当前位置：网站首页>技术干货 | 数据处理好难？来看MindSpore提供的解决思路！

技术干货 | 数据处理好难？来看MindSpore提供的解决思路！

2022-07-22 21:59:00 【昇思MindSpore】

本文是AI框架分析专栏的第五篇，总体目录参见AI框架的演进趋势和MindSpore的构想：

https://zhuanlan.zhihu.com/p/225392622

数据处理其实在AI的训练和推理中占了很大的比重，但是业界在这一块的分析比较少，本文期望通过MindSpore实践给大家一些参考。

01

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图所示：

加载

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。

Shuffle

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（或仅部分随机访问像多个文件对象），那么一个子集的数据可以加载到一个特殊的混洗缓冲区shuffle buffer中。

map

完成训练数据的处理，包括图像类数据增强、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。

batch

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。

repeat

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，典型的过程如下图所示：

推理过程的数据处理，将一张图片进行解码、缩放、中心截图、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。

02

难点与挑战

2.1 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（I/O bound），或是因为数据增强操作效率过低（CPU bound）。

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。

2.2 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。以图像为例，其包含类型、长、宽、大小等属性信息，每张训练图像被标记成某一个类别，这些图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图像、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，图像作为网络的输入，需要保证一定的一致性（如：大小、通道数、归一化等），也需要有一定的泛化能力（如：镜像、旋转、混合、颜色变换等），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。所以，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。

2.3 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图及权重信息，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。同时，需要AI框架提供的库尽可能的小。所以，使用云化场景提供的数据处理机制（启动慢、资源占用大）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：

03

MindSpore 设计思考

3.1 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中以图的形式表示，称为“数据图”。MindSpore对外提供Python API来定义数据图，内部实现图优化和图执行。

整个数据加载和预处理的流程实现为多步并行流水线（data processing pipeline），包括：

Adaptor：将上层语言（如Python）构建的数据图，转换为下层可执行的C++数据图（Execution tree）

Optimizer：数据图优化器

Runtime：运行优化后Execution tree的执行引擎

数据集算子（dataset operators）：Execution tree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（data augmentation operators）：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dataset operator中的Map算子调用。

数据增强后的结果，通过队列和前向反向计算系统相连。下面将介绍这套子系统如何达到极致的数据处理性能。

3.2 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（multi-stage parallel pipeline）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。如上图所示，每个数据集算子（inline除外）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：

（1）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；

（2）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；

（3）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（4并发）的取出操作（单线程执行）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memory cache，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。

在数据图优化的过程中，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。

3.3 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。因此，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：

（1）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++ IO Reader加载，在保证性能的同时实现了数据集的开箱即用。

（2）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。

（3）如果用户已经有自己数据集的Python读取类，那么可以使用MindSpore的GeneratorDataset API调用该类实现数据集加载。这种方式可以快速集成已有代码，改动最小，但因为是Python IO Reader，需要额外关注数据加载性能。

▽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图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，针对每幅图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。

（1）用户自定义数据Shape生成逻辑udf，如：第n个step生成shape为(x,y,z,...)的数据；

（2）通过batch(…, per_batch_map=udf)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（包含epoch开始、step开始、step结束、epoch结束等）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。

3.4 端云统一架构

▽数据图与计算图的统一

MindIR是MindSpore基于图表示的函数式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。

推理数据图典型的场景为：数据集样本大小缩放、中间截图、归一化、通道变换。

我们将推理数据图以子图的方式保存至生成的模型文件（MindIR）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（CPU和内存），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（Eager Mode），支持各种场景推理，提供给AI开发人员更大的灵活性；同时，将Pipeline轻量化，实现基于Pull Base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。

04

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。与此同时，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。与此同时，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（只是超参设置不同），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。