.3  Customer62

3.4.4  功能函数66

3.5  应用节点实现67

3.5.1  SimpleApp67

3.5.2  KVServer68

3.5.3  KVWorker68

3.5.4  总结70

第2篇  数据并行73

第4章  PyTorch DataParallel74

4.1  综述74

4.2  示例76

4.3  定义77

4.4  前向传播78

4.5  计算损失87

4.6  反向传播88

4.7  总结91

第5章  PyTorch DDP的基础架构93

5.1  DDP总述93

5.1.1  DDP的运行逻辑93

5.1.2  DDP的使用94

5.2  设计理念97

5.2.1  系统设计97

5.2.2  梯度归约98

5.2.3  实施99

5.3  基础概念101

5.3.1  初始化方法101

5.3.2  Store类102

5.3.3  TCPStore类104

5.3.4  进程组概念107

5.3.5  构建进程组109

5.4  架构和初始化111

5.4.1  架构与迭代流程111

5.4.2  初始化DDP114

第6章  PyTorch DDP的动态逻辑122

6.1  Reducer类122

6.1.1  调用Reducer类122

6.1.2  定义Reducer类122

6.1.3  Bucket类124

6.1.4  BucketReplica类126

6.1.5  查询数据结构128

6.1.6  梯度累积相关成员变量131

6.1.7  初始化135

6.1.8  静态图141

6.1.9  Join操作142

6.2  前向/反向传播143

6.2.1  前向传播143

6.2.2  反向传播149

第7章  Horovod161

7.1  从使用者角度切入161

7.1.1  机制概述161

7.1.2  示例代码162

7.1.3  运行逻辑163

7.2  horovodrun167

7.2.1  入口点167

7.2.2  运行训练Job168

7.2.3  Gloo实现169

7.2.4  MPI实现174

7.2.5  总结174

7.3  网络基础和Driver174

7.3.1  总体架构175

7.3.2  基础网络服务176

7.3.3  Driver服务177

7.3.4  Task服务178

7.3.5  总结180

7.4  DistributedOptimizer181

7.4.1  问题点181

7.4.2  解决思路182

7.4.3  TensorFlow 1.x183

7.5  融合框架191

7.5.1  总体架构191

7.5.2  算子类体系192

7.5.3  后台线程194

7.5.4  执行线程195

7.5.5  总结196

7.6  后台线程架构198

7.6.1  设计要点198

7.6.2  总体代码201

7.6.3  业务逻辑202

第3篇  流水线并行

第8章  GPipe210

8.1  流水线基本实现210

8.1.1  流水线并行210

8.1.2  GPipe概述211

8.1.3  计算内存213

8.1.4  计算算力213

8.1.5  自动并行214

8.2  梯度累积218

8.2.1  基本概念218

8.2.2  PyTorch实现219

8.2.3  GPipe实现223

8.3  Checkpointing225

8.3.1  问题225

8.3.2  解决方案225

8.3.3  OpenAI226

8.3.4  PyTorch实现228

8.3.5  GPipe实现240

第9章  PyTorch流水线并行243

9.1  如何划分模型243

9.1.1  使用方法244

9.1.2  自动平衡245

9.1.3  模型划分247

9.2  切分数据和Runtime系统249

9.2.1  分发小批量249

9.2.2   Runtime250

9.3  前向计算255

9.3.1  设计255

9.3.2  执行顺序260

9.4  计算依赖265

9.4.1  反向传播依赖266

9.4.2  前向传播依赖270

9.5  并行计算274

9.5.1  总体架构274

9.5.2  并行复制和计算276

9.5.3  重计算278

第10章  PipeDream之基础架构280

10.1  总体思路280

10.1.1  目前问题280

10.1.2  1F1B策略概述282

10.1.3  流水线方案283

10.2  profile阶段285

10.3  计算分区阶段288

10.3.1  构建图288

10.3.2  构建反链289

10.3.3  计算分区295

10.3.4  分析分区302

10.3.5  输出305

10.4  转换模型阶段305

10.4.1  分离子图306

10.4.2  转换模型307

10.4.3  融合模型308

第11章  PipeDream之动态逻辑312

11.1  Runtime引擎312

11.1.1  功能312

11.1.2  总体逻辑313

11.1.3  加载模型314

11.1.4  实现314

11.2  通信模块323

11.2.1  类定义324

11.2.2  构建325

11.2.3  发送和接收331

11.3  1F1B策略333

11.3.1  设计思路333

11.3.2  权重问题335

11.3.3  实现340

第4篇  模型并行

第12章  Megatron346

12.1  设计思路346

12.1.1  背景346

12.1.2  张量模型并行348

12.1.3  并行配置354

12.1.4  结论354

12.2  模型并行实现354

12.2.1  并行MLP355

12.2.2  ColumnParallelLinear358

12.2.3  RowParallelLinear363

12.2.4  总结367

12.3  如何设置各种并行367

12.3.1  初始化368

12.3.2  起始状态371

12.3.3  设置张量模型并行373

12.3.4  设置流水线并行375

12.3.5  设置数据并行378

12.3.6  模型并行组380

12.3.7  如何把模型分块到GPU上381

12.4  Pipedream的流水线刷新383

第13章  PyTorch如何实现模型并行387

13.1  PyTorch模型并行387

13.1.1  PyTorch特点387

13.1.2  示例387

13.2  分布式自动求导之设计389

13.2.1  分布式RPC框架389

13.2.2  自动求导记录390

13.2.3  分布式自动求导上下文391

13.2.4  分布式反向传播算法392

13.2.5  分布式优化器396

13.3  RPC基础396

13.3.1  RPC代理396

13.3.2  发送逻辑396

13.3.3  接收逻辑398

13.4  上下文相关399

13.4.1  设计脉络400

13.4.2  AutogradMetadata401

13.4.3  DistAutogradContainer403

13.4.4  DistAutogradContext403

13.4.5  前向传播交互过程408

13.5  如何切入引擎411

13.5.1  反向传播411

13.5.2  SendRpcBackward415

13.5.3  总结417

13.6  自动求导引擎417

13.6.1  原生引擎417

13.6.2  分布式引擎419

13.6.3  总体执行421

13.6.4  验证节点和边421

13.6.5  计算依赖422

13.6.6  执行GraphTask429

13.6.7  RPC调用闭环433

13.6.8  DistAccumulateGradCapture-

Hook436

13.6.9  等待完成442

第14章  分布式优化器443

14.1  原生优化器443

14.2  DP的优化器445

14.3  DDP的优化器446

14.3.1  流程446

14.3.2  优化器状态446

14.4  Horovod的优化器447

14.4.1  利用钩子同步梯度448

14.4.2  利用step()函数同步梯度449

14.5  模型并行的分布式问题450

14.6  PyTorch分布式优化器451

14.6.1  初始化452

14.6.2  更新参数453

14.7  PipeDream分布式优化器455

14.7.1  如何确定优化参数456

14.7.2  优化458

第5篇  TensorFlow分布式

第15章  分布式运行环境之静态架构462

15.1  总体架构462

15.1.1  集群角度462

15.1.2  分布式角度463

15.1.3  系统角度465

15.1.4  图操作角度467

15.1.5  通信角度468

15.2  Server469

15.2.1  逻辑概念469

15.2.2  GrpcServer471

15.3  Master的静态逻辑474

15.3.1  总述474

15.3.2  接口474

15.3.3  LocalMaster476

15.3.4  GrpcRemoteMaster478

15.3.5  GrpcMasterService478

15.3.6  业务实现Master类480

15.4  Worker的静态逻辑481

15.4.1  逻辑关系481

15.4.2  GrpcRemoteWorker483

15.4.3  GrpcWorkerService483

15.4.4  Worker487

15.4.5  GrpcWorker488

第16章  分布式运行环境之动态逻辑489

16.1  Session机制489

16.1.1  概述