機器學習分布式框架Ray
作者：wedo實驗君
Ray是UC Berkeley RISELab新推出的高性能分布式執行框架，具有比Spark更優異的計算性能，而且部署和改造更簡單，同時支持機器學習和深度學習的分布式訓練，支持主流的深度學習框架。
Python中文社區 （ID:python-china）
1.什么是Ray
分布式計算框架大家一定都耳熟能詳，諸如離線計算的Hadoop（map-reduce），spark， 流式計算的strom,Flink等。相對而言，這些計算框架都依賴于其他大數據組件，安裝部署也相對復雜。
在python中，之前有分享過的Celery可以提供分布式的計算。今天和大家分享另外一個開源的分布式計算框架Ray。Ray是UC Berkeley RISELab新推出的高性能分布式執行框架，具有比Spark更優異的計算性能，而且部署和改造更簡單，同時支持機器學習和深度學習的分布式訓練，支持主流的深度學習框架（pytorch，tensorflow，keras等）。
2. Ray架構
Ray的架構參見最早發布的論文Ray: A Distributed Framework for Emerging AI Applications
由上圖可知Ray主要包括：
- Node: 節點，主要是head和worker， head可以認為是Master，worker是執行任務的單元
- 每個節點都有自己的本地調度器local scheduler
- object store：一個內存對象存儲，允許Node之間進行通信
- scheduler：有兩個調度器，每個節點都有本地的調度器， 在提交任務時，Local Scheduler會判斷是否需要提交給Global Scheduler分發給其他worker來執行。
- GCS：全局狀態控制記錄了Ray中各種對象的狀態信息，可以認為是meta數據，是Ray容錯的保證
Ray適用于任何分布式計算的任務，包括分布式訓練。筆者最近是用在大量的時間序列預測模型訓練和在線預測上。
Ray目前庫支持超參數調優Ray tune， 梯度下降Ray SGD，推理服務RaySERVE, 分布式數據Dataset以及分布式增強學習RLlib。還有其他第三方庫，如下所示：
3. 簡單使用
3.1 安裝部署
- pip install --upgrade pip
- # pip install ray
- pip install ray == 1.6.0
- # ImportError: cannot import name 'deep_mapping' from 'attr.validators'
- # pip install attr == 19.1.0
3.2 單機使用
- 簡單例子 Ray 通過@ray.remote裝飾器使得函數變成可分布式調用的任務。通過函數名.remote方式進行提交任務，通過ray.get方式來獲取任務返回值。單擊情況下和多線程異步執行的方式類似。
- import time
- import ray
- ray.init(num_cpus = 4) # Specify this system has 4 CPUs.
- @ray.remote
- def do_some_work(x):
- time.sleep(1) # Replace this is with work you need to do.
- return x
- start = time.time()
- results = ray.get([do_some_work.remote(x) for x in range(4)])
- print("duration =", time.time() - start)
- print("results = ", results)
- # duration = 1.0107324123382568
- # results = [0, 1, 2, 3]
remote返回的對象的id 如ObjectRef(7f10737098927148ffffffff0100000001000000)。需要通過ray.get來獲取實際的值， 需要注意的是ray.get是阻塞式的調用，不能[ray.get(do_some_work.remote(x)） for x in range(4)]
- 注意小任務使用情況 需要注意的是ray分布式計算在調度的時候需要發費額外的時間，如調度，進程間通信以及任務狀態的更新等等，所以避免過小的任務。可以把小任務進行合并
- @ray.remote
- def tiny_work(x):
- time.sleep(0.0001) # Replace this is with work you need to do.
- return x
- start = time.time()
- result_ids = [tiny_work.remote(x) for x in range(100000)]
- results = ray.get(result_ids)
- print("duration =", time.time() - start)
- ray.put ray.put() 把一個對象放到對象存儲上，返回一個object id， 這個id可以在分布式機器上都可以調用，該操作為異步的。通過ray.get()可以是獲取。
- num = ray.put(10)
- ray.get(num)
- ray.wait 如果任務返回多個結果，ray.get()會等所有結果都完成之后才會執行后續的操作。如果多個結果執行的耗時不同，此時短板在于最長的那個任務。
這個時候可以采用ray.wait()方法，ray.wait()返回執行完畢的和未執行完畢的任務結果，執行完成的結果可以繼續后續的操作
- import random
- @ray.remote
- def do_some_work(x):
- time.sleep(random.uniform(0, 4)) # Replace this is with work you need to do.
- return
- def process_incremental(sum, result):
- time.sleep(1) # Replace this with some processing code.
- return sum + result
- start = time.time()
- result_ids = [do_some_work.remote(x) for x in range(4)]
- sum = 0
- while len(result_ids):
- done_id, result_ids = ray.wait(result_ids)
- sum = process_incremental(sum, ray.get(done_id[0]))
- print("duration =", time.time() - start, "\nresult = ", sum)
- # duration = 5.270821809768677
- # result = 6
2.3 集群部署
Ray的架構遵循master-slave的模式。Head Node 可以認為是Master，其他的Node為worker。在集群部署時，Head Node需要首先啟動ray start --head, 其他機器依次啟動worker,注意需要指定head Node的地址確定關系，ray start --address 10.8.xx.3:6379。
關閉服務，需要每一臺機器執行 ray.stop
- # To start a head node.
- #ray start --head --num-cpus=<NUM_CPUS> --num-gpus=<NUM_GPUS>
- ray start --head --node-ip-address 10.8.xx.3 --port=6379
- # To start a non-head node.
- # ray start --address=<address> --num-cpus=<NUM_CPUS> --num-gpus=<NUM_GPUS>
- ray start --address 10.8.xx.3:6379 --node-ip-address 10.8.xx.3 --num-cpus 10 --temp-dir={your temp path}
- 提交任務 任何一臺worker機器都可以提交任務， 先通過init連接Head Node就可以remote起來了。
- import ray
- ray.init(10.8.xx.3:6379)
3. 不同任務的例子
- 任務依賴 任務之間存在依賴關系，Ray和Spark一樣也是通過生成DAG圖的方式來確定依賴關系，確定可以并行跑的任務。如下圖所示zeros是可以并行跑的。
- import numpy as np
- # Define two remote functions. Invocations of these functions create tasks
- # that are executed remotely.
- @ray.remote
- def multiply(x, y):
- return np.dot(x, y)
- @ray.remote
- def zeros(size):
- return np.zeros(size)
- # Start two tasks in parallel. These immediately return futures and the
- # tasks are executed in the background.
- x_id = zeros.remote((100, 100))
- y_id = zeros.remote((100, 100))
- # Start a third task. This will not be scheduled until the first two
- # tasks have completed.
- z_id = multiply.remote(x_id, y_id)
- # Get the result. This will block until the third task completes.
- z = ray.get(z_id)
- print(z)
- 有狀態任務 上面提到的任務都是無狀態的(除依賴外)，即任務之間都是無關系的。Ray也是支持有狀態的任務成為Actor。常是在python class上加@ray.remote，ray會跟蹤每個class內部狀態的不同狀態。
- @ray.remote
- class Counter(object):
- def __init__(self):
- self.n = 0
- def increment(self):
- self.n += 1
- def read(self):
- return self.n
- counters = [Counter.remote() for i in range(4)]
- # 不斷的執行可以每個counter計數不斷增加
- [c.increment.remote() for c in counters]
- futures = [c.read.remote() for c in counters]
- print(ray.get(futures))
- # [1, 1, 1, 1]
- # [11, 11, 11, 11]
- map-reduce 任務 map-reduce任務其實可以其他分布式任務是一樣的。主要是各種聚合操作。Map-Reduce常規操作如下
- - word count例子見：https://github.com/ray-project/ray/blob/master/doc/examples/streaming/streaming.py
這里舉一個簡單的例子：
- @ray.remote
- def map(obj, f):
- return f(obj)
- @ray.remote
- def sum_results(*elements):
- return np.sum(elements)
- items = list(range(100))
- map_func = lambda i : i*2
- remote_elements = [map.remote(i, map_func) for i in items]
- # simple reduce
- remote_final_sum = sum_results.remote(*remote_elements)
- result = ray.get(remote_final_sum)
- # tree reduce
- intermediate_results = [sum_results.remote(
- *remote_elements[i * 20: (i + 1) * 20]) for i in range(5)]
- remote_final_sum = sum_results.remote(*intermediate_results)
- result = ray.get(remote_final_sum)
- 訓練模型如pytorch 官網提供了Best Practices: Ray with PyTorch, 主要是下載訓練/測試數據和訓練多個模型（感覺不是很實用）。訓練多個模型，可以進行參數融合。
參見 https://docs.ray.io/en/latest/using-ray-with-pytorch.html
4. 總結
本文分享了高效的Python分布式計算框架Ray，希望對你有幫助。總結如下：
- Ray是UC Berkeley RISELab新推出的高性能分布式執行框架， Spark也是伯克利出品的
- Ray架構關鍵：兩個調度器， Head和worker節點，GCS全局狀態控制保證計算容錯
- Ray應用簡單：@ray.remote把任務變成分布式任務， x.remote提交任務， get/wait獲取結果
- 集群不是：ray start
- Ray支持多種任務：有依賴DAG，有狀態Actor以及深度學習支持
- 不斷豐富的庫：RaySERVE， RaySGD， RayTune， Ray data，rllib
責任編輯：龐桂玉
來源：
Python中文社區
