分布式机器学习中，参数服务器(Parameter Server)用于管理和共享模型参数，其基本思想是将模型参数存储在一个或多个中央服务器上，并通过网络将这些参数共享给参与训练的各个计算节点。每个计算节点可以从参数服务器中获取当前模型参数，并将计算结果返回给参数服务器进行更新。
为了保持模型一致性，通常采用下列两种方法：
- 将模型参数保存在一个集中的节点上，当一个计算节点要进行模型训练时，可从集中节点获取参数，进行模型训练，然后将更新后的模型推送回集中节点。由于所有计算节点都从同一个集中节点获取参数，因此可以保证模型一致性。
- 每个计算节点都保存模型参数的副本，因此要定期强制同步模型副本，每个计算节点使用自己的训练数据分区来训练本地模型副本。在每个训练迭代后，由于使用不同的输入数据进行训练，存储在不同计算节点上的模型副本可能会有所不同。因此，每一次训练迭代后插入一个全局同步的步骤，这将对不同计算节点上的参数进行平均，以便以完全分布式的方式保证模型的一致性，即All-Reduce范式
PS架构
在该架构中，包含两个角色：parameter server和worker
parameter server将被视为master节点在Master/Worker架构，而worker将充当计算节点负责模型训练
整个系统的工作流程分为4个阶段：
- Pull Weights: 所有worker从参数服务器获取权重参数
- Push Gradients: 每一个worker使用本地的训练数据训练本地模型，生成本地梯度，之后将梯度上传参数服务器
- Aggregate Gradients：收集到所有计算节点发送的梯度后，对梯度进行求和
- Model Update：计算出累加梯度，参数服务器使用这个累加梯度来更新位于集中服务器上的模型参数
可见，上述的Pull Weights和Push Gradients涉及到通信，首先对于Pull Weights来说，参数服务器同时向worker发送权重，这是一对多的通信模式，称为fan-out通信模式。假设每个节点（参数服务器和工作节点）的通信带宽都为1。假设在这个数据并行训练作业中有N个工作节点，由于集中式参数服务器需要同时将模型发送给N个工作节点，因此每个工作节点的发送带宽（BW）仅为1/N。另一方面，每个工作节点的接收带宽为1，远大于参数服务器的发送带宽1/N。因此，在拉取权重阶段，参数服务器端存在通信瓶颈。
对于Push Gradients来说，所有的worker并发地发送梯度给参数服务器，称为fan-in通信模式，参数服务器同样存在通信瓶颈。
基于上述讨论，通信瓶颈总是发生在参数服务器端，将通过负载均衡解决这个问题
将模型划分为N个参数服务器，每个参数服务器负责更新1/N的模型参数。实际上是将模型参数分片（sharded model）并存储在多个参数服务器上，可以缓解参数服务器一侧的网络瓶颈问题，使得参数服务器之间的通信负载减少，提高整体的通信效率。
代码实现
定义网络结构：如上定义了一个简单的CNN
实现参数服务器：
class Net(nn.Module): def __init__(self): super(Net,self).__init__() if torch.cuda.is_available(): device = torch.device("cuda:0") else: device = torch.device("cpu") self.conv1 = nn.Conv2d(1,32,3,1).to(device) self.dropout1 = nn.Dropout2d(0.5).to(device) self.conv2 = nn.Conv2d(32,64,3,1).to(device) self.dropout2 = nn.Dropout2d(0.75).to(device) self.fc1 = nn.Linear(9216,128).to(device) self.fc2 = nn.Linear(128,20).to(device) self.fc3 = nn.Linear(20,10).to(device) def forward(self,x): x = self.conv1(x) x = self.dropout1(x) x = F.relu(x) x = self.conv2(x) x = self.dropout2(x) x = F.max_pool2d(x,2) x = torch.flatten(x,1) x = self.fc1(x) x = F.relu(x) x = self.fc2(x) x = F.relu(x) x = self.fc3(x) output = F.log_softmax(x,dim=1) return output
如上定义了一个简单的CNN
实现参数服务器：
class ParamServer(nn.Module): def __init__(self): super().__init__() self.model = Net() if torch.cuda.is_available(): self.input_device = torch.device("cuda:0") else: self.input_device = torch.device("cpu") self.optimizer = optim.SGD(self.model.parameters(),lr=0.5) def get_weights(self): return self.model.state_dict() def update_model(self,grads): for para,grad in zip(self.model.parameters(),grads): para.grad = grad self.optimizer.step() self.optimizer.zero_grad()
get_weights获取权重参数，update_model更新模型，采用SGD优化器
实现worker：
class Worker(nn.Module): def __init__(self): super().__init__() self.model = Net() if torch.cuda.is_available(): self.input_device = torch.device("cuda:0") else: self.input_device = torch.device("cpu") def pull_weights(self,model_params): self.model.load_state_dict(model_params) def push_gradients(self,batch_idx,data,target): data,target = data.to(self.input_device),target.to(self.input_device) output = self.model(data) data.requires_grad = True loss = F.nll_loss(output,target) loss.backward() grads = [] for layer in self.parameters(): grad = layer.grad grads.append(grad) print(f"batch {batch_idx} training :: loss {loss.item()}") return grads
Pull_weights获取模型参数，push_gradients上传梯度
训练
训练数据集为MNIST
import torch from torchvision import datasets,transforms from network import Net from worker import * from server import * train_loader = torch.utils.data.DataLoader(datasets.MNIST('./mnist_data', download=True, train=True, transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,),(0.3081,))])), batch_size=128, shuffle=True) test_loader = torch.utils.data.DataLoader(datasets.MNIST('./mnist_data', download=True, train=False, transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,),(0.3081,))])), batch_size=128, shuffle=True) def main(): server = ParamServer() worker = Worker() for batch_idx, (data,target) in enumerate(train_loader): params = server.get_weights() worker.pull_weights(params) grads = worker.push_gradients(batch_idx,data,target) server.update_model(grads) print("Done Training") if __name__ == "__main__": main()
