ICLR 2018 | Deep Gradient Compression: Reducing the Communication Bandwidth for Distributed Training

为了降低大规模分布式训练时的通信开销，作者提出了一种名为深度梯度压缩(Deep Gradient Compression, DGC)的方法。DGC通过稀疏化技术，在每次迭代时只选择发送一部分比较“重要”的梯度元素，以达到降低整个训练过程通信量的目的。为了保证使用DGC后模型的精度，作者还使用了几种花里胡哨的技术，包括动量修正(momentum correction)、本地梯度裁剪(local gradient cliping)、动量因子遮蔽(momentum factor masking)和预训练(warmup training)。

梯度稀疏化

为了降低训练过程中的通信量，我们可以让每个节点在每次迭代中只发送那些“重要”的梯度。因为“不重要”的梯度元素对模型参数更新的贡献比较小，所以就可以不用发送这些对更新贡献较小的梯度。那么问题来了，我们如何知道梯度对参数更新的贡献呢，换句话说，如何评估梯度的重要性？作者在这里使用了一种启发式方法——以梯度元素的大小是否超过某个阈值来判断该元素的重要性——当然，这也是目前最常用的方法。为了防止丢失大量的信息，我们可以把每次迭代中没有超过阈值的小梯度元素存起来，在下次迭代中加回到原始梯度向量中。随着训练的进行，这些较小的梯度元素会累加地越来越大，直至在以后的某次迭代中超过阈值，被节点发送出去。

令\(F(w)\)是我们想要优化的损失函数，同步的分布式SGD算法在\(N\)个训练节点上会进行如下更新：

\[\begin{aligned}
F(w) &= \frac{1}{|\mathcal{X}|}\sum_{x\in \mathcal{X}}f(x,w)\\
w_{t+1} &= w_t -\eta\frac{1}{Nb}\sum_{k=1}^N\sum_{x\in\mathcal{B}_{k,t}}\triangledown f(x,w_t)
\end{aligned}\tag{1}\label{1}
\]

其中\(\mathcal{X}\)是训练数据集，\(w\)是神经网络的权值，\(f(x,w_t)\)是由\(x\in \mathcal{X}\)计算的损失值，\(\eta\)是学习率，\(\mathcal{B}_{k,t}\)是第\(t\)次迭代中第\(k\)个节点上读取的一个batch的数据样本，每个batch的大小为\(b\)。考虑将\(w\)拉直后在第\(i\)个位置上的权值\(w^{(i)}\)，经过\(T\)轮迭代后，我们有：

\[w_{t+T}^{(i)} = w_{t}^{(i)} - \eta T · \frac{1}{NbT}\sum_{k=1}^1\left( \sum_{\tau=0}^{T-1} \sum_{x\in \mathcal{B}_{k,t+\tau}} \triangledown^{(i)} f(x,w_{t+\tau})\right) \tag{2}\label{2}
\]

等式\(\ref{2}\)表明本地梯度累加可以看作将batch size从\(Nb\)增加到\(NbT\)，其中\(T\)是两次稀疏更新的间隔，即每进行\(T\)次迭代就发送一次\(w^{(i)}\)的梯度。这是作者说等式\(\ref{2}\)满足学习率缩放规则，学习率\(\eta T\)中的\(T\)和批量大小\(NbT\)中的\(T\)相互抵消了。说实话，这里有点没太看懂。个人理解的学习率缩放指的是学习率与batch size等比例增加，比如batch size从128变为1024，那么学习率应该变为原来的8倍。搞不清楚这里出现的两个\(T\)是什么意思。。。

本地梯度累加

动量修正

在\(N\)个节点上使用标准的动量SGD进行分布式训练的过程如下所述：

\[u_t = mu_{t-1}+\sum_{k=1}^N(\triangledown_{k,t}),\quad w_{t+1}=w_t -\eta u_t \tag{3}\label{3}
\]

这里\(m\)是动量项，\(\triangledown_{k,t}\)是梯度\(\frac{1}{Nb}\sum_{x\in \mathcal{B}_{k,t}}\triangledown f(x,w_t)\)的简写形式。考虑将权重\(w\)拉直后第\(i\)个位置上的元素\(w^{(i)}\)，经过\(T\)轮迭代后，\(w^{(i)}\)的变化为：

\[w_{t+T}^{(i)} = w_{t}^{(i)}-\eta \left[···+\left(\sum_{\tau=0}^{T-2}m^\tau \right)\triangledown^{(i)}_{k,t+1} +\left(\sum_{\tau=0}^{T-1}m^\tau \right)\triangledown^{(i)}_{k,t} \right] \tag{4}\label{4}
\]

如果动量SGD直接使用稀疏梯度进行更新（算法1的第15行），那么整个更新过程就不再等价于等式\(\ref{3}\)，而是变成了：

\[\begin{aligned}
v_{k,t} &= v_{k,t-1}+\triangledown_{k,t}\\
u_t &= mu_{t-1}+\sum_{k=1}^{N}sparse(v_{k,t})\\
w_{t+1} &= w_t-\eta u_t
\end{aligned}\tag{5}\label{5}
\]

这里，\(v_{k,t}\)是节点\(k\)上的梯度累加和，一旦累加结果大于阈值，它将会被编码处理然后发送出去，以参与\(u_t\)的更新。随后，节点\(k\)上的累加结果\(v_{k,t}\)在sparse()中通过掩码被清空。经过\(T\)轮稀疏更新后，权值\(w^{(i)}\)变为：

\[w_{t+T}^{(i)}=w_{t}^{(i)} - \eta \left(···+\triangledown_{k,t+1}^{(i)}+\triangledown_{k,t}^{(i)}\right)\tag{6}\label{6}
\]

等式\(\ref{6}\)相比于等式\(\ref{4}\)少了\(\sum_{\tau=0}^{T-1}m^\tau\)这一项，这就导致收敛速率的降低。

在图中，等式\(\ref{4}\)会从点A优化到点B，但是由于每个节点上的本地梯度会累加，等式\(\ref{4}\)会到达点C。当梯度稀疏性很高时，那些“不重要”梯度的更新间隔\(T\)会显著增加，这就会导致模型性能的下降。为了避免上述情况，我们需要对等式\(\ref{5}\)进行动量修正，以令其与等式\(\ref{3}\)等价。如果我们等式\(\ref{3}\)中的速度\(u_t\)看成“梯度”，那么等式\(\ref{3}\)的第二项可以看成针对“梯度”\(u_t\)的标准SGD算法。因此，我们可以在局部累积速度\(u_t\)而不是实际梯度\(\triangledown_{k,t}\)从而将等式\(\ref{5}\)变成与等式\(\ref{3}\)相近的形式：

\[\begin{aligned}
u_{k,t} &= mu_{k,t-1} +\triangledown_{k,t} \\
v_{k,t} &= v_{k,t-1}+u_{k,t} \\
w_{t+1} &= w_{t}-\eta\sum_{k=1}^Nsparse(v_{k,t})
\end{aligned}\tag{7}\label{7}
\]

这里前两项是修正后的局部梯度累加，累加结果\(v_{k,t}\)用于随后的稀疏化和通信。通过对局部累加的简单修改，我们可以由等式\(\ref{7}\)推导出等式\(\ref{4}\)中的累加折扣因子\(\sum_{\tau =0}^{T-1} m^\tau\)，如图中(b)所示。注意，动量修正只对更新方程进行调整，并不会引入任何超参数。

本地梯度裁剪

梯度裁剪被广泛地用于防止梯度爆炸。该方法会在梯度的L2范数之和超过某一阈值时对梯度进行重缩放。一般地，从所有节点进行梯度聚合之后执行梯度裁剪。因为我们会在每个训练节点的每次迭代中独立地累加梯度，所以我们会在将本次梯度\(G_t\)加到前一次的累加梯度\(G_{t-1}\)之前进行梯度裁剪。如果所有\(N\)个节点具有相同的梯度分布，那么我们将阈值缩放\(N^{-\frac{1}{2}}\)。在实践中，我们发现局部梯度裁剪与标准梯度裁剪在训练中的行为非常相似，这表明我们的假设在实际数据中是有效的。正如我们将在第4节中看到的那样，动量修正和局部梯度裁剪有助于将AN4语料库中的单词错误率从14.1％降低到12.9％，而训练曲线更接近带动量的SGD。

梯度陈旧性问题

因为延迟了小梯度的更新，所以当这些更新确实发生时，它们已经变得陈旧了。在作者的实验中，当梯度稀疏度为99.9％时，大多数参数每600到1000次才迭代更新一次，这种陈旧性会降低收敛速度和模型性能。为了解决这个问题，作者使用了动量因子遮蔽和预训练等技术。

动量因子遮蔽

根据文献[1]中结论，异步SGD会产生一个隐式动量(implicit momentum)，从而导致收敛变慢。本地梯度累加跟异步GD存在相似性：不能及时更新梯度产生staleness。文献[1]发现负动量(negative momentum)能一定程度抵消隐式动量的效果，提高收敛速度。本文作者采用了一种类似的方法，如果累加梯度\(v_{k,t}\)大于阈值（即本次迭代将会进行数据传输和权重更新），那么就将\(v_{k,t}\)和\(u_{k,t}\)中对应元素清零，从而防止陈旧的动量影响模型权重的更新：

\[Mask \leftarrow |v_{k,t}| \gt thr, \quad v_{k,t}\leftarrow v_{k,t} \odot \urcorner Mask, \quad u_{k,t}\leftarrow u_{k,t}\odot \urcorner Mask
\]

预训练

在训练的早期，网络权重会迅速地变化，梯度会比较稠密。因此，在训练刚开始时，我们需要使用一个较小地学习率来减缓神经网络的权重变化速率以及增加梯度的稀疏性。这里作者说在预训练阶段按照指数速率控制梯度的稀疏性：75%、93.75%、98.4375%、99.6%、99.9%，搞不懂是怎么手动控制梯度稀疏性的。。。

参考文献

[1] Mitliagkas, Ioannis, et al. "Asynchrony begets momentum, with an application to deep learning." 2016 54th Annual Allerton Conference on Communication, Control, and Computing (Allerton). IEEE, 2016.