X-Deep Learning功能模块
X-Deep Learning功能模块
- 特征体系
- 数据准备
- 定义模型
- 训练模型
- 模型评估
- 高层训练API
- 调试
1. 特征体系
1.1 样本
样本由 label, feature, sampleid 三部分组成;训练过程是通过feature学习label的过程,sample id是一条样本的标识。label可以是单值(二分类)或者多值(多分类)。
1.2 特征
传统的特征一般是稠密的(dense),维度不会特别高,样本都出现;以向量的形式表示;例如图像特征,或者用户的性别信息。
对于搜索-推荐-广告场景,存在大量的稀疏特征(sparse):这些特征维度高(百亿),但是样本中出现次数低(数百),这类特征以多个kv的方式稀疏表示;例如商品类目(key是类目的id,没有value),用户点击过的商品列表(key是商品id,value是点击次数)。
特征以特征组的方式组织,便于构建训练网络;例如特征分为:用户性别(稠密特征),用户偏好(稀疏特征),商品类目(稀疏特征),商品价格(稠密特征);
1.3 网络
简单的稀疏场景训练网络
2. 数据准备
2.1 样本格式
2.1.1 文本格式
文本格式一行表示一条样本,分为多个字段,用'|'分隔 字段定义和分隔符如下:
7859345_420968_1007|user_3423487|clk_14@32490:1.0,32988:2.0;prefer@323423,32342|qscore@0.8,0.5;ad_price@33.8|0.0,1.0|1544094136
2.1.2 protobuf格式
简单样本格式用message定义一条样本,包括
sample_id, label, feature_line 三个部分; 文件中先以一个32位的整数记录样本长度,然后存储序列化后的样本;
// 简单样本格式
message SampleSimple {
required string sample_id = 1;
// 样本的sample_id
required Label label = 2;
// 样本的label, Label类型
required FeatureLine feature_line = 3; // 样本的特征行
}
- 更多内容见结构化压缩
2.2 使用DataReader读取数据
2.2.1 DataReader Api
import xdl
reader = xdl.DataReader("r1", #
reader名称
paths=["./data.txt"], # 文件列表
enable_state=False) # 是否打开reader state,用于分布式failover,开启的时候需要额外的命令行参数(task_num)
reader.epochs(1).threads(1).batch_size(10).label_count(1)
reader.feature(name='sparse0',
type=xdl.features.sparse)\ # 定义reader需要读取的特征,本例包括两个sparse特征组和一个dense特征组
.feature(name='sparse1', type=xdl.features.sparse)\
.feature(name='deep0', type=xdl.features.dense, nvec=256)
reader.startup()
# ...
2.2.2 选项设置
- 更多选项见更多选项
2.2.3 结构化压缩
结构化压缩是指,多个样本中共同的特征值,只存储一份,也只进行一次计算;需要在样本处理中,聚合多条具有共同特征的样本。
例如广告样本中,一个用户可能点击N个广告,产生N条样本;这N条样本的广告特征簇都是不同的,但是用户特征簇都是相同的一份。
使用结构化压缩,需要在pb样本中表达特征结构化,主要是通过定义多个特征表
例如下图定义了一个特征主表(ad)和一个特征辅表(user),通过主表的多个ad特征指向辅表的一个user特征,表示多个样本的特征复用关系。
a0 和 a1 特征共用一个u0特征;a2, a3, a4共用一个u1特征
特征表的定义是一个repeated, 这样可以通过定义两个以上的特征表,来表示多层压缩。例如 图片 -> 广告 -> 用户 这样两层的多对一关系
message SampleGroup {
repeated string sample_ids = 1; // 每个样本的sample_id
repeated Label labels = 2; // 每个样本的label, Label类型
repeated
FeatureTable feature_tables = 3; // 整个sample的特征表,如果没有辅表,只有一个feature_table
repeated Extensions extensions = 5; // 每个样本的扩展字段,待以后扩展
}
message Extensions {
map<string, string> extension = 1;
}
// 标签,支持多目标训练
message Label {
repeated float values = 1;
}
// 特征表
message FeatureTable {
repeated FeatureLine feature_lines = 1; // 每个样本的特征行
}
// 特征行
message FeatureLine {
repeated Feature features = 1;
// 每个特征行里的特征(组)
optional int32 refer = 2;
// 引用下层辅表的哪个特征行
}
// 特征(组)
message Feature {
required FeatureType type = 1;
// 特征类型
optional string name = 2;
// 特征(组)名字,与field_id二选一
repeated FeatureValue values = 3;
// 特征值, 一个特征(组)可能有多个特征值
}
// 特征值
message FeatureValue {
optional
int64 key = 1; // 特征ID, dense可以没有
optional float value = 2;
// 特征值,没有默认是1
repeated float vector = 3;
// 特征向量,向量类型的特征才有,也可以用来表示稠密特征
optional int64 hkey = 4;
// 特征ID高64位,用来支持128位hashkey
}
2.2.4 更多选项
2.3 自定义python reader
- xdl支持直接使用python定义op
from tensorflow.examples.tutorials.mnist
import input_data
mnist_data =
input_data.read_data_sets('./data')
# python读取函数,直接使用tf封装好的api读取mnist数据
def read_data(batch_size=100):
global mnist_data
images, labels = mnist_data.train.next_batch(batch_size)
labels = np.asarray(labels, np.float32)
return images, labels
# 通过xdl.py_func定义op
images, labels = xdl.py_func(read_data, [],
output_type=[np.float32, np.float32])
3. 定义模型
XDL专注解决搜索广告等稀疏场景的模型训练性能问题,因此将模型计算分为稀疏和稠密两部分,稀疏部分通过参数服务器,GPU加速,参数合并等技术极大提升了稀疏特征的计算和通信性能。稠密部分采用多backend设计,支持TF和Mxnet两个引擎作为计算后端,并且可以使用原生TF和Mxnet API定义模型。下面分别介绍稀疏和稠密部分的API
3.1 稀疏API
- API列表
- 参数说明
- xdl.embedding
xdl.merged_embedding
3.2 稠密API
XDL使用TF和Mxnet作为计算后端,并且支持使用TF和Mxnet原生API来定义模型
- 定义方法
- 使用TensorFlow或者Mxnet定义模型
- 使用xdl.tf_wrapper或者xdl.mxnet_wrapper修饰模型定义函数
- 装饰器参数
- 使用TF Backend定义一个embedding +
5层dense网络
@xdl.tf_wrapper()
def model_fn(dense, embeddings, labels):
input_features = [dense]
input_features.extend(embeddings)
inputs = tf.concat(input_features, 1)
fc1 =
tf.layers.dense(inputs, 256, activation=tf.nn.relu)
fc2 =
tf.layers.dense(fc1, 128, activation=tf.nn.relu)
fc3 =
tf.layers.dense(fc2, 64, activation=tf.nn.relu)
fc4 =
tf.layers.dense(fc3, 32, activation=tf.nn.relu)
logits = tf.layers.dense(fc4, 1, activation=tf.nn.relu)
cross_entropy = tf.nn.sigmoid_cross_entropy_with_logits(labels=labels,
logits=logits)
loss
= tf.reduce_mean(cross_entropy)
return loss
- 使用Mxnet Backend定义一个embedding
+ 5层dense网络
@xdl.mxnet_wrapper()
def model_fn(dense, embeddings, label):
input_features = [dense]
input_features.extend(embeddings)
inputs
= mx.symbol.concat(*input_features, dim=1)
fc1 =
mx.sym.FullyConnected(data=inputs, num_hidden=256, name='fc1')
fc2 =
mx.sym.FullyConnected(data=fc1, num_hidden=128, name='fc2')
fc3 =
mx.sym.FullyConnected(data=fc2, num_hidden=64, name='fc3')
fc4 =
mx.sym.FullyConnected(data=fc3, num_hidden=32, name='fc4')
fc5 =
mx.sym.FullyConnected(data=fc4, num_hidden=1, name='fc5')
prop
= mx.symbol.SoftmaxOutput(data=fc5, label=label)
loss
= - mx.symbol.sum(mx.symbol.log(prop) * label) / 4
return loss
3.3 优化器
- XDL支持常用的optimizer,包括
- SGD
- Momentum
- Agagrad
- Adam
- Ftrl
- 使用方法
optimizer = xdl.SGD(0.5)
train_op = optimizer.optimize()
sess = xdl.TrainSession()
sess.run(train_op)
4. 训练模型
XDL支持单机及分布式两种训练模式,单机模式一般用来做早期模型的调试和正确性验证,为了充分发挥XDL的稀疏计算能力,建议使用分布式模式进行大规模并行训练
4.1 单机训练
XDL通过Local PS的方式支持单机训练,只需运行时给python脚本加上--run_mode=local的命令行参数即可:
python test.py --run_mode=local
如果用户需要使用XDL镜像进行单机训练,则需要先以bash
session形式进入镜像,再启动命令:
sudo docker run -it xdl/xdl:tag /bin/bash
python test.py --run_mode=local
4.2 分布式训练
- XDL通过ams存储参数,从而支持了分布式训练,在进行分布式训练时,需要启动ams进程和worker进程,ams进程包括一个scheduler和多个server,用户可以通过手动方式启动,也可以使用XDL提供的基于yarn+docker的分布式调度工具xdl_sumbit启动
4.2.1 通过手工方式启动分布式任务
以下命令都默认宿主机上具有XDL运行环境,或用户以bash
session形式进入XDL镜像。
- 启动ams-scheudler
# 参数解释:
ps_cpu_cores和ps_memory_m:分给ams-server的cpu和内存资源,将会影响ams的参数分配算法
ckpt_dir:checkpoint地址,目前支持本地和HDFS两种文件系统
python test.py --task_name=scheduler
--zk_addr=zfs://xxx --ps_num=2 --ps_cpu_cores=10 --ps_memory_m=4000
--ckpt_dir=hdfs://xxx/checkpoint
- 启动ams-server
python test.py --task_name=ps --task_index=0
--zk_addr=zfs://[zk_server_ip:port]
python test.py --task_name=ps --task_index=1
--zk_addr=zfs://[zk_server_ip:port]
- 启动worker
python test.py --task_name=worker
--task_index=0 --task_num=4 --zk_addr=zfs://[zk_server_ip:port]
python test.py --task_name=worker
--task_index=1 --task_num=4 --zk_addr=zfs://[zk_server_ip:port]
python test.py --task_name=worker
--task_index=2 --task_num=4 --zk_addr=zfs://[zk_server_ip:port]
python test.py --task_name=worker
--task_index=3 --task_num=4 --zk_addr=zfs://[zk_server_ip:port]
4.2.2 通过xdl_submit启动分布式任务
- 使用xdl_submit需要在机器上提前部署相关环境,部署方法参见集群部署
- xdl_submit任务基础配置示例
{
"job_name": "xdl_test",
"dependent_dirs": "/home/xdl_user/xdl_test/",
"script": "test.py",
"docker_image":
"registry.cn-hangzhou.aliyuncs.com/xdl/xdl:ubuntu-cpu-tf1.12",
"worker": {
"instance_num": 10,
"cpu_cores": 4,
"gpu_cores": 0,
"memory_m": 1000
},
"ps": {
"instance_num": 2,
"cpu_cores": 2,
"gpu_cores": 0,
"memory_m": 1000
},
"checkpoint": {
"output_dir":
"hdfs://ns1/data/xdl_user/xdl_test/checkpoint"
}
}
- 基础配置项说明 (带*号为必要配置项)
- xdl_submit任务高级配置示例
{
"job_name": "xdl_test",
"dependent_dirs": "/home/xdl_user/xdl_test/",
"script": "test.py",
"docker_image":
"registry.cn-hangzhou.aliyuncs.com/xdl/xdl:ubuntu-cpu-tf1.12",
"worker": {
"instance_num": 10,
"cpu_cores": 4,
"gpu_cores": 0,
"memory_m": 1000
},
"ps": {
"instance_num": 2,
"cpu_cores": 2,
"gpu_cores": 0,
"memory_m": 1000
},
"checkpoint": {
"output_dir":
"hdfs://ns1/data/xdl_user/xdl_test/checkpoint"
},
"scheduler_queue": "default",
"min_finish_worker_rate": 90,
"max_failover_times": 20,
"max_local_failover_times": 3,
"extend_role":{
"ams": {
"instance_num": 10,
"cpu_cores": 8,
"gpu_cores": 0,
"memory_m": 8000,
"script": "ams.py"
}
}
}
- 高级配置项说明
- 提交任务
- 将test.py放到/home/xdl_user/xdl_test/目录下,如果有其他脚本或者本地数据和配置也可以放到该目录下,xdl_submit会自动将其挂载到docker内
- 执行命令: xdl_submit.py --config=xdl_test.json
4.3 同步及半同步训练
- 同步训练
#创建session时,添加同步训练的hook
hooks = []
hooks.append(xdl.SyncRunHook(xdl.get_task_index(),
xdl.get_task_num()))
sess = xdl.TrainSession(hooks)
while not sess.should_stop():
sess.run(train_ops)
#sess run结束后,需要调用worker_report_finish_op
xdl.worker_report_finish_op(np.array(xdl.get_task_index(),dtype=np.int32))
- 半同步训练
#创建session时,添加半同步训练的hook,staleness为不同worker间允许的最大差异step数,默认值为0
hooks = []
hooks.append(xdl.SemiSyncRunHook(xdl.get_task_index(),
xdl.get_task_num(), staleness=0))
sess = xdl.TrainSession(hooks)
while not sess.should_stop():
sess.run(train_ops)
#sess run结束后,需要调用worker_report_finish_op
xdl.worker_report_finish_op(np.array(xdl.get_task_index(),dtype=np.int32))
4.4 ID准入和ID退出
- 基于概率的ID准入
XDL在xdl.embedding接口中提供了基于概率的ID准入,使用方法如下:
emb1 = xdl.embedding('emb1',
batch['sparse0'], xdl.TruncatedNormal(stddev=0.001), 8, 1024, vtype='hash',
feature_add_probability=0.9)
feature_add_probability表示ID准入的概率,0表示哈希表完全不接受新的ID,1表示所有ID都会准入到哈希表。
- 基于更新时间的ID退出
如果某个ID长时间没被更新,那说明这个ID在模型中已经处于不太重要的地位,XDL提供了删除这些ID的功能,使用方法如下:
emb1 = xdl.embedding('emb1',
batch['sparse0'], xdl.TruncatedNormal(stddev=0.001), 8, 1024, vtype='hash')
emb2 = xdl.embedding('emb2',
batch['sparse1'], xdl.TruncatedNormal(stddev=0.001), 8, 1024, vtype='hash')
hooks = []
vars = ["emb1", "emb2"]
mark_hook1 =
xdl.GlobalStepMarkHook("emb1", batch["sparse0"].ids)
mark_hook2 =
xdl.GlobalStepMarkHook("emb2", batch["sparse1"].ids)
hooks.append(mark_hook1)
hooks.append(mark_hook2)
if xdl.get_task_index() == 0:
filter_hook = xdl.GlobalStepFilterHook(vars, 30, 10)
hooks.append(filter_hook)
方法说明:
- "emb1"和"emb2"是两路需要进行ID退出的特征,针对这两路特征创建两个GlobalStepMarkHook,具体创建方法参见上述代码;
- 选取一个worker(这里选择worker0),创建一个GlobalStepFilterHook,第一个参数"vars"为需要进行ID退出的变量名称集合,第二个参数"30"表示global_step每隔30步,进行一次ID退出的动作,第三个参数"10",表示如果某个ID超过10步没有被更新,在下一次的ID退出动作时,这个ID就会被删除。
4.5 保存和恢复模型变量
- 保存模型变量
- 通过Saver保存
import xdl
saver = xdl.Saver()
checkpoint_version = "xxx" #
checkpoint名称,一般是global
step
saver.save(version = checkpoint_version)
- 通过CheckpointHook保存
import xdl
train_op = ...
hook =
xdl.CheckpointHook(save_interval_step=1000) # 每1000个global step保存一次
sess = xdl.TrainSession(hooks=[hook])
sess.run(train_op)
- 恢复模型参数
import xdl
saver = xdl.Saver()
checkpoint_version = "xxx"
saver.restore(version = checkpoint_version)
4.5 将二进制模型转为可读的文本格式
import xdl
variables=["x1", "x2"] #
list of variable names
xdl.convert_ps_variable(ckpt_dir="hdfs://absolute_path/to/checkpoint_dir",
output_dir="hdfs://absolute_path/to/output_dir",
var_list=variables)
ckpt_dir既可以指定到checkpoint目录也可以指定到具体版本(ckpt......xxxx这一级)。指定到checkpoint目录会自动找到最新版本
5. 模型评估
模型评估是用指标反映模型在实际数据中的表现,是在训练中调整超参数,评估模型效果的重要依据。XDL提供了计算auc的默认op实现,用户也可以通过python或者c++定制自己的metrics实现
import xdl
saver = xdl.Saver()
saver.restore(ckpt_version)
labels = ...
predictions = ...
auc = xdl.auc(predictions, labels)
sess = xdl.TrainSession()
print sess.run(auc)
6. 高层训练API:Estimator
为了简化用户编写模型训练脚本的工作量,XDL提供了Estimator
API,可以允许用户以一套代码执行训练/预测/评估/训练&评估等多种类型的任务
使用步骤
- 定义输入function
# 定义train输入
def input_fn():
...
return feature_list, labels
# 定义predict/evaluate输入
def eval_input_fn():
...
return test_feature_list, test_labels
- 定义模型
@xdl.tf_wrapper()
def model_fn(feature_list, labels):
logits = ...
loss = ...
return loss, logits
- 创建Estimator
estimator = xdl.Estimator(model_fn=model_fn,
optimizer=xdl.SGD(0.5))
- 进行train|evaluate|predict|train&&evaluate
# 训练
estimator.train(input_fn, max_step=2000,
checkpoint_interval=1000)
# 评估: checkpoint_version=""表示从最后一个checkpoint读取参数
estimator.evaluate(eval_input_fn,
checkpoint_version="", max_step=2000)
# 预测
estimator.predict(eval_input_fn,
checkpoint_version="", max_step=2000)
# 训练和评估交替执行
estimator.train_and_evaluate(train_input_fn=input_fn,
eval_input_fn=eval_input_fn,
eval_interval=1000,
eval_steps=200,
checkpoint_interval=1000,
max_step=5000)
7. Timeline
使用步骤
- 在训练中产出timeline
run_option = xdl.RunOption()
run_option.perf = True
run_statistic = xdl.RunStatistic()
_ = sess.run(train_ops, run_option,
run_statistic)
xdl.Timeline(run_statistic.perf_result).save('./timeline.json')
- 在chrome中输入chrome://tracing,加载timeline.json
X-Deep Learning功能模块的更多相关文章
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料【转】
转自:机器学习(Machine Learning)&深度学习(Deep Learning)资料 <Brief History of Machine Learning> 介绍:这是一 ...
- Deep Learning(深度学习)相关网站
Deep Learning(深度学习) ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习):一 ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习): ...
- Deep Learning论文笔记之(六)Multi-Stage多级架构分析
Deep Learning论文笔记之(六)Multi-Stage多级架构分析 zouxy09@qq.com http://blog.csdn.net/zouxy09 自己平时看了一些 ...
- Deep Learning(深度学习)网络资源
Deep Learning(深度学习) ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习):一 ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习): ...
- Why deep learning?
1. 深度学习中网络越深越好么? 理论上说是这样的,因为网络越深,参数也越多,拟合能力也越强(但实际情况是,网络很深的时候,不容易训练,使得表现能力可能并不好). 2. 那么,不同什么深度的网络,在参 ...
- [Deep Learning] 神经网络基础
目前,深度学习(Deep Learning,简称DL)在算法领域可谓是大红大紫,现在不只是互联网.人工智能,生活中的各大领域都能反映出深度学习引领的巨大变革.要学习深度学习,那么首先要熟悉神经网络(N ...
- Summary on deep learning framework --- PyTorch
Summary on deep learning framework --- PyTorch Updated on 2018-07-22 21:25:42 import osos.environ[ ...
- Reading | 《DEEP LEARNING》
目录 一.引言 1.什么是.为什么需要深度学习 2.简单的机器学习算法对数据表示的依赖 3.深度学习的历史趋势 最早的人工神经网络:旨在模拟生物学习的计算模型 神经网络第二次浪潮:联结主义connec ...
- 课程一(Neural Networks and Deep Learning),第四周(Deep Neural Networks)——2.Programming Assignments: Building your Deep Neural Network: Step by Step
Building your Deep Neural Network: Step by Step Welcome to your third programming exercise of the de ...
随机推荐
- 【Vue】Vue学习(一)-Vue指令
1.v-text v-text主要用来更新文本,等同于JS的text属性 <span v-text="msg"></span> 这两者等价 <span ...
- Python的套接字、IPv4和简单的客户端/服务器编程
#!/usr/bin/env python # -*- coding: utf-8 -*- import socket from binascii import hexlify import sys ...
- hdu4975 行列和构造矩阵(dp判断唯一性)
题意: 和hdu4888一样,只不过是数据加强了,就是给你行列的和,让你构造一个矩阵,然后判断矩阵是否唯一. 思路: 构造矩阵很简单,跑一次最大流就行了,关键是判断矩阵的唯一性 ...
- C#-CMD
private static string InvokeCmd(string cmdArgs) { string Tstr = ""; Process p = new Proces ...
- android The content of the adapter has changed but ListView did not receive a notification 错误的解决方案
使用了AsyncTask在后台刷新适配器,并且通知ui线程更新ListView,运行时发现时不时的出现 如题 的错误, 导致程序崩溃,解决方法如下: 1.建立一个缓冲数据集,这个数据集就是填充适配器的 ...
- XCTF-wtf.sh-150
wtf.sh-150 题目描述 没有描述 解题过程 打开之后是个论坛,有注册和登录功能点 抓包发现,登陆成功后会设置cookie <script>document.cookie = 'US ...
- Mysql连接查询示例语句
SELECT *FROM ssm_emp; SELECT * FROM ssm_dept; #查询两表交集 SELECT * FROM ssm_emp e INNER JOIN ssm_dept d ...
- CentOS运行多个Tomcat操作步骤
一:修改环境变量 在/et/profile文件追加以下内容 # tomcat1 env ( 第一个tomcat 的环境变量) export CATALINA_HOME=/usr/local/apach ...
- matlab添加当前路径下的所有子目录
% 添加当前路径下的所有子目录addpath(genpath(pwd));
- [bug] Maven:No valid Maven installation found.maven
原因 从别处复制来的项目,maven路径没有改过来 参考 https://blog.csdn.net/qq_40846086/article/details/81252736