NVIDIA Merlin HugeCTR（以下簡稱 HugeCTR）是 GPU 加速的推薦框架，旨在在多個(gè) GPU 和節(jié)點(diǎn)之間分配訓(xùn)練并估計(jì)點(diǎn)擊率（Click-through rate）。作為一個(gè)開源框架，HugeCTR 能夠優(yōu)化 NVIDIA GPU 上的大規(guī)模推薦。近期，HugeCTR 發(fā)布了 v4.3 版本，讓我們一同了解一下此次更新的詳細(xì)內(nèi)容！

新增內(nèi)容

HugeCTR 第三代 Embedding 更新：

• 第三代 Embedding 功能優(yōu)化：自從在 v3.7 中引入新一代 HugeCTR Embedding 以來，進(jìn)行了一些更新和優(yōu)化，包括代碼重構(gòu)以提高可用性。此版本的增強(qiáng)功能如下：

• EmbeddingPlanner 類替換為 EmbeddingCollectionConfig 類。有關(guān) API 的示例，請參閱 test/embedding_collection_test 目錄。

• 優(yōu)化了一些 API ，以支持訓(xùn)練過程中模型導(dǎo)入和導(dǎo)出。這些方法是 Model.embedding_dump(path: str, table_names: list[str]) 和 Model.embedding_load(path: str, list[str])。路徑參數(shù)是文件系統(tǒng)中的一個(gè)目錄，您可以將模型權(quán)重存儲(chǔ)到該目錄或從中加載權(quán)重。table_names 參數(shù)是 Embedding 表名的列表。

圖 1：HugeCTR 分層參數(shù)服務(wù)器（HPS）架構(gòu)

HugeCTR 分層參數(shù)服務(wù)器（HPS）更新：

• RedisClusterBackend 現(xiàn)在支持 TLS/SSL 通信。相關(guān)示例代碼，請參閱分層參數(shù)服務(wù)器演示筆記本。該筆記本更新了分步說明，向您展示如何設(shè)置 HPS 以使用帶（和不帶）加密的 Redis。同時(shí)， 易失性數(shù)據(jù)庫參數(shù) 文檔對 enable_tls、tls_ca_certificate、tls_client_certificate、tls_client_key 和 tls_server_name_identification 等參數(shù)進(jìn)行了更新。

• 對 Embedding 緩存添加了靜態(tài)表支持。當(dāng) Embedding 表可以完全放在 GPU 內(nèi)存中時(shí)，靜態(tài)表是合適的。在這種情況下，靜態(tài)表比 Embedding 緩存查找快三倍以上。當(dāng)然，靜態(tài)表將不支持 Embedding 的更新。

• 用于 TensorFlow 與 TensorFlow-TensorRT 集成的 HPS 插件 (TF-TRT)：有關(guān)示例代碼請參閱部署 SavedModel 筆記本

• Redis 或 Kafka 使用的更改：更新了用 RedisClusterBackend 和用 Kafka 參數(shù)流部署模型的方式。使用了 HPS 分區(qū)選擇算法的第三方庫以提高性能。新算法可以為易失性數(shù)據(jù)庫生成不同的分區(qū)分配。

• 新易失性數(shù)據(jù)庫類型：此版本將 multi_process_hash_map 的 db_type 值添加到分層參數(shù)服務(wù)器。此數(shù)據(jù)庫類型支持使用共享內(nèi)存和 /dev/shm 設(shè)備文件跨進(jìn)程的共享 Embedding。運(yùn)行 HPS 的多個(gè)進(jìn)程可以讀取和寫入同一個(gè)哈希映射。

• HPS Redis 后端的優(yōu)化：在此版本中，分層參數(shù)服務(wù)器可以并行打開多個(gè)連接到每個(gè) Redis 節(jié)點(diǎn)。此增強(qiáng)功能使 HPS 能夠利用 Redis 服務(wù)器 I/O 模塊中的重疊處理優(yōu)化。此外，HPS 現(xiàn)在可以利用 Redis 散列標(biāo)簽來共同定位 Embedding 值和元數(shù)據(jù)。此增強(qiáng)功能可以減少對 Redis 節(jié)點(diǎn)的訪問次數(shù)以及完成事務(wù)所需的每個(gè)節(jié)點(diǎn)往返通信的次數(shù)。

• 向 ONNX 模型轉(zhuǎn)換器添加了多任務(wù)模型支持：此版本向 ONNX 轉(zhuǎn)換器添加了對多任務(wù)模型的支持。此版本還包括對 preprocess_census.py 腳本的更新。

• 刪除了對一些庫的依賴。

Layer 以及優(yōu)化器的更新以及新的模型支持：

• 增加了對動(dòng)態(tài) Embedding 表 (DET) 的 SGD、Momentum SGD、Nesterov Momentum、AdaGrad、RMS-Prop、Adam 和 FTRL 優(yōu)化器的支持。示例代碼請參考目錄中的test_embedding_table_optimizer.cpp 文件 test/utest/embedding_collection/ 目錄。

• 添加了對稠密網(wǎng)絡(luò) FTRL 優(yōu)化器的支持。

• 支持了 BERT 和其變體：包括對 MultiHeadAttention 層并為序列掩碼層。有關(guān)詳細(xì)信息，請參閱 samples/bst 目錄。

• Deep & Cross Network Layer 版本 2 支持：有關(guān)概念信息，請參閱 https://arxiv.org/abs/2008.13535。多交叉層文檔也已更新。

• MLP Layer 更新：添加了一個(gè)帶有 hugectr.Layer_t.MLP 類的 MLP 層。該層非常靈活，可以更輕松地使用一組融合的全連接層并啟用相關(guān)優(yōu)化。對于 MLPLayer 中的每個(gè)融合全連接層，輸出維度、偏差和激活函數(shù)都是可調(diào)的。MLPLayer 支持 FP32、FP16 和 TF32 數(shù)據(jù)類型。有關(guān)示例請參閱 dlrm 目錄中的 dgx_a100_mlp.py 以了解如何使用該層。

Sparse Operation Kit(SOK) 的更新：

• DeepRec 中 Sparse Operation Kit 的增強(qiáng)功能：此版本包括對 Sparse Operation Kit 的更新，以提高 DeepRec 中 Embedding 變量查找操作的性能。lookup_sparse() 函數(shù)的 API 已更改以刪除熱度參數(shù)。lookup_sparse() 函數(shù)得到優(yōu)化，可以動(dòng)態(tài)計(jì)算非零元素的數(shù)量。有關(guān)詳細(xì)信息，請參閱 sparse_operation_kit 目錄 。

• Sparse Operation Kit 可從 PyPi 安裝：1.1.4 版的 SOK 可從 PyPi 安裝了。

HugeCTR I/O 模塊更新：

• 支持了在離線推理中從遠(yuǎn)端文件系統(tǒng)（HDFS, S3 等）中讀取推理數(shù)據(jù)：HugeCTR 除了訓(xùn)練時(shí)讀取外，現(xiàn)在還支持離線推理時(shí)通過 DataSourceParams API 從遠(yuǎn)程文件系統(tǒng)如 HDFS 和 S3 讀取數(shù)據(jù)。HugeCTR Training and Inference with Remote File System Example 已更新以展示這個(gè)新功能。

圖 2：HugeCTR I/O 模塊功能架構(gòu)

文檔和示例更新：

• 為了幫助用戶配置 Jupyter Notebook 的運(yùn)行環(huán)境，新增了運(yùn)行示例筆記本 。

• 提高了數(shù)據(jù)預(yù)處理腳本的易用性。

• MLP 層的文檔更新了。

• 新增了 2022 年的 HugeCTR 相關(guān)演講和博客：HugeCTR 演講和博客 。

修復(fù)的問題

• 修復(fù)了 MultiProcessHashMapBackend 在使用基于 JSON 文件的配置時(shí)阻止配置共享內(nèi)存大小的錯(cuò)誤。

• 在調(diào)用某些 HugeCTR API 之前具有 NUMA 綁定的原始 CUDA 設(shè)備現(xiàn)在可以正確恢復(fù)。

• 修復(fù)了使用宏 DEBUG 安裝 HugeCTR 時(shí)偶爾出現(xiàn)的 Embedding CUDA 內(nèi)核啟動(dòng)失敗的問題。

• 修復(fù)了與 TensorFlow v2.1.0 及更高版本相關(guān)的 SOK 構(gòu)建錯(cuò)誤。

• 修復(fù)了與 CUDA 12 相關(guān)的編譯錯(cuò)誤。

已知問題

以下是目前 HugeCTR 存在的已知問題，我們將在之后的版本中盡快修復(fù)：

• 如果客戶端代碼調(diào)用 RMM rmm::set_current_device_resource() 方法或 rmm::set_current_device_resource() 方法，HugeCTR 可能會(huì)出現(xiàn)運(yùn)行時(shí)錯(cuò)誤。該錯(cuò)誤是由于 HugeCTR 中的 Parquet 數(shù)據(jù)讀取器也調(diào)用了 rmm::set_current_device_resource()，因此該設(shè)備對同一進(jìn)程中的其他庫可見。參考 GitHub 問題 #356 以獲取更多信息。作為解決方法，如果您知道 rmm::set_current_device_resource() 被 HugeCTR 以外的客戶端代碼調(diào)用，您可以將環(huán)境變量 HCTR_RMM_SETTABLE 設(shè)置為 0 以防止 HugeCTR 設(shè)置自定義 RMM 設(shè)備資源。但要小心，因?yàn)樵撛O(shè)置會(huì)降低 Parquet 讀取的性能。

• HugeCTR 使用 NCCL 在隊(duì)列之間共享數(shù)據(jù)，并且 NCCL 可能需要共享系統(tǒng)內(nèi)存用于 IPC 和固定（頁面鎖定）系統(tǒng)內(nèi)存資源。如果您在容器內(nèi)使用 NCCL，請?jiān)趩?dòng)容器時(shí)通過指定參數(shù) -shm-size=1g -ulimit memlock=-1 來增加這些資源。

• 即使目標(biāo) Kafka 代理沒有響應(yīng)，KafkaProducers 啟動(dòng)也會(huì)成功。為避免與來自 Kafka 的流模型更新相關(guān)的數(shù)據(jù)丟失，您必須確保足夠數(shù)量的 Kafka 代理正在運(yùn)行、正常運(yùn)行，并且可以從運(yùn)行 HugeCTR 的節(jié)點(diǎn)訪問。

• 文件列表中的數(shù)據(jù)文件數(shù)量應(yīng)大于或等于數(shù)據(jù)讀取器工作人員的數(shù)量。否則，不同的 worker 會(huì)映射到同一個(gè)文件，并且數(shù)據(jù)加載不會(huì)按預(yù)期進(jìn)行。

• 暫時(shí)不支持使用正則化器的聯(lián)合損失訓(xùn)練。

• 暫時(shí)不支持將 Adam 優(yōu)化器狀態(tài)導(dǎo)出到 AWS S3。

HugeCTR v4.3 發(fā)布說明，已更新至 GitHub 和文檔：

GitHub:

https://github.com/NVIDIA-Merlin/HugeCTR

文檔：

https://nvidia-merlin.github.io/HugeCTR/master/hugectr_user_guide.html

從 2023 年一月起，HugeCTR 的版本號將從數(shù)字版本（v.4.4）變更為年歷版本（v23.01）。