导读：
本文将以下三个方面展开介绍：
- DeepRec背景（我们为什么要做DeepRec）
- DeepRec功能（设计动机和实现）
- DeepRec社区（最新发布的2206版本主要功能）
DeepRec背景介绍
我们为什么需要稀疏模型引擎？TensorFlow目前的社区版本是能够支持稀疏场景的，但是在以下三个方面存在一些功能上的短板：
- 提升模型效果的稀疏训练功能；
- 提升模型迭代效率的训练性能；
- 稀疏模型的部署。
因此我们提出了DeepRec，其功能定位在稀疏场景做深度的优化。
DeepRec所做的工作主要在四大方面：稀疏功能、训练性能、Serving、以及部署& ODL。
DeepRec在阿里巴巴内部的应用主要在推荐（猜你喜欢）、搜索（主搜）、广告（直通车和定向）等几个核心场景。我们也给云上的一些客户提供了部分稀疏场景的解决方法，为其模型效果和迭代效率的提升带来了很大帮助。
DeepRec功能介绍
DeepRec的功能主要分为以下五大方面：稀疏功能Embedding，训练框架（异步、同步），Runtime（Executor、PRMalloc），图优化（结构化模型，SmartStage），serving部署相关功能。
1. Embedding
Embedding部分将介绍以下5个子功能：
1.1 动态弹性特征（EV）
上图的左边是TensorFlow支持稀疏功能的主要方式。用户首先定义固定的shape的Tensor，稀疏的特征通过Hash+Mod的方式map到刚刚定义的Tensor上。这个逻辑上有4个问题：
- 稀疏特征的冲突，Hash+Mod的方式容易引入特征冲突，这会导致有效特征的消失，进而影响效果；
- 存储部分会导致内存的浪费，有部分内存空间不会被使用到；
- 固定的shape，一旦Variable的shape固定了，未来无法更改；
- 低效的IO，假如用户用这种方式定义Variable，必须通过全量的方式导出，如果Variable的维度很大，那么无论导出还是加载都是十分耗时的，但我们在稀疏的场景其实变化的部分是很少的。
在这种情况下，DeepRec定义的EmbeddingVariable设计的原理是：将静态的Variable转化为动态的类似HashTable的存储，每来一个key，新创建一个Embedding，这样就天然地解决了特征冲突的问题。经过这样的设计，当特征特别的多的时候，EmbeddingVariable无序的扩张，内存消耗也会变得很大，因此DeepRec引入了以下两个功能：特征准入和特征淘汰。它们都能有效的防止特征扩展到很大的维度。在搜索和推荐这样的稀疏场景，有些长尾特征被模型训练的次数十分少。因此特征准入能通过CounterFilter或者BloomFilter的方式对特征进入EmbeddingVariable设置一个门槛；在模型导出Checkpoint的时候也会有特征淘汰的功能，时间上比较老的特征也会被淘汰。这在阿里内部某个推荐业务AUC提升5‰，在云上某推荐业务AUC提升5‰，pvctr也有提升4%。
1.2基于特征频率的动态弹性维度特征（FAE）
通常情况下同一个特征对应的EmbeddingVariable会被设置为同一个维度，如果EmbeddingVariable被设置一个较高的维度，低频的特征内容容易导致过拟合，并且会消耗大量的内存。相反的如果维度设置的过低，高频的特征内容则有可能因为表达的能力不足而影响模型的效果。FAE的功能则提供了对于同一个特征里，根据不同特征冷热来配置不同的维度。这样让模型自动进行训练时第一个是模型的效果能得到保证，第二个也能解决训练对资源的使用。这是对于FAE功能的出发点的介绍。这个功能的使用目前是让用户传入一个维度和统计的算法，FAE自动根据实现的算法来产生不同的EmbeddingVariable；后面DeepRec计划在系统内部自适应的发现去分配特征的维度，从而提高用户的易用性。
1.3自适应EmbeddingVariable
这个功能和第二个功能有些类似，都是以定义高低频的关系作为出发点。当前面提到的EV特别大时，我们会看到内存占用特别高。在Adaptive Embedding Variable中我们用两个Variable来表达，如右图展示。我们会定义其中一个Variable为静态的，低频的特征会尽可能映射到这个Variable上；另外一个则定义为动态弹性维度特征，用于高频部分的特征。Variable的内部支持低频和高频特征动态的转换，这样的优点是极大降低了系统对内存的使用。例如某个特征训练后第一维可能有接近10亿，而重要的特征只有20%-30%，通过这种自适应的方式后，可以不需要那么大的维度，进而极大的降低了对内存的使用。我们在实际应用发现对模型的精度影响是很小的。
1.4 Multi-Hash Variable
这个功能是为了解决特征冲突的问题。我们原来是通过一个Hash+Mod的方式解决特征冲突，现在用两个或多个Hash+Mod去得到Embedding，并且随后对得到的Embedding做Reduction，这样的好处是能用更少的内存来解决特征冲突的问题。
1.5 Embedding多级混合存储
这一功能的出发点同样也是发现EV在特征个数多的时候，内存开销十分大，训练的时候worker占用的内存可能达到了几十上百G。我们发现，特征实际上遵循典型的幂律分布。考虑到这个特征点，我们将热点特征放到CPU这样更宝贵的资源，而相对长尾低频的特征则放到相对廉价的资源中。如右图，有DRAM、PMEM、SSD三种结构，PMEM是英特尔提供的速度介于DRAM和SSD之间，但容量很大。我们目前支持DRAM-PMEM、DRAM-SSD、PMEM-SSD的混合，也在业务上取得了效果。云上有个业务 原来用200+多CPU分布式训练，现在使用多级存储后改成了单机GPU训练。
以上是对Embedding所有功能的介绍。我们做这些功能的动机是由于TensorFlow的几个问题（主要是特征冲突），我们解决的方案是动态弹性特征和Multi-Hash特征，针对动态弹性特征内存开销较大的问题，我们又开发了特征准入和特征淘汰的功能；针对特征频次，我们开发了3组功能：动态弹性维度和自适应动态弹性特征是从维度的方向解决的问题，多级混合存储则是从软硬件的方向解决的问题。
2. 训练框架
第二个要介绍的功能是训练框架，分为异步和同步两个方向来介绍。
2.1异步训练框架StarServer
在超大规模任务情况下，上千个worker，原生TensorFlow存在的问题是：线程调度十分低效，关键路径开销凸显，另外小包通信十分频繁，这些都成为了分布式通信的瓶颈。
StarServer在图的线程调度、内存的优化方面做得很好，将框架中Send/Recv修改为了Push/Pull语义，PS在执行的时候使用了lockless的方法，极大地提高了执行的效率。我们对比原生框架有数倍的性能提升，并且在内部3Kworker左右的数量能达到线性的扩展。
2.2同步训练框架HybridBackend，
这是我们为同步训练开发的方案，它支持数据并行和模型并行混合分布式训练。数据读取通过数据并行来完成，模型并行能支持大参数量训练，最后使用数据并行做稠密计算。我们针对不同EmbeddingLookup的特征，做了多路Lookup合并的优化，分组优化，还利用了GPU Direct RDMA的优点，基于网络拓扑的感知，设计整个同步的框架。
3. Runtime
第三个大方面的功能是Runtime，主要介绍PRMalloc和Executor优化。
3.1 PRMalloc
首先是内存分配，内存分配在TensorFlow和DeepRec中都是无处不在的，我们首先在稀疏训练中发现，大块内存分配造成了大量的minorpagefault，此外在多线程的分配中也存在并发分配的问题。我们在DeepRec中针对稀疏训练前向反向的特点，设计了针对深度学习的内存分配方案，称为PRMalloc。它提高了内存使用率和系统的性能。在图中可以看到主要的一块是MemoryPlanner，它的作用是在模型训练的前k轮的minibatch先统计当前训练的特点，每次需要分配多少Tensor，将这些行为记录通过bin的buffer记录下来，并且做相应的优化。在k步后，我们将其应用，从而极大减少上述的问题。我们在DeepRec的使用中发现，这能大大减少minorpagefault的出现，减少了内存的使用，训练速度也得到了1.6倍的加速。
3.2 Executor优化
TensorFlow原生的Executor的实现十分简单，首先对DAG做拓扑排序，随后将Node插入到执行队列中，通过Task利用Executor调度。这样的实现没有结合业务考虑，ThreadPool默认使用了Eigen线程池，若线程负载不均匀，会发生大量的线程间抢占Steal，带来极大开销。我们在DeepRec中定义调度更均匀，同时定义了关键路径使得在调度的时候有一定的优先级顺序，来执行Op。最终DeepRec也提供了多种包括基于Task，SimpleGraph的调度策略。
4. 图优化相关的功能
4.1结构化特征
这是从业务启发的一个功能。我们发现在搜索场景下，不管是训练还是推理，样本往往是1个user对应多个item，多个label的特点。原来的处理方式会视为多个样本，这样user的存储是冗余的，我们为了节省这部分开销，自定义了存储格式来做这部分优化。如果这些样本在一个minibatch中是同一个user，部分user网络和item网络会分别计算，最后在做相应的逻辑计算，这样能节省计算开销。所以我们分别从存储和计算端做了结构化的优化。
4.2 SmartStage
我们看到稀疏模型的训练通常包括样本的读取，EmbeddingLookup，还有MLP的网络计算。样本的读取和Embedding查找往往不是计算密集型的，并不能有效利用计算资源。原生框架提供的prefetch接口虽然能一定程度上完成异步操作，但是我们在EmbeddingLookup过程中设计部分复杂的子图，这些不能通过TensorFlow的prefetch实现流水线。TensorFlow提供的流水线功能，实际使用中需要用户显示的指定stage边界，一方面会提高使用难度，另一方面由于stage的精度不够，无法精确到op级别。对于High Level的API用户无法手动插入，会导致很多步伐并行化。下图是SmartStage的具体操作，它会将Op自动的归类到不同的Stage，使得并发的流水线能得到性能的提升。我们在ModelZoo里模型的测试效果最大加速比能达到1.1-1.3。
5. Serving
5.1模型增量导出及加载
一开始在介绍Embedding的时候其中一个重要的点是低效的IO，如果将前面提到动态弹性功能应用后，我们天然能做增量的导出。只要在图中加入曾经访问的稀疏ID，那么在增量导出的时候就能准确的导出这部分我们需要的ID。我们做这个功能有两个出发点：首先，模型训练时我们原有的方法，在每个step导出全量的模型导出，在程序中断restore时候也是restore checkpoint，最差的时候可能损失两个checkpoint区间所有的结果，有了增量导出，我们对于dense部分会全量导出，sparse部分是增量导出，这在实际场景10分钟的增量导出能很大程度节约restore带来的损失；另外，增量导出的场景是在线serving，如果每次都全量加载，那么对于稀疏场景，模型十分大，每次加载都需要耗费很长时间，如果要做在线学习会很困难，所以增量导出也会用到ODL场景。
5.2 ODL
最左边是样本处理，上下两部分是离线和在线的训练，右边是serving。这里面应用了很多PAI的组件来完成Pipeline的构造。
DeepRec 社区
社区方面，我们在6月份发布了新版本2206，主要包括以下新功能：
