共计 4397 个字符，预计需要花费 11 分钟才能阅读完成。
vivo 互联网产品团队 – Wang xiao
随着广告和内容等举荐场景的扩大，算法模型也在一直演进迭代中。业务的一直增长，模型的训练、产出迫切需要进行平台化治理。vivo 互联网机器学习平台次要业务场景包含游戏散发、商店、商城、内容散发等。本文将从业务场景、平台性能实现两个方面介绍 vivo 外部的机器学习平台在建设与实际中的思考和优化思路。
一、写在后面
随着互联网畛域的疾速倒退，数据体量的成倍增长以及算力的继续晋升，行业内都在鼎力研发 AI 技术，实现业务赋能。算法业务往往专一于模型和调参，而工程畛域是绝对单薄的一个环节。建设一个弱小的分布式平台，整合各个资源池，提供对立的机器学习框架，将能大大放慢训练速度，晋升效率，带来更多的可能性，此外还有助于晋升资源利用率。心愿通过此文章，初学者能对机器学习平台，以及生产环境的复杂性有肯定的意识。
二、业务背景
截止 2022 年 8 月份，vivo 在网用户 2.8 亿，利用商店日沉闷用户数 7000 万 +。AI 利用场景丰盛，从语音辨认、图像算法优化、以及互联网常见场景，围绕着利用商店、浏览器、游戏核心等业务场景的广告和举荐诉求持续上升。
如何让举荐零碎的模型迭代更高效，用户体验更好，让业务场景的成果更佳，是机器学习平台的一大挑战，如何在老本、效率和体验上达到均衡。
从下图能够理解到，整个模型加工使用的场景是串行可闭环的，对于用户的反馈须要及时进行特色更新，一直晋升模型的成果，基于这个链路关系的根底去做效率的优化，建设一个通用高效的平台是要害。
三、vivo 机器学习平台的设计思路
3.1 功能模块
基于上图业务场景的链路关系，咱们能够对业务场景进行归类，依据性能不同，通用的算法平台可划分为三步骤：数据处理「对应通用的特色平台，提供特色和样本的数据撑持」、模型训练「对应通用的机器学习平台，用于提供模型的训练产出」、模型服务「对应通用的模型服务部署，用于提供在线模型预估」，三个步骤都可自成体系，成为一个独立的平台。
本文将 重点论述模型训练局部，在建设 vivo 机器学习平台过程中遇到的挑战以及优化思路。
1. 数据处理，围绕数据相干的工作，包含采集、加工、标记和存储。
其中，采集、加工、存储与大数据平台的场景相吻合，标记场景是算法平台所独有的。
- 数据采集，即从内部零碎取得数据，应用 Bees{vivo 数据采集平台}来采集数据。
- 数据加工，行将数据在不同的数据源间导入导出，并对数据进行聚合、荡涤等操作。
- 数据标记，是将人类的常识附加到数据上，产生样本数据，以便训练出模型能对新数据推理预测。
- 数据存储，依据存取的特点找到适合的存储形式。
2. 模型训练，即创立模型的过程，包含特色工程、试验、训练及评估模型。
- 特色工程，即通过算法工程师的常识来挖掘出数据更多的特色，将数据进行相应的转换后，作为模型的输出。
- 试验，即尝试各种算法、网络结构及超参，来找到可能解决以后问题的最好的模型。
- 模型训练，次要是平台的计算过程，平台可能无效利用计算资源，进步生产力并节省成本。
3. 模型部署，是将模型部署到生产环境中进行推理利用，真正施展模型的价值。
通过一直迭代演进，解决遇到的各种新问题，从而放弃在较高的服务水平。
4. 对平台的通用要求，如扩大能力，运维反对，易用性，安全性等方面。
因为机器学习从钻研到生产利用处于疾速倒退变动的阶段，所以框架、硬件、业务上灵便的扩大能力显得十分重要。任何团队都须要或多或少的运维工作，杰出的运维能力能帮忙团队无效的治理服务质量，晋升生产效率。
易用性 对于小团队上手、大团队中新人学习都十分有价值，良好的用户界面也有利于深刻了解数据的意义。
安全性 则是任何软件产品的重中之重，须要在开发过程中尽可能躲避。
3.2 模型训练相干
模型训练包含了两个次要局部，一是算法工程师进行试验，找到对应场景的最佳模型及参数，称之为“模型试验 ”，二是计算机训练模型的过程，次要偏重平台反对的能力，称之为“ 训练模型”。
建模是算法工程师的外围工作之一。建模过程波及到很多数据工作，称为特色工程，次要是调整、转换数据。次要工作是要让数据施展出最大的价值，满足业务诉求。
3.2.1 模型试验
特色工作和超参调整是建模过程中的外围工作。特色工作次要对数据进行预处理，便于这部分输出模型的数据更好的表白信息，从而晋升模型输入后果的品质。
数据和特色工程决定模型品质的下限，而算法和超参是有限迫近这个下限。
超参调整包含抉择算法、确认网络结构、初始参数，这些依赖于算法工程师丰盛的教训，同时须要平台反对试验来测试成果。
特色工程和超参调整是相辅相成的过程。加工完特色后，须要通过超参的组合来验证成果。成果不现实时，须要从特色工程、超参两个方面进行考虑、改良，重复迭代后，能力达到现实的成果。
3.2.2 训练模型
可通过标准化数据接口来进步疾速试验的速度，也能进行试验成果的比拟。底层反对 docker 操作系统级的虚拟化计划，部署速度快，同时能将模型间接部署上线。用户无需对训练模型进行更多定制化的操作，批量提交工作能节约使用者的工夫，平台能够将一组参数组合的试验进行比拟，提供更敌对的应用界面。
其次，因为训练的方向较多，须要算力治理主动布局工作和节点的调配，甚至能够依据负载状况，正当利用闲暇资源。
四、vivo 机器学习平台实际
后面咱们介绍了机器学习平台的背景和倒退方向，当初咱们来介绍下，平台在解决用户问题局部的困扰和解决思路。
4.1 平台能力矩阵
机器学习平台次要指标是围绕模型训练进行深耕，并辅助用户进行模型决策，更快的进行模型部署。
以此为指标分为两个方向，训练框架的优化可能撑持大规模模型的分布式计算，调度能力优化可能反对批次模型的执行。
在调度能力上，平台由原生 k8s 调度，单个训练调度的效率较低，降级为 kube-batch 批量调度，到以混合云精细化编排为指标，以后次要处于灵活性调度策略的模式。
在训练框架上，从原生 Tensorflow 模型，随着特色和样本规模的扩充，自研了超大规模的训练框架 vlps，以后处于 TensorFlow+vlps 联合的新框架状态。
4.2 平台能力介绍
平台能力建设次要围绕模型试验和训练模型的使用，使用过程中遇到的痛点和难点如何解决，是咱们在实践中的要害。同时，训练框架也是平台要害能力的体验，基于业务的复杂度，继续对框架进行优化。
已笼罩公司外部算法工程师模型调试的工作，已达到亿级样本，百亿特色的规模。
4.2.1 资源管理
痛点：
机器学习平台属于计算密集型的平台。
- 业务场景不同，是否齐全依照业务分组进行资源划分；
- 资源池划分过小，会导致资源利用率低且没方法满足业务激增的资源诉求；
- 资源不足以满足业务诉求时，会存在排队状况导致模型更新不及时；
- 如何治理好算力，提效与降本的均衡，是平台资源管理的一个外围问题。
解决思路：
资源管理的基本思路是将所有计算资源集中起来，按需分配，让资源使用率尽量靠近 100%。任何规模的资源都是有价值的。
比方，一个用户，只有一个计算节点，有多条计算工作时，资源管理通过队列可缩小工作轮换间的闲暇工夫，比手工启动每条计算工作要高效很多。多计算节点的状况，资源管理能主动布局工作和节点的调配，让计算节点尽量都在应用中，而不须要人为布局资源，并启动工作。多用户的状况下，资源管理能够依据负载状况，正当利用其它用户或组的闲暇资源。随着节点数量的减少，基于无限算力提供更多业务反对是必经之路。
1. 以配额限资源滥用：
新增配额组和集体配额，缩小业务之间的互相烦扰，尽可能满足各组的资源须要，并且配额组反对长期扩容和共享，解决偶发性激增的资源诉求；限额后用户仅反对在无限资源下应用，让用户自我调节高优先级训练。
2. 以调度促资源优化：
新增生产环境，确认模型曾经失常迭代，在正当利用率的状况下切换至高优环境，提供更高性能的资源池；同时提供调度打分机制，围绕资源颗粒度、配置合理性等维度，让正当的训练资源更快的拉起，缩小调度卡住状况；
上线多维度调度打分机制后，平台不合理训练任务有大幅度降落，资源效率晋升。
围绕并不限于以下维度：最大运行时长、排队时长、cpu& 内存 &gpu 颗粒度和总需求量等。
4.2.2 框架自研
痛点：
随着样本和特色规模减少后，框架的性能瓶颈凸显，须要晋升推理计算的效率。
倒退门路：
每一次的倒退门路次要基于业务量的倒退，寻求最佳的训练框架，框架的每一次版本升级都打包为镜像，反对更多模型训练。
以后成果：
4.2.3 训练治理
痛点：
如何反对多种分布式训练框架，满足算法工程师的业务诉求，让用户无需关怀底层机器调度和运维；如何让算法工程师疾速新建训练，执行训练，可查看训练状态，是训练治理的要害。
解决思路：
上传代码至平台的文件服务器和 git 都能够进行读取，同时在平台填写适量的参数即可疾速发动分布式训练任务。同时还反对通过 OpenAPI，便于开发者在脱离控制台的状况下也能实现机器学习业务。
围绕训练模型相干的配置信息，分为根底信息设置、资源信息设置、调度依赖设置、告警信息设置和高级设置。在试验超参的过程中，常常须要对一组参数组合进行试验。
批量提交工作能节约使用者工夫。平台也能够将这组后果间接进行比拟，提供更敌对的界面。训练读取文件服务器或 git 的脚本，即可疾速执行训练。
1. 可视化高效创立训练
2. 精确化疾速批改脚本
3. 实时化监控训练变动
4.2.4 交互式开发
痛点：
算法工程师调试脚本老本较高，算法工程师和大数据工程师有在线调试脚本的诉求，可间接通过浏览器运行代码，同时在代码块下方展现运行后果。
解决思路：
在交互式工具中进行试验、开发，如：jupyter notebook，提供所见即所得的交互式体验，对调试代码的过程十分不便。
在交互试验的场景下，须要独占计算资源。机器学习平台须要提供能为用户保留计算资源的性能。如果计算资源无限，可对每个用户申请的计算资源总量进行限度，并设定超时工夫。
例如，若一周内用户没有进行资源应用后，就发出保留资源。在发出资源后，可持续保留用户的数据。从新申请资源后，可能还原上次的工作内容。在小团队中，尽管每人保留一台机器本人决定如何应用更不便，然而用机器学习平台来对立治理，资源的利用率能够更高。团队能够聚焦于解决业务问题，不用解决计算机的操作系统、硬件等呈现的与业务无关的问题。
五、总结
目前 vivo 机器学习平台撑持了互联网畛域的算法离线训练，使算法工程师更关注于模型策略的迭代优化，从而实现为业务赋能。将来咱们会在以下方面持续摸索：
1. 实现平台能力的贯通
- 以后特色、样本还是模型的读取都是通过 hdfs 实现的，在平台上的告警、日志信息都未关联上，后续能够进行平台能力贯通；
- 平台的数据和模型还有标准化的空间，升高学习老本，晋升模型开发的效率。
2. 增强框架层面的预研
- 钻研不同分布式训练框架对模型成果的影响，适配不同的业务场景；
- 提供预置的参数，实现算法、工程、平台的解耦，升高用户的应用门槛。
