日前，腾讯工程师以2分31秒的成绩，成功打破128卡训练ImageNet的世界纪录。与之前保持的记录相比，快了整整7秒。“我们的实力还没有完全发挥，如果改用RoCE，这个成绩可以进一步提升到2分2秒”参与其中的腾讯工程师这样说。
Tips: ImageNet在图像处理领域非常有名，它是一个已完成标注的海量数据集，也是公认的图像处理算法试金石：谁的算法用了更少的训练资源、在更短的时间内训练完ImageNet，还能得到更高的准确率，谁的算法就能排名靠前。
具体点说，腾讯工程师们在25Gbps的VPC网络环境下、使用了128块型号为V100的GPU（业内称为128卡），并借助最新研制的Light大规模分布式多机多卡训练框架，仅耗时2分31秒训练28个epoch就能识别出ImageNet内的128万张图片内容，且TOP5精度达到93%。
那么，腾讯工程师们为什么要去攻破训练ImageNet的世界纪录呢？
一个明显的感知：AI模型越来越复杂了
随着AI的广泛应用，AI模型越来越复杂了：
数据量大：号称史上最大的AI模型GPT-3光训练就使用了高达45TB的数据量，这让它在多轮训练时的数据读取成为非常耗时的环节。
计算模型复杂：深度网络的层次究竟要多深？这要看AI想要表达的特征有多丰富。当前应用广泛的CNN特征提取网络ResNet-1000，其深度已达1202层。
参数量大：深度神经网络由于层次很多，参数量也往往大得惊人，GPT-3的参数量高达1750亿个，这势必会给调参工作带来难度。
超参数范围广泛：随着模型复杂度的提升，模型中可供调节的超参数数量及数值范围也在增多。当多数超参数的取值为连续域的情况下，即使只有少量的超参数仍然可能造成组合爆炸。
训练时间长：模型越复杂对算力的需求势必越高。从2012年到2018年，业界对算力的需求增长超过2000倍 ，算力紧缺就会导致训练时间拉长。
为了缩短训练时间，各大厂商不惜堆设备增加算力，随之而来的是高额的训练成本。根据估测，训练一个GPT-3大概需要1300万美元，以至于其研究者在论文中说“我们发现了一个bug，但没钱再去重新训练，所以就先算了吧。”
AI模型训练难道只是“氪金游戏”？
腾讯想做的，
是突破AI模型训练框架性能极限
正是在这样的背景下，腾讯云联合腾讯智慧团队（化名）、腾讯云智能团队（化名）、腾讯实验室（化名）、腾讯大数据团队（化名）和香港浸会大学计算机团队（化名），以ImageNet为训练的标杆，研发出了Light大规模分布式多机多卡训练框架，这套全新的训练解决方案，在单机训练速度、多机多卡通讯优化、batch收敛等方面的多个细节上都进行了优化，可以让AI模型训练更加高效：
单机训练速度
在单机训练速度方面，腾讯工程师主要解决了1.分布式系统中访问远端存储的数据较慢 2.大量线程相互抢占资源导致CPU效率低下 3.JPEG小图片解码制约性能等问题，提升了整体训练的速度。经过优化后，单机训练每卡速度有了明显提升，以96*96*3图片大小为例，训练速度对比如下图所示：
具体技术细节如下：
①分布式系统中访问远端存储的数据较慢 ：AI训练数据一般以分布式形态进行存储，而分布式存储机器和训练机器并不在一个集群，这会导致访问远端存储的数据较慢。为此，腾讯工程师利用GPU母机的SSD盘/内存，在训练过程中为训练程序提供数据预取和缓存。
②大量线程相互抢占资源导致CPU效率低下：数据预处理时，每个进程分配的线程数是惊人的（比如，单机8卡在数据预处理时就会分配数百个线程）。大量的线程相互抢占资源会导致CPU运行效率低下等问题。于是腾讯工程师根据运行的实时信息和过往经验，自动设置最优数据预处理线程数，降低CPU切换负担，同时也让数据预处理与GPU计算并行。
③JPEG小图片解码制约性能：每个小图片虽然计算时间少，但单位时间内需要处理的数量多，也会导致CPU负载过大。经过分析后发现，其中制约性能的环节为JPEG图片解码。因此，腾讯工程师预先将数据集中的JPEG图片解码，并缓存于内存中，计算时直接加载解码数据从而加快计算。
多机多卡通讯优化
在多机扩展训练方面，以往在TCP环境下，跨机通信的数据需要从显存拷到主存，再通过CPU收发，每次计算时间短但通信时间长。为此，腾讯展开了多机多卡通讯优化，充分利用通信时的网络带宽，缩短跨机通信的时间。经过测算，优化后腾讯将训练速度上升至3100样本/秒，业界其它类似的算法速度是2608样本/秒。
具体技术细节如下：
①自适应梯度融合技术优化通信时间：将小数据块融合成大数据块，减少通信次数从而降低通信延迟、提升通信效率的方式可以减少通信时间。但在某些情况下，通信需等待所有编译优化所融合的计算完成。因此，腾讯提出了自适应梯度融合技术，根据编译优化的结果自适应的选择梯度融合的阈值，解决了这个问题。
②2D通信 多流提升带宽利用率：TCP网络下全局规约操作有很大的额外延时。针对这个问题，腾讯使用了2D通信和多流来提升网络带宽利用率。以单机有8块卡的机型为例:
2D通信在TCP网络下，8块卡可以同时做跨机通信，带宽空闲的时间少，而且每块卡做跨机通信的次数比全局规约时少得多。
多流又使得多个梯度的2D通信可以形成流水线，某个梯度在做单机内通信没有利用到网络带宽时，其它梯度的跨机通信可以填补网络带宽的间隙。
③梯度压缩通信技术减少通信量，突破带宽瓶颈：网络带宽得到充分利用之后，为进一步提高扩展性，腾讯引入了梯度压缩通信技术。减少通信量，突破带宽瓶颈。
梯度压缩通信技术流程
batch收敛问题
为了在最大程度提升训练速度的同时，最小化对精度的影响，腾讯增加了batch size，并使用了大batch调参策略、梯度压缩精度补偿、AutoML调参等方法，结果证明：腾讯工程师仅需训练 ImageNet 28个epoch，TOP5精度就能达到93%，而业界其它算法需要训练90个epoch才能达到相近的结果。
具体细节如下：
①大batch调参策略：综合考虑性能和收敛性，腾讯工程师使用了变分辨率的多阶训练：训练前期利用多个epoch的低分辨率样本快速收敛，而在训练后期使用少量epoch的高分辨率调高精度。此外，腾讯工程师还在模型、优化器、实际超参选择、损失函数上进行了诸多优化。
②梯度压缩精度补偿：在整个训练过程当中，图片大小为96*96*3时通信的时间占比最大，因此腾讯只在此时采用梯度压缩通信，对训练速度的提升最好且对精度的影响也最小。
③AutoML调参：目前，利用业界开源框架研发自动机器学习算法难、集成自研训练平台工作量大、在大规模长任务训练场景优化效果差。为此，腾讯研发了天风 (TianFeng)自动机器学习框架。它高度抽象出了自动机器学习的通用过程，能最大程度地将人力从繁琐的手工调参工作中解放。在同一模型下，工程师仅需指定搜索的超参数及其范围，即可对超参数空间进行探索并对调参思路进行快速验证。
以上多重优化点相结合，腾讯最终打破了128卡训练ImageNet的世界记录。不得不提的是，这个世界记录是基于腾讯公有云环境下创造的，目前，相关能力已集成到腾讯云智能钛机器学习平台，并广泛应用在腾讯内外部的业务。
智能钛是为 AI 工程师打造的一站式机器学习服务平台，可提供从数据预处理、模型构建、模型训练、模型评估到模型服务的全流程开发支持。它内置丰富的算法组件，支持多种算法框架，满足多种AI应用场景的需求。其自动化建模（AutoML）的支持与拖拽式任务流设计让 AI 初学者也能轻松上手。
总结
下一次挑战ImageNet榜首的算法，会有多快？尚未可知。
可以确定的是，腾讯工程师们将进一步提升机器学习平台易用性、训练和推理性能，为广大从业者提供更有力的机器学习工具。
无处不在的辛普森悖论
从0到1实现一款轻量级大数据分析系统
腾讯的组织能力是什么
