AI框架中的数据处理
在构建深度学习模型时，数据处理是我们最先面临的挑战。任务开始之前，由于数据量受限，或者为了得到更好的结果，通常需要进行数据增强操作，来获得能使网络受益的数据输入。典型的训练数据处理流程如下所示：
指从各种异构存储中将训练数据加载到内存中，加载时涉及数据的访问、解析等处理。
训练一般是多个epoch，通过shuffle打乱数据集不同epoch的数据排序，防止训练过拟合。如果数据集支持随机访问，则只需按不同顺序随机选择数据就可以非常有效地进行混洗shuffle。如果数据集不支持随机访问，那么一个子集的数据可以加载到一个特殊的混洗缓冲区shufflebuffer中。
完成训练数据的处理，包括像类数据增强、Text类分词等处理。其中，数据增强是一种创造有着不同方向的“新”数据的方法，一是从有限数据中生成“更多数据”，二是防止过拟合。
训练时一般都是使用mini-batch的方式，即一个批次训练少量数据；batch算子负责构造一个批次的数据发送给训练。
可以通过repeat的方式增加训练的总数据量；一次repeat就是加载一遍整个训练集。
模型在进行推理时，同样会涉及到数据处理，典型的过程如下所示：
推理过程的数据处理，将一张片进行解码、缩放、中心截、归一化、通道变换等操作后，送入模型中进行推理并得到结果。与训练相比，推理时的数据转换基本一致，不同的是推理时一般加载单样本进行处理，而非数据集。本文将重点分析AI框架在数据处理时面临的挑战以及MindSpore的解决思路。
难点与挑战
1数据处理的高效性
当前各AI框架的数据处理主要利用CPU运算，训练则利用GPU/AI芯片，两者是并行的。理想情况下，应该在每轮迭代开始前，就准备好完成增强之后的数据，保持训练过程持续地进行。然而在实际的训练中，很多时候数据处理成为了阻碍性能提升的瓶颈：或是因为从存储中读取数据的速度不足，或是因为数据增强操作效率过低。
根据黄氏定律，GPU/AI芯片的算力每一年会提升一倍，相比于即将失效的摩尔定律，AI芯片的算力提升速度会远大于CPU。模型迭代计算效率的不断提升，对数据处理也提出了更高的要求：数据处理过程必须足够高效，才能够避免GPU/AI芯片因为等待训练数据而空闲。
2数据处理的灵活性
数据处理的灵活性挑战主要体现在以下两个方面：
数据集种类繁多，难以统一
目前已知常用的开源数据集有几百种，每种由不同的组织/机构来产生，有各自的格式与组织方式。根据深度学习任务的不同，每种类型的输入也有自身的特点。以像为例，其包含类型、长、宽、大小等属性信息，每张训练像被标记成某一个类别，这些像及其对应类别的列表数据被用来进行分类等训练；以音频为例，通过训练可以直接将语音转换为文字，进一步作为智能AI的输入，完成语义理解及指令性操作。
在数据集加载时，如何支持种类繁多的像、文本、音频、视频格式，屏蔽IO差异并将其映射到内存结构中进行下一步处理，是AI框架重点需要解决的问题。
数据增强算法非常灵活
例如CV类场景，像作为网络的输入，需要保证一定的一致性，也需要有一定的泛化能力，才能使训练得到的模型具有更好的精度。研究已经证明，采用不同的数据处理逻辑，训练得到的模型精度会有明显的不同。
以resnet50和ssd为例，数据处理过程对比如下：
其中既涉及到经典的数据处理逻辑，又包含了用户自定义的处理过程。AutoML和动态shape等场景，也对数据处理的灵活性提出了更高要求。提供更多、更灵活的数据处理机制，也是框架需要重点考虑的。
3端云统一
训练导出的模型，在推理时如何高效进行数据处理：
网络训练生成的模型文件中，记录了训练时的计算及权重信息，但是数据处理过程往往没有统一存储到模型中，这就导致AI工程师在使用模型进行推理时，需要重新编写数据处理代码，十分不便。
端侧资源受限，需要提供更轻量化的数据处理方式
在端侧场景下，CPU和内存资源往往比较少，在提供数据处理的能力时，要求API尽可能简单、轻便，以最少的资源占用获得最快的执行效率。需要AI框架提供的库尽可能的小。使用云化场景提供的数据处理机制就不是特别适用。如何在不同的场景下提供最合适的数据处理方法是AI框架面临的挑战。
典型的云侧场景与端侧场景资源对比如下：
MindSpore设计思考
1设计目标与思路
MindSpore的设计中，充分考虑了数据处理的高效性、灵活性以及在不同场景下的适配性。整个数据处理子系统分为以下模块：
API：数据处理过程在MindSpore中以的形式表示，称为“数据”。MindSpore对外提供PythonAPI来定义数据，内部实现优化和执行。
整个数据加载和预处理的流程实现为多步并行流水线，包括：
Adaptor：将上层语言构建的数据，转换为下层可执行的C++数据
Optimizer：数据优化器
Runtime：运行优化后Executiontree的执行引擎
数据集算子：Executiontree中的某个节点，对应数据处理流水线中的一步具体操作，比如从文件夹加载训练数据的ImageFolder算子，做各种数据增强的Map算子，Repeat算子等。
数据增强算子：也可称为tensor算子，是对某个tensor变换的，比如Decode，Resize，Crop，Pad等，通常是被datasetoperator中的Map算子调用。
2极致的处理性能
▽多段pipeline流水线
相比于业界其他框架，MindSpore采用了多段并行流水线的方式来构建数据处理pipeline。这种架构一方面可以更加细粒度地规划CPU等计算资源的使用，另一方面天然支持各段使用异构硬件进行流水处理，从而提高数据处理过程的吞吐量。如上所示，每个数据集算子都包含一个输出Connector：由一组阻塞队列和计数器组成的保序缓冲队列。每当一个数据集算子完成一块缓存数据的处理，这个算子会将这块缓存推送到自身的输出Connector。下游的数据集算子会从上游的输出Connector里取出缓存进行后续处理。这种机制的优势包括：
数据集加载、map、batch等操作以任务调度机制来驱动，每个操作的任务互相独立，上下文通过Connector来实现Pipeline；
每个操作均可以实现细粒度的多线程/多进程并行加速。数据框架为用户提供调整算子线程数/多进程处理的接口，可以灵活控制各个节点的处理速度，进而实现整个数据处理Pipeline性能最优；
Connector支持用户对其大小进行设置，在一定程度上可以有效的控制内存的使用率，适用于不同网络对于数据处理速度的要求。
在这种数据处理机制下，对输出数据进行保序处理是保证训练精度的关键。保序意味数据处理流水线运行时，同样顺序的原始数据输入，需要保证数据处理完成后，得到同样顺序的数据输出。MindSpore采用轮询算法来保证多个线程数据处理的有序性：
在上面的数据处理pipeline示例中，保序操作发生在下游map操作的取出操作中，其以轮询的方式取出上游队列中的数据。Connector内部有两个计数器expect_consumer_记录已经有多少个consumer从queues_中取了数据，pop_from_记录了哪个内部阻塞队列将要进行下一次取出。expect_consumer_以consumer个数取余，而pop_from_以producer个数取余。在expect_consumer_再次为0时，说明所有的local_queues_已经都处理上一批任务，然后继续下一批任务分配及处理，进而实现了上游至下游map操作的多并发保序处理。
▽数据处理与计算过程pipeline
数据pipeline会不断地进行数据处理，并把处理后的数据发送到device侧的缓存；当一个step执行结束后，会直接从device的缓存中读取下一个step的数据。
数据处理：负责将数据集处理成网络需要的输入，并传递给发送队列中，保证数据处理的高效取可；
发送队列Queue：维护数据列队，保证数据处理与网络计算过程互不影响，实现桥梁的作用；
网络计算：从发送队列中获取数据，用于迭代训练。
以上三者各司其职，相互独立，构筑整个训练过程中Pipeline。这样，只要数据队列不为空，模型训练就不会因为等待训练数据而产生瓶颈。
▽缓存技术
当数据集的size较大时，无法全部加载到memorycache，此时训练中的部分数据需要从磁盘读取，可能会遇到I/O瓶颈，增大每个epoch的cache命中率就显得尤为关键。传统的缓存管理策略采用LRU策略，没有考虑深度学习数据的读取特点：在不同的epoch之间数据是重复读取的，而在同一个epoch中随机读取。每条数据的读取概率都是相同的，因此哪个数据被缓存并不是最重要的，已经cache的数据在被使用之前不被换出更加重要。针对这个特点，我们使用了一个简单高效的缓存算法：数据一旦被缓存，就不会从cache中被换出。
在数据优化的过程中，会根据流水线结构自动生成缓存算子，既可以缓存原始数据集，也可以缓存数据增强处理后的结果。
3灵活的定制能力
整个数据处理pipeline中，用户往往需要特定的处理逻辑，这些处理逻辑有其特殊性，无法固化到框架中。框架需要具备开放的能力，让用户能够定制不同的数据处理逻辑。MindSpore提供了灵活的数据集加载方式、丰富的数据处理算子、自动数据增强、数据动态Shape、数据处理Callback等机制等供开发人员在各种场景使用。
▽灵活的数据集加载方式
针对数据集种类繁多、格式与组织各异的难题，MindSpore提供了三种不同的数据集加载方式：
如果用户使用常用数据集，那么可以使用MindSpore内置的API接口直接进行加载。MindSpore实现了包括CelebADataset、Cifar10Dataset、CocoDataset、ImageFolderDataset、MnistDataset、VOCDataset等数据集的C++IOReader加载，在保证性能的同时实现了数据集的开箱即用。
用户将数据集转换为MindSpore数据格式，即MindRecord，然后通过MindSpore的API进行加载。MindRecord可以将不同的数据集格式归一化，有聚合存储、高效读取、快速编解码、灵活控制分区大小等多种优势。
▽通过Python层自定义、C层插件的方式支持更多算子
MindSpore内置了丰富的数据处理算子。这些算子可以分为C层以及Python层，C层算子能提供较高的执行性能；Python层算子可以很方便集成第三方包完成数据处理的功能，但是性能较低，好处是易开发易使用。MindSpore支持用户扩展自定义的数据处理算子，用户可以开发C层算子代码，编译后以插件的形式注册到MindSpore的数据处理中进行调用。
▽支持自动数据增强策略
MindSpore提供了基于特定策略自动对像进行数据增强处理的机制：通过基于概率或者回调参数的数据增强策略，可以实现算子自动选择执行，达到训练精度提升的目的。
例如对ImageNet数据集，自动数据增强最终搜索出的方案包含25个子策略组合，每个子策略包含两种变换，针对每幅像都随机的挑选一个子策略组合，然后以一定的概率来决定是否执行子策略中的每种变换。
这些策略包括：
RandomSelectSubpolicy-多批概率算子，随机选择其中一批执行
RandomChoice-多个算子选择其中一个执行
RandomApply-基于某个概率执行这批算子
通过自动数据增强操作，在ImageNet数据集上可以提升1%左右的训练精度。
▽支持动态shape
MindSpore通过per_batch_map支持用户自定义控制输出不同Shape的训练数据，满足网络需要基于不同场景调整数据Shape的诉求。
用户自定义数据Shape生成逻辑udf，如：第n个step生成shape为的数据；
通过batch将第一步定义的逻辑生效，最终得到不同Shape训练数据。
▽Callback机制让数据处理更加灵活
通过callback机制实现根据训练结果动态调整数据增强的逻辑，为数据增强过程提供更灵活的操作。
MindSpore支持用户基于数据处理提供的DSCallback实现自己的数据增强逻辑UDF，并将其添加至map操作中，以实现更灵活的数据增强操作。
4端云统一架构
▽数据与计算的统一
MindIR是MindSpore基于表示的函数式IR，其最核心的目的是服务于自动微分变换。自动微分采用的是基于函数式编程框架的变换方法，因此IR采用了接近于ANF函数式的语义。
推理数据典型的场景为：数据集样本大小缩放、中间截、归一化、通道变换。
我们将推理数据以子的方式保存至生成的模型文件中，那么在推理时，可以通过统一的接口加载模型中数据处理流程，自动进行数据处理得到模型需要的输入数据，简化用户的操作，提升易用性。
▽轻量化的数据处理
云侧训练时，可以被使用的资源往往比较充裕，数据处理Pipeline在运行过程中是会占用比较多系统资源，以ImageNet为例，训练过程中CPU占用20%，内存占用30-50G，这显然在端侧是不可被接收的，并且数据处理Pipeline在初始化时启动会慢些，这也不适用于端侧需要快速启动、多次训练/推理的前提条件。故：MindSpore基于现有数据处理算子，提供一套更轻量化、更适用于端侧的API，解决云化场景数据处理Pipeline不适用于端侧的问题。
MindSpore基于Pipeline调整架构，支持数据处理单算子独立使用，支持各种场景推理，提供给AI开发人员更大的灵活性；将Pipeline轻量化，实现基于PullBase的轻量化pipeline，减少资源占用并且处理速度快。
通过上述两种方法，MindSpore保证了统一的数据处理架构支撑多种不同的应用场景。
未来计划
在未来，MindSpore将继续完善数据处理的易用性，提供更丰富的算子和内置数据集。与此探索大规模数据处理的加速技术，包括：
资源自适应分配
当前各数据增强算子使用的处理线程数目由用户手工配置，对用户的调优经验要求极高。通过自适应判断Pipeline瓶颈，由框架给各个数据增强算子合理分配CPU资源，可以在训练过程中动态优化数据处理性能，免去用户繁琐的调优过程。
异构硬件加速
当前的数据处理Pipeline操作在CPU执行，一旦出现瓶颈，带来AI芯片/GPU等待空闲，用户无法充分利用所有硬件的计算能力。MindSpore期望构建用户无感知的异构硬件资源调度能力：通过监测硬件资源使用，完善Ascend/GPU上的数据处理算子，采用代价模型自适应地将数据处理任务调度至合适的资源，实现异构硬件的充分利用。
分布式缓存
当前如GPT-3等网络的训练需要使用超大规模数据集，这些数据难以在本地存储，直接从OBS读取会受网络IO限制而影响性能。与此在AutoML场景下，用户经常在集群中运行同一类模型的多个作业，每个作业独立进行数据加载和处理效率极低。MindSpore期望构建分布式缓存能力，加速这些场景下的数据处理。
MindSpore官方资料
官方QQ群:486831414
文章为作者独立观点，不代表 股票程序化软件自动交易接口观点
相关文章
股民评论