大规模稀疏特征模型训练

模型配置和训练

embedding被广泛应用在各种网络结构中,尤其是文本处理相关的模型。在某些场景,例如推荐系统或者搜索引擎中,embedding的feature id可能会非常多,当feature id达到一定数量时,embedding参数会变得很大,会带来两个问题:

  • 单机内存由于无法存放如此巨大的embedding参数,导致无法训练;
  • 普通的训练模式每一轮迭代都需要同步完整的参数,参数太大会让通信变得非常慢,进而影响训练速度。
    Fluid支持千亿量级超大规模稀疏特征embedding的训练,embedding参数只会保存在parameter server上,通过参数prefetch和梯度稀疏更新的方法,大大减少通信量,提高通信速度。

该功能只对分布式训练有效,单机无法使用。需要配合 稀疏更新 一起使用。

使用方法:在配置embedding的时候,加上参数 is_distributed=True 以及 is_sparse=True 即可。参数 dict_size 定义数据中总的id的数量,id可以是int64范围内的任意值,只要总id个数小于等于dict_size就可以支持。所以配置之前需要预估一下数据中总的feature id的数量。

  1. emb = fluid.layers.embedding(
  2. is_distributed=True,
  3. input=input,
  4. size=[dict_size, embedding_width],
  5. is_sparse=True,
  6. is_distributed=True)

模型存储和预测

当特征数量达到千亿的时候,参数量很大,单机已经无法存下,所以模型的存储和加载都和普通模式不同:

  • 普通模式下,参数是在trainer端保存和加载的;
  • 分布式模式下,参数的保存和加载,都是在pserver端进行,每个pserver只保存和加载该pserver自身对应部分的参数

原文: http://paddlepaddle.org/documentation/docs/zh/1.3/api_guides/low_level/distributed/large_scale_sparse_feature_training.html