当数据较多或者模型较大时，为提高机器学习模型训练效率，一般采用多GPU的分布式训练。

按照并行方式，分布式训练一般分为数据并行和模型并行两种，模型并行：分布式系统中的不同GPU负责网络模型的不同部分。例如，神经网络模型的不同网络层被分配到不同的GPU，或者同一层内部的不同参数被分配到不同GPU；

数据并行：不同的GPU有同一个模型的多个副本，每个GPU分配到不同的数据，然后将所有GPU的计算结果按照某种方式合并。

注意，上述中的不用GPU可以是同一台机上的多个GPU，也可以是不用机上的GPU。

注：图中的Machine其实就是GPU，当然也可以指CPU，但深度学习很少采用CPU训练

当然也有数据并行和模型并行的混合模式。

注：图中的Machine其实就是GPU，当然也可以包含CPU，但深度学习很少采用CPU训练

因为模型并行各个部分存在一定的依赖，规模伸缩性差（意思是不能随意增加GPU的数量），在实际训练中用的不多。而数据并行，则各部分独立，规模伸缩性好，实际训练中更为常用，提速效果也更好。

数据并行会涉及到各个GPU之间同步模型参数，一般分为同步更新和异步更新。同步更新要等到所有GPU的梯度计算完成，再统一计算新权值，然后所有GPU同步新值后，才进行下一轮计算。异步更新，每个GPU梯度计算完后，无需等待其他GPU的梯度计算（有时可以设置需要等待的梯度个数），可立即更新整体权值，然后同步此权值，即可进行下一轮计算。同步更新有等待，异步更新基本没有等待，但异步更新涉及到梯度过时等更复杂问题。

在实际应用中，单机多卡的同步式数据并行是最常用的，在论文中最常见的训练方式是单机八卡。数据再多时，一般就需要多机多卡了。

无论是单机多卡，还是多机多卡，均是分布式训练，在horovod出现之前，使用tensorflow，一般只有官方推荐的集群训练方式。

可是tensorflow的集群训练，用起来并不轻松。

tensorflow集群的缺点

概念多，学习曲线陡峭

tensorflow的集群采用的是parameter server架构，因此引入了比较多复杂概念，罗列如下

server
client
master
cluster
parameter server
worker
job
task
replica_device_setter
master service
worker service
clone

涉及到的函数

tf.train.Server
tf.train.Supervisor
tf.train.SessionManager
tf.train.ClusterSpec
tf.train.replica_device_setter
tf.train.MonitoredTrainingSession
tf.train.MonitoredSession
tf.train.SingularMonitoredSession
tf.train.Scaffold
tf.train.SessionCreator
tf.train.ChiefSessionCreator
tf.train.WorkerSessionCreator

我反复研究过多次，还是没有彻底弄清楚，server，client，master，master service，worker service，clone，session之间的关系。大致是，在client中创建server实例，session与server一一对应，server内含master service和worker service两个服务，master service负责与外界通讯，比如sess.run一般都是告诉server的master service要开始工作了，server的master service通知同一个server的worker service去干活，worker service调动GPU运算，完成后，返回结果给master service，做权值更新，如果是多机多卡的分布式，parameter server与master service之间做梯度传递和权值同步。 https://stackoverflow.com/questions/38732502/tensorflow-master-and-worker-service

修改的代码量大

如果想把单机单卡的模型，移植到多机多卡，涉及的代码量是以天记的，慢的话甚至需要一周。

需要多台机子跑不同的脚本

tensorflow集群是采用parameter server架构的，要想跑多机多卡的集群，每个机子都要启动一个client，即跑一个脚本，来启动训练，100个机子，人就要崩溃了。

ps和worker的比例不好选取

tensorflow集群要将服务器分为ps和worker两种job类型，ps设置多少性能最近并没有确定的计算公式。

性能损失较大

tensorflow的集群性能并不好，当超过一定规模时，性能甚至会掉到理想性能的一半以下。

Horovod

由于tensorflow集群太不友好，业内也一直在尝试新的集群方案。 2017年Facebook发布了《Accurate, large minibatch SGD: Training ImageNet in 1 hour 》验证了大数据并行的高效性，同年百度发表了《Bringing HPC techniques to deep learning 》，验证了全新的梯度同步和权值更新算法的可行性。受这两篇论文的启发，Uber开发了Horovod集群方案。

约定如下：网络带宽记为：B（单位Mb/s），模型总参数数据量记为：D（单位Mb），总服务器数量记为：n，参数服务器数量记为：n_p（其中有n= n_p+ n_w）， worker服务器数量记为：n_w（其中有n= n_p+ n_w）单服务器计算一次耗时记为：T_0

梯度同步和权值更新算法

1） parameter server架构

tensorflow的集群架构是parameter server架构，数据的传导模型如下图。

则可以计算出，parameter server架构的集群方案，总耗时：

可以看出T与总节点数n基本成线性关系，但不同的参数服务器和woker服务器分配方案，总性能也将不同。假设，e表示worker服务器占比，即e=n_w/n，则可以计算出最优的e值为：

可以看出，最优worker服务器占比与模型大小、网络带宽、单机运行市场都有关系，并不是一个一眼能最优值得超参数。

2）horovod的ring-allreduce算法

百度2017年发表的《Bringing HPC techniques to deep learning 》中，采用了全新的梯度同步和权值同步算法，叫做ring-allreduce。此种算法各个节点之间只与相邻的两个节点通信，并不需要参数服务器。因此，所有节点都参与计算也参与存储。一次权重更新，主要包含两个过程， 1）累计梯度将所有梯度分为n个片段，每次只与相邻节点传递1个片段的梯度，n-1次后，每一片段的梯度都完成了所有节点这一片段梯度的累计，但不用片段的累计值分布在不同节点上。如下图的第2、第3步； 2）将累计后的梯度分发到所有节点将第一步累计的梯度再次通过n-1次的相互交换后，所有节点的梯度完成同步。如下图的第4、第5步。再平均后，更新权重，就完成了所有节点权重的更新。

可以计算出ring-allreduce算法的总耗时为：

可以看出，总耗时基本与总节点数n成线性关系（n较大时，1/n基本为0）

Horovod的梯度同步和权值同步就采用了ring-allreduce算法。

概念

horovod的数据传递是基于MPI，因此其涉及的概念也是MPI中的概念。以4个服务器，每个服务器4个GPU为例，

size 进程数量，也即所有GPU数量，为16
rank 进程的唯一ID，0-15
local rank 每一个server中的进程的本地唯一ID，0-3
allreduce 累加所有数据，并同步到所有节点的操作，如下图

allgather 收集所有数据，并同步到所有节点的操作，完成后每个节点都包含所有节点的数据，并且这些数据单独存在。如下图。

broadcast 将数据（需要由根节点确认）从一个节点传播到其他所有节点的操作

大概就这么多概念，简单清晰。

将单机单卡改为多机多卡

将一个只支持单机单卡的训练脚本修改为支持多机多卡的训练脚本，以tensorflow为例，只需要做如下改动：

import tensorflow as tf
import horovod.tensorflow as hvd


# Initialize Horovod
hvd.init()

# Pin GPU to be used to process local rank (one GPU per process)
config = tf.ConfigProto()
config.gpu_options.visible_device_list = str(hvd.local_rank())

# Build model...
loss = ...
opt = tf.train.AdagradOptimizer(0.01 * hvd.size())

# Add Horovod Distributed Optimizer
opt = hvd.DistributedOptimizer(opt)

# Add hook to broadcast variables from rank 0 to all other processes during
# initialization.
hooks = [hvd.BroadcastGlobalVariablesHook(0)]

# Make training operation
train_op = opt.minimize(loss)

# Save checkpoints only on worker 0 to prevent other workers from corrupting them.
checkpoint_dir = '/tmp/train_logs' if hvd.rank() == 0 else None

# The MonitoredTrainingSession takes care of session initialization,
# restoring from a checkpoint, saving to a checkpoint, and closing when done
# or an error occurs.
with tf.train.MonitoredTrainingSession(checkpoint_dir=checkpoint_dir,
                                       config=config,
                                       hooks=hooks) as mon_sess:
  while not mon_sess.should_stop():
    # Perform synchronous training.
    mon_sess.run(train_op)

可以看出，改动不大，只需添加10行左右的代码，主要分为6步：

1）初始化horovod

hvd.init()

2）一个GPU与一个进程绑定

config = tf.ConfigProto()
config.gpu_options.visible_device_list = str(hvd.local_rank())

3）根据总GPU数量放大学习率

opt = tf.train.AdagradOptimizer(0.01 * hvd.size())

因为BatchSize会根据GPU数量放大，所以学习率也应该放大

4）使用hvd.DistributedOptimizer封装原有的optimizer

opt = hvd.DistributedOptimizer(opt)

分布式训练涉及到梯度同步，每一个GPU的梯度计算仍然由原有的optimizer 计算，只是梯度同步由hvd.DistributedOptimizer负责。

5）广播初始变量值到所有进程

hooks = [hvd.BroadcastGlobalVariablesHook(0)]

主要为了确保所有进程变量初始值相同

6）只在worker 0上保存checkpoint

checkpoint_dir = '/tmp/train_logs' if hvd.rank() == 0 else None

防止checkpoint保存错乱

horovod只是需要改动必要改动的，不涉及parameter server架构的device设置等，繁琐的操作。

起训练

在单机4卡的机上起训练，只需执行以下命令:

horovodrun -np 4 -H localhost:4 python train.py

在4机，每机4卡的机子上起训练，只需在一个机子上执行以下命令即可：

horovodrun -np 16 -H server1:4,server2:4,server3:4,server4:4 python train.py

注意无论是单机多卡，还是多机多卡，都只需在一个机子上执行一次命令即可，其他机horovod会用MPI启动进程和传递数据。

性能对比

horovod随着规模增大，性能损失远小于tensorflow，基本是线性增加的。

结论

通过tensorflow集群的人，会深刻体会到horovod有多好用，感谢百度、Facebook和Uber让深度学习更美好。

不过，也要注意到，horovod的分布式貌似只支持同步更新式的数据并行，模型并行和异步更新式的数据并行，我没有尝试过，根据ring-allreduce算法可知，应该是不支持的。