parameter server学习

关于parameter server的学习：

https://www.zybuluo.com/Dounm/note/517675

 

机器学习系统相比于其他系统而言，有一些自己的独特特点。例如：

• 迭代性：模型的更新并非一次完成，需要循环迭代多次
• 容错性：即使在每个循环中产生一些错误，模型最终仍能收敛
• 参数收敛的非均匀性：有些参数几轮迭代就会收敛，而有的参数却需要上百轮迭代。

而且工业界需要训练大型的机器学习模型，一些广泛应用的特定的模型在规模上有两个特点：

1. 参数很大，超过单个机器的容纳的能力（大型LR和神经网络）
2. 训练数据太大，需要并行提速（大数据）

 

这篇文章讲的也很不错：

https://www.csdn.net/article/2015-05-21/2824742

 

降低网络通信开销

异步执行

灵活的数据一致性模型

 

选择性通信

缓冲与压缩

 

容灾

 

 

Efficient Communication：高效的通信

Elastic Scalability：使用一致性哈希算法

Fault Tolerance and Durability： 节点故障是不可避免的

Ease of Use：全局共享的参数可以被表示成各种形式

 

• 2.2.1 (Key,Value) Vectors
• 2.2.2 Range Push/Pull
• 2.2.3 Asynchronous Tasks and Dependency
• 2.2.4 Flexible Consistency
• 2.2.5 User-defined Filters

常用的过滤器有significantly modified filter，即只push大于某一门槛的entry。也有KKT filter，利用最优化问题的一些条件过滤掉对weights影响不大的entry。

 

2.4 实现

2.4.1 Vector Clock

2.4.3 Replication and Consistency

一致性哈希算法：即将数据按照某种hash算法映射到环上，然后将机器按照同样的hash算法映射到环上，将数据存储到环上顺时针最近的机器上。