道器相融，论一个优秀机器学习平台的自我修养

作者 黄明

人工智能到底会给企业带来什么？——是改变，机遇，还是更大的挑战？

在之前的大数据时代，企业开始意识到数据的重要性并着手搭建自己的大数据平台，大数据成为业界关注的焦点，Hadoop、Spark等等各式各样的大数据框架、组件、平台层出不穷。随着人工智能时代来临，大数据平台发生了新的变化，也提出了更高的要求。Spark等大数据平台多是为通用数据处理而设计的，并非专用于机器学习任务，企业该如何更好地利用机器学习、深度学习等人工智能技术从实时数据中高效挖掘有价值的信息？

在过去的两年（2015-2017），随着机器学习、特别是深度学习在多个领域取得革命性成功，各种专用的机器学习平台应运而生，百花齐放，Angel也是其中的一员。

人工智能时代，大数据平台的演进之路

InfoQ：您不仅是Angel的主要开发者和团队负责人，还是Spark的早期研究者和布道者，并且一直从事分布式计算和机器学习领域的开发工作。能否结合您的工作经历，为我们介绍一下通用大数据平台到专用机器学习平台的演进历程？是什么推动了这一转变？您认为将来大数据中心的大多数任务会变成机器学习任务吗？

黄明： 其实推动这一转变的，本质上是人们对更高层面的追求所驱动的。从了解过去，到预知未来；从有限空间的穷举，到无限空间的探索；从有监督的训练，到无监督的自我学习……无论是企业高管，还是产品用户，大家都希望能得到更加智能的服务，而也只有提供了这种服务级别的的产品和公司，才能在残酷的互联网竞争中胜出。

2010年，业界的大数据刚刚兴起，当时有很多受欢迎的项目都是统计类的，可以告诉大家昨天最流行的是什么。底层的框架是Hadoop和Hive，很多平台的最大的功能就是出各种各样的报表，天报表、月报表……这时的层次是知道发生了什么。

2012年，当时有两大发展方向，一种是更快的SQL，一种是机器学习，涌现了很多开源项目。Spark能够胜出，是因为它在两者中间取得了均衡，并展现了机器学习的潜质。Matei Zaharia等人在NSDI的RDD Paper[1]提到了，Spark的目标是为了解决iterative algorithms和interactive data mining tools这两类问题，这个判断从现在来看，依然是正确的。Spark后来普及开来，目前很多公司依然会把Spark当成他们首选的通用数据处理平台兼机器学习平台。这是人们希望知道即将发生什么。

到了2014年，李沐等人在osdi关于Parameter Server的Paper[2]中，给出了分布式机器学习一个更好的思路，后面Petuum和DMLC的ps-lite就出来了。Spark当时的跟进不是很到位，而且本身RDD的理念和PS也有些冲突。我们当时还给Spark提过一个PR[3]，后来也没被接受，但是引出了Glint。到现在为止，官方的Spark依然以RDD为核心来实现机器学习算法，这是个很大的约束和障碍。

但是在2015年，PS的发展也受到了深度学习的冲击，随着TensorFlow的出现，大家纷纷转向了深度学习的框架开发。包括微软的DMTK转向CNTK，DMLC的PS-Lite转向MXNet……但是实际上，很多公司的数据中心依然有大量CPU机器，大量的非深度学习算法还是需要在大规模数据集上进行分布式训练，这个领域是有空缺的，深度学习替代不了。

腾讯是2015年开始调研和开发Angel，其目的就是为了填补上面所说的空缺，2016年Angel开始在内部使用，到了2017年，Angel终于开源，整个开源的过程还是很不容易的（详情可查阅InfoQ早前的报道[4][5]）。希望Angel能把这块空白填补上，成为一个专用的分布式机器学习平台，服务更多的公司内外产品，推动人们对更高层次的追求。

最后，未来数据中心，相信依然会有很多数据处理任务。因为无论什么样的模型和算法，其前提都要建立在干净的数据之上。脱离了完整的数据预处理流程，谈机器学习和人工智能都是不现实的。但是大部分数据任务，它们的最终出口和末端，也将会是机器学习和人工智能的任务，因为如果没有了这个终点，前面的数据处理，也将是毫无意义的，能把控住末端的人，才是最终的胜利者。

InfoQ：大数据平台早期多以离线批处理为主，实时计算作为补充，但是现在越来越多应用场景对数据处理有了高时效性的要求。腾讯大数据平台也历经了离线计算、实时计算、机器学习三个阶段的发展。未来批处理计算和实时流式计算在企业构建AI平台的基础架构中将分别起到什么作用？

黄明：对一个高科技企业来说，实时计算能力和机器学习能力，都是AI能力的基础，确实是必备的。而且机器学习的训练（Training）和推理（Inference）两个阶段的重要性会并驾齐驱，实时计算能力的优势还将进一步辐射到推理场景。但是这并不代表离线批量计算不重要了，尤其是训练阶段，离线批量计算依然是主要场景，原因是：

1. 好的模型需要大量的数据，反复迭代并达到一定的精确度才能上线，尤其是效果好的深度学习模型，通常需要多张GPU卡，训练较长的时间，才能完成，所以这里高性能的分布式机器学习平台，必不可少。
2. 有很多的算法和场景不支持实时更新，本身就存在约束，或者数学证明不成立，或者不支持流式叠加，所以模型还是需要离线训练好之后，再推送到手机端或者其它终端设端。
3. 在线学习（Online Learning）这个领域，模型的持续优化和更新的非常重要，但是总是需要一个基础模型，而这个基础模型的质量，很重要的制约了后续的改进效果。

综合以上3点，离线批量处理，依然会是非常重要和核心的场景，不可替代。但是实时流式计算会快速发展，尤其是在推理阶段。主要是因为在深度学习时代：

1. 模型比以前复杂，从浅层模型变成了深度模型，其推理计算不是简单的代数计算。
2. 传输数据比之前大，输入很可能是图片、声音、文本等，对吞吐量要求很高，而对推理过程依然要求在毫秒级别完成。这对推理的性能有更高的要求。

所以相信在未来1-2年，这方面，从硬件到软件都将会涌现出很多优秀的初创公司。

一个优秀的机器学习平台是如何炼成的

InfoQ：计算是机器学习平台的基础，但不是全部，在您看来，一个优秀的机器学习平台需要具备哪些特性？

黄明： 在机器学习界，有些人喜欢把调参和训练的过程，比喻为炼丹， 上升到“道”的层面。而道器相融，在我看来，那炼丹就需要一个好的丹炉了，也就是一个优秀的机器学习平台。它需要能为炼丹提供合适的火候，也就是为创新的模型和算法提供最佳的运行环境。因此，一个机器学习平台要取得成功，最好具备如下五个特点：

1. 精辟的核心抽象

   一个机器学习平台，必须有其灵魂，也就是它的核心抽象。当这个核心抽象和它要面对的模型和算法匹配时，这个平台就成功了一半。如果一开始就错误了，例如SQL作为平台的核心抽象，那么对后期的发展制约将会非常明显，无异于缘木求鱼，无论怎么努力都不会成功的。

   Spark的RDD核心抽象，很好的解决了分布式大数据的通用问题；而TensorFlow中Tensor、Mutable Variables和Dataflow Graphs的3个核心抽象，高度概括了深度学习中的各个元素。Angel目前的核心抽象是PSModel，重点解决了分布式机器学习中模型切分，数据并行和模型并行，模式异步 这3大问题，基本上可以满足大部分非深度学习的机器学习需求。

2. 充分的性能优化

   在核心抽象正确的大前提下，性能是决定速度的关键。这就涉及了到平台层对硬件层的理解、调优和封装。去年我们用500台高性能机器，获得了TeraSort比赛的冠军，也是这种性能优化能力的体现，并将其嫁接到了Angel之上。

   现在已经不是MR的时代走海量低配机器路线。无论是CPU机器，还是GPU机器，都在往更强更快的方向走。去年比赛我们用的是很高性能的单机，包括IBM的PowerPC，512G的内存，多个NVME的SSD，RDMA的100G网络……都是业界顶配。

   但是光有硬件堆砌是不够的，平台要对硬件有充分的利用。对于非深度学习，Java系的莫过于JVM的调优了。怎样更好地使用内存，避免FullGC的产生，尽量让计算不落地，预读数据流水化处理……这些都是对平台设计的考验。而对于深度学习，CUDA和OpenCL的性能利用，显存和内存的数据拷贝，浮点运算和定点运算的选择，一机多卡的内部通讯……平台都需要进行很多调整，甚至于引入像XLA这样的黑科技。

   既然是分布式机器学习平台，肯定会涉及到分布式的拓扑结构。目前来看，比较成熟的分布式拓扑结构依然是MR、MPI、PS这3者。机器学习中，基本上MR已经出局了，MPI凭借深度学习卷土重来，和PS分庭抗礼，当然也有整体用PS、局部用MPI的做法，这也未尝不可。在确定网络拓扑之后，就要考虑网络加速了。RDMA和NVLINK这2个关键技术很值得关注，也是未来的方向。毕竟数据是直接显存落显存，还是走两次内存，差别是可想而知的，再加上不需要CPU开销，对性能带来的影响还是很可观的。

   所有这些优化，最后暴露给平台用户的，最好是越简单越好，平台能够依据简单的参数，自动选择最佳的性能通道，这才是对算法工程师和数据科学家意义最大的。

3. 强大的容错能力

   谈到容错，不得不再提一下MPI和MR。在Hadoop时代，海量低配机器理论的盛行，使MPI被MR打压得很厉害。但是到了深度学习时代，大家发现这些高配机器和HPC也差不了太多，十几万一台的机器，可靠性还是很强的，出错的概率很低，相比之下性能更加重要了，所以MPI这种模式又活了过来。

   都是从整体来看，规模上去之后，在大型的数据中心，高配版本的GPU机器和T级别的训练数据，对容错性依然需要取得一定的均衡，这种情况下PS模式仍是最合适的。整体架构包括网络的通讯性能是最灵活和鲁棒的，可以做的容灾措施很多，代价也小。最终能够达到的效果会远胜于简单的定期Checkpoint。

4. 灵活的接口设计

   正如大家所知，2017年Python已经借助人工智能成为了第一编程语言。这在某种程度上，当然归功于TensorFlow和PyTorch的神助攻，但是这个趋势背后有其必然原因。Python语言的优势在于语法简单、上手难度低，而且资源丰富，有充实的数据、可视化和机器学习算法库，建立了非常良好的生态环境，同时它又能与C无缝结合，借助py4j还能和Java结合。基于以上原因，Python能够为后台强劲的平台提供友好的接口层，达到简约而不简单的效果，也就难怪它会奇军突起、一枝独秀了。

   但Python其实始终只是后台接口的体现，决定整体的，还是后台的接口设计，这时架构师的整体设计能力就非常重要了。核心理念的封装和延伸、多个机器学习概念的整合、系统的分层和解耦、多个子系统的一致性，这些最终都会体现到接口上，从而决定用户基于接口编写算法的难度。

5. 完善的周边系统

   TensorFlow开源之初，吸引眼球的工具之一，莫过于它的TensorBoard，惊艳度超越了同期产品。当时还怀疑它是否会部分开源，不开源这个模块。一个好的机器学习平台还是要在周边系统的完善上多做些功夫，如果用户基于你的平台，可以快速地调试和定位Bug，将会大大增强他们使用的信心，这会对用户形成很强的吸引力，最终也有助于形成更好的生态 。

InfoQ：在您看来，如何才能高效搭建一个优秀的机器学习平台？

黄明： 先讲个大家都知道的小插曲：TensorFlow的前身是DistBelief，当时并不太受深度学习界待见，大部分人做深度学习，要么Caffe，要么Torch，基本忽略DistBelief，后来TensorFlow推出，就很受欢迎。这里有个时间细节，Hinton是2013年加入Google的，而DistBelief是2011年开始研发的，TensorFlow是2015年发布的，Jeff Dean由始至终，都在Google负责这个项目。作为外人，不太可能知道Hinton到底对TensorFlow做出了什么样的贡献，但是效果是很明显的。DistBelief之前工程性太强，对深度学习的模型本质和算法友好度不足，Hinton加入后，第二代的TensorFlow的水准远远超越第一代的DistBelief。整个系统的设计，从上层到底层，从名字到周边，都透露着对深度学习工程师的贴心理解。这也是TensorFlow成功的原因。

所以要设计和搭建一个优秀的机器学习平台，在我看来：

首先，要搭建一支工程和算法模型能力都很强的团队。整体上这个团队需要很好的互补能力，要有算法工程师，也要有系统架构师，大家互相配合。算法工程师的数学功底和表达能力很重要，而系统架构师的理解能力和快速实现能力很重要。另外最好能将学术界的创新能力和工程界的落地能力结合，才能使系统创新性和可靠性兼得。腾讯的Angel项目从一开始，就是北大的博士生和腾讯的工程师联合主导的项目，虽然远比不上Hinton和Jeff Dean这样的大神级别，但是模式是类似的，这是非常关键的一个要素。

其次，需要有大数据作为驱动。之前我们研究过Petuum，发现有些理念很不错，但是稳定性非常差，在大数据量下很难跑通，而且搭建也很难。所以在Angel的研发过程中，我们始终坚持以大数据为驱动的原则，各种Tricks和设计必须以最终压测通过为原则，并紧密依靠内部业务，通过场景落地来检验效果，以此保障系统的设计合理性和可用性。这点对于大公司来说其实没有太大的难度，只要有正确的理念和合作即可。但是这对于小公司来说则比较困难。所以这也是BAT等大企业开源的框架，和实验室或者初创公司出品的框架相比的优势之一。

最后，需要保持很快的演进速度。TensorFlow现在经常被批评接口改动太快。其实最近Angel的接口改动也很多，而且有些不能向后兼容。这其中原因很简单，一个是因为业界的深度学习发展太快，新算法和模型、技巧层出不穷，作为一个平台必须能快速适应，不进则退。另一个原因是开发的人太多，即便是Angel目前Star还比较少，但是内部大量的并行开发，很难保证所有的模块都是合理的，定期重构是消除这些不合理的唯一方法。整体来看，只要是合理的重构，能提升性能，就标识着这个项目还在快速的生长期中，不失为一件好事。

InfoQ：创新工场的王咏刚老师在《为什么AI工程师要懂一点架构》中提到，研究不能只懂算法，算法实现不等于问题解决，问题解决不等于现场问题解决，架构知识是工程师进行高效团队协作的共同语言。能不能谈谈您对架构能力的看法？

黄明： 王咏刚老师说的要懂“一点”。这个词在我看来代表了两个意思：

1. 确实需要懂，不能什么都不懂。企业里的算法工程师和数据科学家一定要有动手能力，不能整天只会做研究、写Paper，Matlab和单机版的Python试验一下，自己独占一台GPU机器玩得很开心，模型做完了不会上线，沟通一到工程部分就聊不下去……其实是处于一种很不好的状态。这样的AI工程师，除非某方面特别强或特别突出，否则在企业是很难落地生存的。
2. 不能指望懂太多。毕竟做算法和做工程的思维重点不一样，脑回路也不太一样，方法论也不一样。两方面都精通的人才，有，但是难找。这也是腾讯做Angel的初衷和目的，就是让算法工程师不需要懂太多底层框架优化，也能轻松地写出高效的、能分布式运行的生产代码，把一些通用的体系化的系统和架构细节屏蔽掉，这样才能极大地提高企业生产力。

目前来看，包括Spark、TensorFlow这些比较好的框架，也正是因为它们能够使数据工程师和AI工程师，在适当屏蔽掉底层的架构细节后，依然能够写出高效的算法代码，才取得了成功。

Angel平台的新变化和展望

InfoQ：通过您之前的投稿，大家对Angel平台开源前所做的一系列重构和升级已经有所了解，开源以来想必又有了不少新变化，能否介绍一下近三个月你们对Angel平台又做了哪些优化？

黄明：开源以来，Angel低调的发布了2个小版本：1.1.0和1.2.0，主要是加入了新的算法和优化方法，加强了稳定性，细化和完善之前的功能。这3个月内的优化，以稳定和性能提升为主。因为Angel的定位是工业级可用的平台，所以非常看重大数据量下的稳定性和性能，我们公布的算法都是生产验证过。同时我们对Spark on Angel的接口进行了反复的重构，尽可能和Angel本身的接口接近一致和复用，这方面的工作到时候会在这次QCon大会上重点介绍。

另外根据用户的反馈，Angel开发团队正在开发2个大功能，尚未发布，包括：

1. Python接口：接口优化和重构，以提升易用性。因为之前宣传的时候，很多用户的第一个问题，就是有没有Python接口……所以我们不得不把这个作为第一优先级来满足。
2. Spark Streaming on Angel：支持在线学习，加入FTRL算法。就像之前说的，实时性也是机器学习必不可少的。那Angel本身不做实时这块，但是支持Spark on Angel，那通过Spark Streaming来接入实时训练，也是水到渠成的事情，成本也很低，不过对Angel的HA和内存管理，需要进一步的优化。

这两个新功能应该在下2个版本就能够和大家见面了。至于深度学习的支持，其实也在进行了，但是有些难度，会晚点推出。

InfoQ：开源后这段时间，Angel平台的推广情况如何？有没有什么印象特别深刻的问题反馈？

黄明： Angel开源以来，其实我们并没有太刻意推广，包括我们在github上Public的第一天（6月16日）都没有准备做任何PR，不过由于之前的影响力，最终各大媒体都报道了。但是腾讯TOSA（开源委员会）最近一年对开源项目的扶持非常大，态度也很Open，所以我们主要是借着腾讯开源的力量在做这个事情，发了几篇文章。目前整体的Star数接近2.5k，我们比较欣慰的是Fork和Star数的比例比较高的，看得出很多人还是对项目很有兴趣的。整体上，我们还是按照自己之前定好的节奏，小步快跑地进行新功能和版本的研发。

据了解和接触，目前有部分公司（如小米、新浪微博等）正在试用Angel，也有了不少贡献者。印象深刻的有几个：

1. 华为的一位工程师，项目刚发布不久就提交了一个比较大的PR，帮忙把Netty版本升级了，非常给力。后来他想把GraphX集成进来，但是我觉得这个方向不太对，就Reject掉了，不太好意思。
2. 微软LightBGM的开发者之一提了个Issue，和Angel开发GBDT的同学互动了10个来回左右，详细地讨论了机器学习任务中MPI和PS的网络通讯开销到底谁更小的问题，进行了很有意思的学术互动。
3. 海外的一个用户主动帮忙翻译Angel的文档，之前为了开源，团队花了快1个月的时间边写文档边改Bug，所有文档加起来应该有100篇左右，翻译工作量巨大。但现在基本全部都翻译完了。

这些都让我们体会到了开源的力量和益处，一个平台在开源之后，会受到来自全球的关注，只要你用心经营，并保持良好的功能和性能，能帮助到用户，用户就会主动帮你做很多事情。而你的视野，也会变得更加的开阔。很多外部用户的需求非常客观到位，正是他们推动着我们往前走。

InfoQ：开源三个月后再看Angel，与一众机器学习平台相比（比如Spark、Petuum、GraphLab、TensorFlow），Angel的优势是什么？Angel的什么特性最能吸引机器学习开发者？

黄明：首先目前其实Petuum、GraphLab都不开源，没有可比性。Angel在研发初期借鉴参考过Petuum的一些思路，但是后来实验中发现，Petuum在可靠性和稳定性上都达不到工业可用级别，所以基本上也都推倒重做了。

和Spark比的话，目前Spark的重心还是在SparkSQL上，这从每个版本的PR数就可以看出来，MLLib的比例很小。这在某种程度上也是因为Spark的RDD本质局限导致的。相比之下，Angel重点是机器学习算法，而基于PSModel的编程模型可以让各种机器学习的优化和Tricks都很方便地实现，对于算法工程师非常友好。伴随着Python接口的提供，这个优势将会变得更加明显。

TensorFlow目前在深度学习上的地位还是遥遥领先，从7w个Star数就可略见一斑。但是在多机多卡的性能上TensorFlow的PS做得并不好，最近发布的最新版本还在尝试走MPI路线，这是业界难题之一。Angel目前不会独立做一套新的深度学习框架去和TensorFlow竞争，而是会发挥自身优势，把PS-Service做好做极致，来加速并行训练并形成互补。

关于传统机器学习算法的生命周期问题，我觉得不用太担心。很重要的一点是传统机器学习算法比深度学习更贴近problem solving而非模拟智能。深度网络模拟大脑结构，所以在人类擅长的智能领域优于传统算法，比如视觉听觉，各种对外界信号的理解……但是还有一些非智能领域，人大脑展现出各种认知缺陷（cognitive deficit），比如对模式是随机还是真实的判断，对概率的认知，对风险评估等等。这些方面传统机器学习方法仍然更有效，不需要通过大量的野蛮暴力尝试，就能得到更好的结论。也许以后会有所改变，但目前传统思路的机器学习还是有必要的，在很多场合简单有用，包括腾讯的很多场景对此还是有刚需，所以Angel还是要把它经营好。

整体上来看，目前Angel是业界，包括国内和国外，比较成熟的开源参数服务器框架，能够在十亿级别的维度（其实百亿也可以，只不过没生产完全验证过，所以不这样宣传）、T级别大小的样本量规模下，开发和运行通用的机器学习算法的平台。另外值得一提的是，Angel的算法开发难度也比较低，有一位开源贡献者很轻松地在Angel上实现了阿里巴巴用于CTR预估的MLR算法，并贡献给Angel社区，这正是Angel团队所期待的。

InfoQ：您认为目前机器学习平台还存在哪些问题和难点？未来改进的重点是什么？

黄明：目前机器学习平台还存在3个大问题：算力的水平扩展、模型的高效压缩、快速的推理能力

1. 机器学习平台最大的难题还是算力。性能再强，接口再好用，底层优化再极致，单机能力终有极限，需要能水平扩展，而深度学习大规模通用的多机多卡的分布式方案，目前依然是个难题，即便TensorFlow也没解决得很好。这也是腾讯致力于Angel系统的原因，希望无论是CPU还是GPU，我们都能提供高性能分布式机器学习方案。
2. 除此之外，利用庞大的集群规模，长时间训练出来的精细模型，其大小一般比较大，像Angel训练出来的模型一般都会上百G，而深度学习的模型，多数也到G级别。这么大的模型，需要压缩之后才能给终端使用，如何在尽量减少精度损失的情况下，最大化的压缩模型，也是平台需要考虑的。
3. 最后一个是快速的推理能力。无论是终端推理（手机端，无人驾驶车……），还是服务端推理（广告，推荐……），要求都是一样的，要尽可能速度快和高吞吐量。这时如何合理地利用和设计流式实时系统，来快速接入数据进行推理，也是平台需要考量的点。

在未来一年里，相信大部分的机器学习框架，包括深度学习框架，都会围绕着上述几个问题重点发力。这也是Angel需要面对的挑战和机遇。

采访嘉宾介绍

Andymhuang（黄明），腾讯T4专家，Spark早期的研究者和布道者，对分布式计算和机器学习，有独到的经验和研究。目前于数据平台部担任海量计算组Leader，负责构建大规模分布式计算和机器学习平台，助力腾讯各大数据和机器学习业务快速发展。

[1] https://www.usenix.org/system/files/conference/nsdi12/nsdi12-final138.pdf ↩
[2] https://www.cs.cmu.edu/~dga/papers/osdi14-paper-li_mu.pdf ↩
[3] https://issues.apache.org/jira/browse/SPARK-6932 ↩
[4] 在Angel开源前的这半年，我们对架构和性能做了哪些重构和升级？ ↩
[5] 腾讯大数据已将第三代高性能计算平台Angel代码在Github上开放 ↩

转自 http://www.infoq.com/cn/articles/self-discipline-of-machine-learning-platform