1 背景
2015年11月9日，Google发布深度学习框架TensorFlow。Google表示，TensorFlow在设计上尤其针对克服其第一代深度学习框架DistBelief 的短板，灵活、更通用、易使用、更快，而且完全开源。在短短的一年时间内，在GitHub上，TensorFlow就成为了最流行的深度学习项目。
本文将介绍TensorFlow在阿里云GPU云服务器上的单机性能表现，并对单机多卡的训练性能调优给出了一些建议。
2 使用卷积神经网络进行图像分类
卷积神经网络（Convolutional Neural Network）是一种前馈神经网络，对于图像处理有非常出色的表现。早在20世纪80年代末，Yann LeCun（曾在多伦多大学跟随深度学习鼻祖Geoffrey Hinton进行博士后研究）作为贝尔实验室的研究员提出了卷积网络技术，并展示如何使用它来大幅度提高手写识别能力。
2012年，Geoffrey E. Hinton的弟子Alex Krizhevsky在ILSVRC-2012的图像分类比赛中使用2块Nvidia GTX 580 GPU训练的多层神经网络（后来被称为AlexNet）以15.3%的top-5测试错误率摘得冠军。AlexNet包含6000万参数和65万神经节点。
2014年，Google公司的GoogleNet摘得ILSVRC挑战赛的冠军，将Top5 的错误率降低到6.67%，它是一个22层的卷积神经网络，有500多万个参数。
VGG，ILSVRC-2014的亚军，Top5 的错误率为7.32%，16层的VGG网络，参数高达1亿3千多万。
ResNet，ILSVRC’15数据集可以达到3.57%的Top-5错误率，50层的ResNet参数90多万，152层参数230多万。
InceptionV3，GoogLeNet的升级版，参数不到250万，ILSVRC-2012数据集Top-5错误率可以达到3.5%。
卷积神经网络在图像分类领域已经取得了非常好的表现，被广泛采用，我们将会使用以上几个主流的卷积神经网络的TensorFlow训练BenchMark在阿里云GN5 GPU云服务器（8卡P100）上进行性能测试，并给出性能调优的一些建议。
3 调优策略
如何在多GPU机器上获得最优的训练性能是用户非常关心的问题。通常的方法是使用数据并行。也就是说要将模型的多个拷贝放到每个GPU上，将一个batch的数据划分到每个GPU上计算。每个GPU如何获取更新的变量以及返回梯度对最终的性能和扩展性都会有影响。
针对不同复杂度的网络，会有不同的策略。网络的复杂度体现在变量的数目以及网络的深度，最终会体现在参数传递的数据量和计算量上，对于单机多卡，会更多的考虑变量的规模，这会直接决定训练过程中的通信数据量，从而影响最终的扩展性。
目前在TensorFlow上对于变量的放置主要有两种策略，一种是Parameter Server，一种是Replicated。
下面几节会详细介绍这些策略以及相应的使用场景，但在阿里云GPU云服务器上的最佳策略，我们会在后面的数据实测章节通过实验来说明。
3.1 Parameter Server
这种模式下，梯度的聚合放到参数服务器（Parameter Server）上，参数服务器可以是CPU也可以是GPU，通常会放到CPU上。每个GPU上的训练模型副本都会从参数服务器获取最新的变量并各自更新自己本地的变量。获取变量的方式是使用TensorFlow中的标准显示拷贝。
一般建议像ResNet、InceptionV3这样的参数规模较小的网络，可以选择参数服务器模式，拷贝的压力不会太大。
3.2 Replicated
这种模式下，服务器上的每个GPU都有模型的副本和自己的变量。变量的值在获取到完全聚合的梯度后会在本地完成变量的更新。所以在训练开始的时候变量和数据本地都已准备好，可以立即开始前向的计算，后向计算需要汇总说有的GPU计算结果后使用聚合的梯度。
梯度聚合一般有两种方式：
- 使用标准的TensorFlow操作汇总到一个设备上（CPU或者是GPU），然后再将聚合的梯度拷贝回所有的GPU。
- 使用NVIDIA的NCCL，具体会在下节阐述。
一般建议像AlexNet和VGG这样的参数规模比较大的网络使用这种方式，避免使用Parameter Server模式时集中在一个设备上做梯度聚合和变量更新导致出现通信性能瓶颈。
3.3 NCCL
如上节所述，为了在不同GPU间广播变量和聚合梯度，可以使用TensorFlow的拷贝机制，也可以选择NCCL。
NCCL（NVIDIA Collective Communications Library）提供了不同GPU间广播和聚合数据的高效通信原语。NCCL会在每个GPU上调度一个协同工作的kernel，这个kernel知道如何最好的利用底层硬件的拓扑（比如可以利用GPUDirect P2P技术或者NVLink）从而选择合理的通信策略，这个kernel会使用GPU上的一个SM（streaming multiprocessor）来完成上述通信工作。
使用NCCL通常能够带来更高的通信速度，但是并不一定能够加速整体的训练性能。因为尽管NCCL可以有更快的传输数据，但是它会占用一个SM资源，同时会增加L2 Cache的压力，所以在某些场景下可能反而加速效果并不如拷贝机制。比如当GPU数目比较多时可能使用NCCL效果会比较好，但是GPU比较少时，拷贝可能会比较好。我们可以从后面的实测数据分析中看到这个结论。
4 性能实测
我们在阿里云上的GN5 GPU云服务器（8卡P100）上使用TensorFlow测试了InceptionV3、ResNet50、ResNet152、AlexNet、VGG16几个经典卷积神经网络的用于图像分类模型的训练性能，并使用不同的策略做了比较，具体实测数据如下。
4.1 InceptionV3
Parameter Server(CPU):
Parameter Server(GPU):
Replicated(NCCL):
Replicated(NONE):
Replicated(PSCPU):
4.2 ResNet50
Parameter Server(CPU):
Parameter Server(GPU):
Replicated(NCCL):
Replicated(NONE):
Replicated(PSCPU):
4.3 ResNet152
Parameter Server(CPU):
Parameter Server(GPU):
Replicated(NCCL):
Replicated(NONE):
Replicated(PSCPU):
4.4 AlexNet
Parameter Server(CPU):
Parameter Server(GPU):
Replicated(NCCL):
Replicated(NONE):
Replicated(PSCPU):
4.5 VGG16
Parameter Server(CPU):
Parameter Server(GPU):
Replicated(NCCL):
Replicated(NONE):
Replicated(PSCPU):
5 数据分析
从以上实测数据，我们可以总结出在GN5实例上的性能策略：
- InceptionV3和ResNet这样参数规模不是很大的网络，使用CPU做Parameter Server的8卡性能都比较好，另外，使用Replicated策略时，只使用CPU做梯度聚合时的8卡性能最好，甚至比CPU做Parameter Server还好。所以借助CPU集中处理参数更新或者梯度聚合，对于参数规模不大的网络来说，的确具有更好的多卡性能扩展性。
- 对于AlexNet和VGG16这样的参数规模比较大的网络，使用Replicated策略的NCCL和PSCPU方式的性能都比较好，不过使用CPU做Parameter Server的效果也不错。当然，对于即将发布的支持NVLink的GN6（V100）GPU云服务来说，相信针对NVLink特别优化的NCCL会有更出色表现，后续我们会在GN6上通过实测来分析验证。
- 使用Replicated策略时，NCCL在2卡或者4卡的性能都不是最好的或者是相对较差的，不如拷贝的方式，8卡时往往性能都比较好，这也说明了NCCL在GPU数量较多时的效果会更好一些。
6 总结
本文通过实测给出了在阿里云GPU云服务器上使用TensorFlow进行单机多卡训练的一些性能调优指南，对于其他网络和框架同样有一定的参考意义，读者可以根据自己框架和网络的特点调整相应参数，从而达到最优的训练性能。