训练¶
train_config¶
log_step_count_steps: 200 # 每200步打印一行log
optimizer_config # 优化器相关的参数
{ adam_optimizer: { learning_rate: { exponential_decay_learning_rate { initial_learning_rate: 0.0001 decay_steps: 100000 decay_factor: 0.5 min_learning_rate: 0.0000001 } } }
多优化器支持:
可以配置两个optimizer, 分别对应embedding权重和dense权重;
实现参考EasyRecModel.get_grouped_vars和multi_optimizer.MultiOptimizer;
示例(samples/model_config/deepfm_combo_on_avazu_embed_adagrad.config):
train_config { ... optimizer_config { # for embedding_weights adagrad_optimizer { learning_rate { constant_learning_rate { learning_rate: 0.05 } } initial_accumulator_value: 1.0 } } optimizer_config: { # for dense weights adam_optimizer: { learning_rate: { exponential_decay_learning_rate { initial_learning_rate: 0.0001 decay_steps: 10000 decay_factor: 0.5 min_learning_rate: 0.0000001 } } } }Note: WideAndDeep模型的optimizer设置:
设置两个optimizer时, 第一个optimizer仅用于wide参数;
如果要给deep embedding单独设置optimizer, 需要设置3个optimizer.
sync_replicas: true # 是否同步训练，默认是false
使用SyncReplicasOptimizer进行分布式训练(同步模式)
仅在train_distribute为NoStrategy时可以设置成true，其它情况应该设置为false
PS异步训练也设置为false
train_distribute: 默认不开启Strategy(NoStrategy), strategy确定分布式执行的方式, 可以分成两种模式: PS-Worker模式 和 All-Reduce模式
PS-Worker模式:
NoStrategy: 根据sync_replicas的取值决定采用同步或者异步训练
sync_replicas=true，采用ps worker同步训练
注意: 该模式容易导致ps存在通信瓶颈, 建议用混合并行的模式进行同步训练
sync_replicas=false, 采用ps worker异步训练
All-Reduce模式:
数据并行:
MirroredStrategy: 单机多卡模式，仅在PAI上可以使用，本地和EMR上不能使用
MultiWorkerMirroredStrategy: 多机多卡模式，在TF版本>=1.15时可以使用
HorovodStragtegy: horovod多机多卡并行, 需要安装horovod
混合并行: 数据并行 + Embedding分片, 需要安装horovod
EmbeddingParallelStrategy: 在horovod多机多卡并行的基础上, 增加了Embedding分片的功能
SokStrategy: 在horovod多机多卡并行的基础上, 增加了SOK Key-Value Embedding和Embedding分片的功能
注意: 该模式仅支持GPU模式, 需要安装SOK.
num_gpus_per_worker: 仅在MirrorredStrategy, MultiWorkerMirroredStrategy, PSStrategy的时候有用
num_steps: 1000
总共训练多少轮
num_steps = total_sample_num * num_epochs / batch_size / num_workers
fine_tune_checkpoint: 需要restore的checkpoint路径，也可以是包含checkpoint的目录，如果目录里面有多个checkpoint，将使用最新的checkpoint
fine_tune_ckpt_var_map: 需要restore的参数列表文件路径，文件的每一行是{variable_name in current model}\t{variable name in old model ckpt}
需要设置fine_tune_ckpt_var_map的情形:
current ckpt和old ckpt不完全匹配, 如embedding的名字不一样:
old: input_layer/shopping_level_embedding/embedding_weights
new: input_layer/shopping_embedding/embedding_weights
仅需要restore old ckpt里面的部分variable, 如embedding_weights
可以通过下面的文件查看参数列表
import tensorflow as tf import os, sys ckpt_reader = tf.train.NewCheckpointReader('experiments/model.ckpt-0') ckpt_var2shape_map = ckpt_reader.get_variable_to_shape_map() for key in ckpt_var2shape_map: print(key)
save_checkpoints_steps: 每隔多少步保存一次checkpoint, 默认是1000。当训练数据量很大的时候，这个值要设置大一些
save_checkpoints_secs: 每隔多少s保存一次checkpoint, 不可以和save_checkpoints_steps同时指定
keep_checkpoint_max: 最多保存多少个checkpoint, 默认是10。当模型较大的时候可以设置为5，可节约存储
log_step_count_steps: 每隔多少轮，打印一次训练信息，默认是10
save_summary_steps: 每隔多少轮，保存一次summary信息，默认是1000
训练命令¶
Local¶
python -m easy_rec.python.train_eval --pipeline_config_path dwd_avazu_ctr_deepmodel.config
–pipeline_config_path: config文件路径
–continue_train: restore之前的checkpoint，继续训练
–model_dir: 如果指定了model_dir将会覆盖config里面的model_dir，一般在周期性调度的时候使用
–edit_config_json: 使用json的方式对config的一些字段进行修改，如:
--edit_config_json='{"train_config.fine_tune_checkpoint": "experiments/ctr/model.ckpt-50"}'
Extend Args: 命令行参数修改config, 类似edit_config_json
支持train_config., eval_config., data_config., feature_config.
示例:
--train_config.fine_tune_checkpoint=experiments/ctr/model.ckpt-50 --data_config.negative_sampler.input_path=data/test/tb_data/taobao_ad_feature_gl
On PAI¶
pai -name easy_rec_ext -project algo_public
-Dconfig=oss://easyrec/easy_rec_test/dwd_avazu_ctr_deepmodel_ext.config
-Dcmd=train
-Dtrain_tables=odps://pai_online_project/tables/dwd_avazu_ctr_deepmodel_train
-Deval_tables=odps://pai_online_project/tables/dwd_avazu_ctr_deepmodel_test
-Dcluster='{"ps":{"count":1, "cpu":1000}, "worker" : {"count":3, "cpu":1000, "gpu":100, "memory":40000}}'
-Darn=acs:ram::xxx:role/ev-ext-test-oss
-Dbuckets=oss://easyrec/
-DossHost=oss-cn-beijing-internal.aliyuncs.com
-Deval_method=separate;
-Dtrain_tables: 训练表，可以指定多个，逗号分隔
-Deval_tables: 评估表，可以指定多个，逗号分隔
-Dcluster: 定义PS的数目和worker的数目，如果设置了–eval_method=separate，有一个worker将被用于做评估
-Dconfig: 训练用的配置文件
-Dcmd: train 模型训练
-Deval_method: 训练时需要评估, 可选参数:
separate: 有一个worker被单独用来做评估(不参与训练)
none: 不需要评估
master: 在master结点上做评估，master结点也参与训练
-Darn: rolearn 注意这个的arn要替换成客户自己的。可以从dataworks的设置中查看arn。
-DossHost: ossHost地址
-Dbuckets: config所在的bucket和保存模型的bucket; 如果有多个bucket，逗号分割
-Dselected_cols 表里面用于训练和评估的列, 有助于提高训练速度
-Dmodel_dir: 如果指定了model_dir将会覆盖config里面的model_dir，一般在周期性调度的时候使用。
-Dedit_config_json: 使用json的方式对config的一些字段进行修改，如:
-Dedit_config_json='{"train_config.fine_tune_checkpoint": "oss://easyrec/model.ckpt-50"}'
如果是pai内部版,则不需要指定arn和ossHost, arn和ossHost放在-Dbuckets里面
-Dbuckets=oss://easyrec/?role_arn=acs:ram::xxx:role/ev-ext-test-oss&host=oss-cn-beijing-internal.aliyuncs.com
On DLC¶
基于Kubeflow的云原生的训练方式
On EMR¶
基于开源大数据平台的训练方式
混合并行(EmbeddingParallel)¶
混合并行模式下Embedding参数会分片, 均匀分布到各个worker上, 通过all2all的通信方式来聚合不同worker上的Embedding。MLP参数在每个worker上都有完整的一份复制, 在参数更新时，会通过allreduce的方式同步不同worker的更新。
依赖¶
混合并行使用Horovod做底层的通信, 因此需要安装Horovod, 可以直接使用下面的镜像
mybigpai-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:sok-tf212-gpus-v4
sudo docker run --gpus=all --privileged -v /home/easyrec/:/home/easyrec/ -ti mybigpai-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:sok-tf212-gpus-v4 bash
配置¶
修改train_config.train_distribute为EmbeddingParallelStrategy
train_config { ... train_distribute: EmbeddingParallelStrategy ... }
如使用key-Value Embedding, 需要设置model_config.ev_params
model_config { ... ev_params { } ... }
命令¶
训练
CUDA_VISIBLE_DEVICES=0,1,2,4 horovodrun -np 4 python -m easy_rec.python.train_eval --pipeline_config_path samples/model_config/dlrm_on_criteo_parquet_ep_v2.config
评估
CUDA_VISIBLE_DEVICES=0 horovodrun -np 1 python -m easy_rec.python.eval --pipeline_config_path samples/model_config/dlrm_on_criteo_parquet_ep_v2.config
注意: 评估目前仅支持单个worker评估
导出
CUDA_VISIBLE_DEVICES=0 horovodrun -np 1 python -m easy_rec.python.export --pipeline_config_path samples/model_config/dlrm_on_criteo_parquet_ep_v2.config --export_dir dlrm_criteo_export/