自动流水线-SmartStage

背景

DeepRec已经提供了stage 功能，该功能可以实现IO Bound操作和计算Bound操作在TensorFlow runtime的驱动下异步执行，从而提高整张图的执行效率。

由于tf.staged需要用户指定stage的边界，一方面会增加使用难度，另一方面会导致stage颗粒度不够精细，难以做到更多op的异步执行。因此我们提出了SmartStage功能。用户不需要对TF Graph有OP级别理解的情况下，就可以使stage发挥最大的性能提升。

功能说明

通过开启smart stage功能，自动化的寻优最大可以stage的范围，修改实际物理计算图（不影响Graphdef图），从而提高性能。

用户接口

1. 自动SmartStage(推荐)

自动SmartStage的前提是模型使用了tf.data.Iterator接口从tf.data.Dataset中读取样本数据。

tf.SmartStageOptions接口返回执行stage子图的配置，其参数如下：

参数	含义	默认
capacity	缓存的异步化执行结果的最大个数	1
num_threads	异步化执行stage子图的线程数	1
num_clients	消耗预取结果的消费者数量	1
timeout_millis	预取结果等待缓存区可用的最大等待时间，超时后本次预取结果将会被丢弃	300000 ms
closed_exception_types	被识别为正常退出的异常类型	(`tf.errors.OUT_OF_RANGE`,)
ignored_exception_types	被识别可忽略跳过的异常类型	()
use_stage_subgraph_thread_pool	是否在独立线程池上运行Stage子图，需要先创建独立线程池	False(若为True则必须先创建独立线程池)
stage_subgraph_thread_pool_id	如果开启了在独立线程池上运行Stage子图，用于指定独立线程池索引，需要先创建独立线程池，并打开use_stage_subgraph_thread_pool选项	0，索引范围为[0, 创建的独立线程池数量-1]
stage_subgraph_stream_id	GPU Multi-Stream 场景下, stage子图执行使用的gpu stream的索引	0 (0表示stage子图共享计算主图使用的gpu stream, 索引范围为[0, gpu stream总数-1])
graph	需要执行SmartStage优化的Graph，需要与传递给Session的Graph相同	None (表示使用默认Graph)
name	预取操作的名称	None (表示自动生成)

关于如何创建独立线程池以及如何使用GPU Multi-Stream，请参见流水线。

tf.SmartStageOptions接口生成的配置需要赋值给tf.ConfigProto。

sess_config = tf.ConfigProto()
smart_stage_options = tf.SmartStageOptions(capacity=40, num_threads=4)
sess_config.graph_options.optimizer_options.smart_stage_options.CopyFrom(smart_stage_options)

设置tf.ConfigProto中的如下选项来开启SmartStage。

CPU场景

sess_config = tf.ConfigProto()
sess_config.graph_options.optimizer_options.do_smart_stage = True # 开启SmartStage

GPU场景

sess_config = tf.ConfigProto()
sess_config.graph_options.optimizer_options.do_smart_stage = True # 开启SmartStage
sess_config.graph_options.optimizer_options.stage_subgraph_on_cpu = True # 针对GPU场景优化的选项

Session中加入tf.make_prefetch_hook() hook

2. 图中存在Stage阶段时的SmartStage

原图已经使用tf.staged接口手动分图。

关于tf.staged接口请参见流水线。

直接设置tf.ConfigProto中的相关选项即可开启SmartStage。 CPU场景

sess_config = tf.ConfigProto()
sess_config.graph_options.optimizer_options.do_smart_stage = True # 开启SmartStage

GPU场景

sess_config = tf.ConfigProto()
sess_config.graph_options.optimizer_options.do_smart_stage = True # 开启SmartStage
sess_config.graph_options.optimizer_options.stage_subgraph_on_cpu = True # 针对GPU场景优化的选项

Session中加入tf.make_prefetch_hook() hook

代码示例

自动SmartStage(推荐)

import tensorflow as tf

def parse_csv(value):
    v = tf.io.decode_csv(value, record_defaults=[[''], ['']])
    return v
    
dataset = tf.data.TextLineDataset('./test_data.csv')
dataset = dataset.batch(2)
dataset = dataset.map(parse_csv, num_parallel_calls=2)
dataset_output_types = tf.data.get_output_types(dataset)
dataset_output_shapes = tf.data.get_output_shapes(dataset)
iterator = tf.data.Iterator.from_structure(dataset_output_types, dataset_output_shapes)
xx = iterator.get_next()
xx = list(xx)

init_op = iterator.make_initializer(dataset)

var = tf.get_variable("var", shape=[100, 3], initializer=tf.ones_initializer())
xx[0] = tf.string_to_hash_bucket(xx[0], num_buckets=10)
xx[0] = tf.nn.embedding_lookup(var, xx[0])
xx[1]=tf.concat([xx[1], ['xxx']], axis = 0)
target = tf.concat([tf.as_string(xx[0]), [xx[1], xx[1]]], 0)

config = tf.ConfigProto()
# enable smart stage
config.graph_options.optimizer_options.do_smart_stage = True
smart_stage_options = tf.SmartStageOptions(capacity=1, num_threads=1)
config.graph_options.optimizer_options.smart_stage_options.CopyFrom(smart_stage_options)

# 对于GPU训练，可以考虑开启以下选项来获得更好的性能
# config.graph_options.optimizer_options.stage_subgraph_on_cpu = True
    
# mark target 节点
tf.train.mark_target_node([target])

scaffold = tf.train.Scaffold(
    local_init_op=tf.group(tf.local_variables_initializer(), init_op))
with tf.train.MonitoredTrainingSession(config=config, scaffold=scaffold, 
                                       hooks=[tf.make_prefetch_hook()]) as sess:
    for i in range(5):
        print(sess.run([target]))

图中存在Stage阶段时的SmartStage

import tensorflow as tf

filename_queue = tf.train.string_input_producer(['1.txt'])
reader = tf.TextLineReader()
k, v = reader.read(filename_queue)

var = tf.get_variable("var", shape=[100, 3], initializer=tf.ones_initializer())
v = tf.train.batch([v], batch_size=2, capacity=20 * 3)
v0, v1 = tf.decode_csv(v, record_defaults=[[''], ['']], field_delim=',')
xx = tf.staged([v0, v1])

xx[0]=tf.string_to_hash_bucket(xx[0],num_buckets=10)
xx[0] = tf.nn.embedding_lookup(var, xx[0])
xx[1]=tf.concat([xx[1], ['xxx']], axis = 0)
target = tf.concat([tf.as_string(xx[0]), [xx[1], xx[1]]], 0)

config = tf.ConfigProto()
# enable smart stage
config.graph_options.optimizer_options.do_smart_stage = True
# 对于GPU训练，可以考虑开启以下选项来获得更好的性能
# config.graph_options.optimizer_options.stage_subgraph_on_cpu = True

# mark target 节点
tf.train.mark_target_node([target])

with tf.train.MonitoredTrainingSession(config=config,
                                       hooks=[tf.make_prefetch_hook()]) as sess:
for i in range(5):
    print(sess.run([target]))

性能对比

CPU场景

在modelzoo中的DLRM模型中测试该功能机型为Aliyun ECS 实例 ecs.hfg7.8xlarge

Model name: Intel(R) Xeon(R) Platinum 8369HC CPU @ 3.30GHz
CPU(s): 32
Socket(s): 1
Core(s) per socket: 16
Thread(s) per core: 2
Memory: 128G

	case	global steps/sec
DLRM	w/o smart stage	201 (baseline)
DLRM	w/ smart stage	212 (+ 1.05x)

GPU场景

在modelzoo中的模型测试该功能在GPU训练场景下的性能。

机器配置：

CPU	Intel(R) Xeon(R) Platinum 8369B CPU @ 2.90GHz	64核心
GPU	NVIDIA A100 80G	单卡
MEM	492G

性能结果对比：

模型	不开启SmartStage (global steps/sec)	do_smartstage (global steps/sec)	do_smartstage_gpu (global steps/sec)
DIEN	17.1673	16.918	17.2557
DIN	137.584	132.619	165.069
DLRM	91.6982	67.735	188.105
DSSM	92.4544	83.7194	101.352
DeepFM	74.7011	62.1227	93.0858