【分布式计算】MapReduce的替代者-Parameter Server
首先还是要声明一下，这个文章是我在入职阿里云1个月以来。对于分布式计算的一点肤浅的认识，可能有些地方不够妥善。还请看官能够指出不足的地方，共同进步。
一.背景
随着互联网的发展，数据量的增大，非常多对于数据的处理工作（比如一些推荐系统、广告推送等）都迁移到了云端，也就是分布式计算系统上。衍生了非常多牛逼的分布式计算的计算模型。比較著名的就是MapReduce、MPI、BSP等。后来也产生了一些分布式计算系统，大家耳熟能详的Hadoop就是基于MapReduce实现的。
本文的主人公是Parameter Server，事实上也不算是新宠了，这个模型已经被提出好几年了，仅仅只是在国内还不是特别热。只是近期一些云服务巨头们開始了对于PS的深入开发和研究。
引用一位算法大神的话简单描写叙述下什么事Parameter Server：总结是一种计算模型SSP+一种分布式设计看板模式Client+Server(partitioned table)+基于算法的调度策略(Scheduler)。
可能有些同学还不太理解这句话，没关系，以下通过一个实例来介绍一下PS。
二.场景
由于我在学习PS的过程中是对比Map Reduce来学习的。所以也通过一个机器学习算法的并行计算的实例。来比較Map Reduce和PS。为了更好地突出PS的优势。这里用到的算法是一个梯度逼近最佳结果的一种算法-逻辑回归（Logical Regression）。
- 为了更好地帮大家理解这些内容。我也罗列了一些必须的知识储备：
- 1.逻辑回归算法-最好fork里面的代码看一下
2.随机梯度下降SGD
3.李沐大神实现的一个PS开源库，上面有一个论文，一定要读
4.并行逻辑回归-等会会借用里面的内容来讲
5.ps开源码站点
三.Work Flow
首先还是要补充几句。Map-Reduce在实现并行算法的过程中有它的优势，可是也有非常大的弊端。它在处理梯度问题上没有非常好的效率。这一点PS通过client+server的模式非常好的攻克了这个问题。
1.Map-Reduce处理LR
首先来看下Map-Reduce是如何解决逻辑回归（下文统一称为LR）的。
首先是map的过程，将非常大的数据切割成key-value的形式，我们在这里如果全部的数据都是稠密的。比方说你有100行数据。切割成5份。那么每一个worker就处理当中的20行数据。Reduce主要是负责统一worker的计算结果。以下详细到LR的算法实现来解说下Map-Reduce的过程。
先来看看整体的流程图：
第一步：首先是进行map阶段对于长尾数据的切割。我们如果数据是稠密非稀疏的。
逻辑回归的并行计算的数据切割，能够按行分、按列分或者行列一起分。分好的数据通过key-value的形式传到每一个worker中。相应上图的map phase阶段的worker。当然。map里也包括LR的计算逻辑，逻辑请大家看上面的资料自己学习下。切割图例如以下：
第二步：利用随机梯度（SGD）方法逼近最优解。在凸函数中LR是能够无限接近最优模型的，能够通过限定循环次数和收敛条件来实现。
这当中就有一个问题，认真研究LR的同学可能会发现。如果我们使用SGD的话。由于worker之间尽管有一定的通信机制。可是并非实时同步的。所以每一个worker并不知道对方的梯度是多少，形象的描写叙述一下就是我们能够把SGD看成一个下坡问题。
每一个worker都在往终点方向下山（收敛模型）。可是它们彼此间并不能实时协作。也就是说A不知道B爬到哪里，C不知道A爬到哪里。
传入一个路径，我就接着向下爬一点。可能会走反复的路径。所以说Map-Reduce的SGD是一种范围的梯度。每一个worker不一定一直往下走，可能走走停停甚至往后走一点，可是由于数据量巨大总是能够走到终点的。 可是这样就会浪费了非常多效率。这也就是Parameter Server重点解决的问题。
第三步：负责reduce的服务器统一出一个模型输出。
2.Parameter Server的一些机制
以下我们看下Parameter Server是怎么解决问题。首先看下PS的整体架构。PS是由client和server组成的。client相应于上文的worker，负责计算。server是负责统一全部的client它们的參数。server间是联通的。
例如以下图：
整体来看。PS的优势是通过server来协同client的输出，如上一节的下山问题，PS能够协同每一个client依照一个方向直线下山。从而提高了效率。而这当中也有非常多的技术细节须要考虑。
1）.并行化设计
PS能够运用非常多并行化的思想从而提高效率。
（1）首先在client端，计算和上传数据是採用的多线程机制，计算和传输数据在不同的线程中进行从而添加了效率。
同一时候server并非等待全部參数都上传完毕，才向下分发的。如果一个client_a计算比較慢，server能够临时不採用client_a的数据，而採用历史数据。
（2）数据上传也能够用树状结构取代直接上传，在client和server之间添加一层树状结构能够提高传输数据效率，节约server的处理资源。能够从下图的左边，变为右边。
2）.pull和push机制
首先。是在client端应该上传如何的数据。由于每一个client节点都会不停的接受和反馈数据给server。那么究竟应该push如何的数据上去呢？这个一般来讲是选择步长最长的參数。也就是最大的梯度值的參数push上去。
3）.server端的异构形式
由于每一个client仅仅处理一部分參数，server端须要将这些參数拼接起来，所以server端是一个异构的组成形式。
3.Parameter Server处理LR
上面讲了非常多PS的机制。这里详细说一下PS怎么实现LR。由于LR的输出是一个线性的回归模型。输出的结果是以下的这种式子：
z=w1*x1+w2*x2…..+w10*x2+….
我们要求的是里面的w1。w2。w3….这些參数。在PS中每一个client计算的是当中的某些△w。通过server将这些△w同步上去。然后再push下去继续迭代计算。
这种优点是对于梯度问题，每一个client能够沿着一个方向走。
后话：我的理解还非常浅。详细实现还有非常多的技术细节要敲定。部署在集群上也会出现各种问题，如：log怎么输出，有的client挂了怎么办等等。建议有空能够看下李沐的开源项目的代码。还有上面提到的一些文档。
作者微信公众号：凡人机器学习
长期分享机器学习实战相关信息。感谢关注！
本文来自博客 “李博Garvin“
转载请标明出处:http://blog.csdn.net/buptgshengod]
