道器相融，由Angel谈一个优秀机器学习平台的自我修养

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。为此，我们对其进行了采访。

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，当时有两个大发展方向，一种是更快的SQL，一种是机器学习，涌现了很多的开源项目。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，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。希望Angel还是能把这块的空白填补上，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的任务。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，在你看来，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……都是业界的顶配。

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，惊艳的超越了同期产品。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 。