雅虎如何在Hadoop集群上实现大规模分布式深度学习

过去十年中，雅虎在 Apache Hadoop 集群构建和扩展方面投入了很大的精力。目前，雅虎有 19 个 Hadoop 集群，其中包含 4 万多台服务器和超过 600PB 的存储。他们在这些集群上开发了大规模机器学习算法，将 Hadoop 集群打造成了雅虎首选的大规模机器学习平台。近日，雅虎 Big ML 团队的 Cyprien Noel、Jun Shi 和 Andy Feng 撰文介绍了雅虎在 Hadoop 集群上构建大规模分布式深度学习的实践。

深度学习（DL）是雅虎的许多产品都需要的功能。比如，Flickr 的场景检测、对象识别、计算审美等功能均依赖于深度学习。为了使更多产品从机器学习中受益，他们最近将 DL 功能引入到了 Hadoop 集群本地。在 Hadoop 上进行深度学习主要有以下好处：

• 深度学习直接在 Hadoop 集群上执行，可以避免数据在 Hadoop 集群和单独的深度学习集群之间移动；
• 同 Hadoop 数据处理和 Spark 机器学习管道一样，深度学习也可以定义为Apache Oozie 工作流中的一个步骤；
• YARN 可以与深度学习很好地协同，深度学习的多个实验可以在单个集群上同时进行。与传统方法相比，这使得深度学习极其高效。

DL on Hadoop 是一种新型的深度学习方法。为了实现这种方法，雅虎主要做了如下两个方面的工作：

• 增强 Hadoop 集群：他们向 Hadoop 集群添加了 GPU 节点。每个节点有 4 个 Nvidia Tesla K80卡，每个卡有 2 个 GK 210 GPU。这些节点的处理能力是传统商用 CPU 节点的 10 倍。GPU 节点有两个独立的网络接口 Ethernet 和 Infiniband。前者作为外部通信接口，后者速度要快 10 倍，用于连接集群中的 GPU 节点以及为通过 RDMA 直接访问 GPU 内存提供支持。借助 YARN 最新推出的节点标记功能，可以在作业中指定容器是在 CPU 上运行还是在 GPU 上运行。
• 创建 Caffe-on-Spark：这是他们基于开源软件库 Apache Spark 和 Caffe 创建的一个分布式综合解决方案。借助它，通过几条简单的命令就可以将深度学习作业提交到 GPU 节点集群，并且可以指定需要启动的 Spark executor 进程数量、分配给每个 executor 的 GPU 数量、训练数据在 HDFS 上的存储位置以及模型的存储路径。用户可以使用标准的 Caffe 配置文件指定 Caffe solver 和深层网络拓扑。Spark on YARN 会启动指定数量的 executor，每个 executor 会分得一个 HDFS 训练数据分区，并启动多个基于 Caffe 的训练线程。

上述工作完成后，他们在两个数据集上对该方法进行了基准测试。在 ImageNet 2012 数据集上的测试显示，与使用一个 GPU 相比，使用 4 个 GPU 仅需要 35% 的时间就可以达到 50% 的准确度。而在 GoogLeNet 数据集上的测试表明，8 个 GPU 达到 60% top-5 准确度的速度是 1 个 GPU 的 6.8 倍。

这说明他们的方法是有效的。为了使 Hadoop 集群上的分布式深度学习更加高效，他们计划继续在 Hadoop、Spark 和 Caffe 上的投入。

雅虎已经将部分代码发布在 GitHub 上，感兴趣的读者可以进一步了解。