Logo

DeepRec:高性能推荐系统深度学习框架

DeepRec深度学习框架推荐系统分布式训练模型优化Github开源项目
Ray

DeepRec:引领推荐系统的下一代深度学习框架

在当今数字时代,推荐系统已成为众多互联网公司的核心技术,为用户提供个性化的内容和服务体验。然而,随着数据规模和模型复杂度的不断增长,传统的机器学习框架在处理超大规模推荐任务时往往力不从心。为了应对这一挑战,阿里巴巴联合业界伙伴推出了DeepRec - 一个专为推荐系统优化的高性能深度学习框架。

DeepRec的诞生背景

DeepRec项目始于2016年,最初是为了支持阿里巴巴集团内部的核心业务,如淘宝搜索、推荐和广告投放等。经过多年的发展和沉淀,DeepRec已经成为一个功能丰富、性能卓越的开源框架,不仅在阿里巴巴内部广泛应用,还吸引了众多外部公司的关注和采用。

推荐模型与其他深度学习模型相比有其独特之处。它们通常包含大量非数值特征,如ID、标签、文本等,这些特征会导致模型参数量急剧膨胀。同时,推荐系统还需要处理海量的样本数据,对计算和存储资源提出了极高的要求。正是基于这些特点,DeepRec在TensorFlow的基础上进行了深度优化,以满足推荐系统的特殊需求。

DeepRec的核心特性

作为一个专门面向推荐系统的深度学习框架,DeepRec具备以下核心特性:

  1. 超大规模分布式训练能力

DeepRec支持万亿级样本、数十万亿参数的推荐模型训练,这种规模的处理能力在业界处于领先地位。通过高效的分布式训练框架,DeepRec可以充分利用集群资源,大幅提升训练效率。

  1. 全面的性能优化

DeepRec在CPU和GPU平台上都进行了深入的性能优化。例如,针对嵌入操作这一推荐模型的关键环节,DeepRec实现了多种优化策略,如Embedding Variable、动态维度嵌入、自适应嵌入等。同时,DeepRec还提供了AdamAsync、AdagradDecay等针对推荐场景优化的优化器。

  1. 灵活的训练框架

DeepRec支持异步分布式训练(参数服务器模式)和同步分布式训练(Collective模式)两种范式。在参数服务器模式下,DeepRec提供了grpc+seastar、FuseRecv、StarServer等多种实现;在Collective模式下,则有HybridBackend、Sparse Operation Kits (SOK)等解决方案。

  1. 丰富的运行时优化

DeepRec实现了诸如图感知内存分配器(GAMMA)、基于关键路径的执行器等运行时优化技术。对于GPU平台,DeepRec还提供了支持多CUDA计算流和CUDA Graph的多流引擎。

  1. 多层次的图优化

在图优化方面,DeepRec提供了AutoGraphFusion、SmartStage、AutoPipeline、Graph Template Engine等多种技术,可以自动优化计算图结构,提高执行效率。

  1. 高效的部署和服务

DeepRec不仅关注模型训练,还提供了一整套高效的部署和服务解决方案。例如,增量检查点加载和导出、超大规模推荐模型分布式服务、多层混合存储等特性,都为模型的快速迭代和线上服务提供了有力支持。

DeepRec Logo

DeepRec的技术创新

DeepRec在多个方面进行了技术创新,以下是一些代表性的特性:

  1. Embedding Variable

Embedding Variable是DeepRec的一大亮点,它为大规模稀疏特征提供了高效的存储和计算方案。通过支持特征淘汰、特征过滤等机制,Embedding Variable可以有效管理海量特征,降低内存占用。

  1. 自适应嵌入

自适应嵌入技术允许根据特征的重要性动态调整嵌入维度,既保证了模型效果,又节省了计算资源。

  1. 多哈希变量

多哈希变量通过多重哈希技术,有效减少了哈希冲突,提高了特征表达能力。

  1. 群组嵌入

群组嵌入支持将相关特征组织成群组,既提高了模型表达能力,又优化了训练和推理性能。

  1. StarServer

StarServer是DeepRec开发的高性能参数服务器实现,它基于seastar框架,采用无共享架构,大幅提升了参数更新和同步的效率。

  1. 图优化技术

DeepRec实现了一系列图优化技术,如嵌入子图融合、流水线化执行、样本感知图压缩等,这些技术可以自动优化计算图,提高执行效率。

  1. SessionGroup

SessionGroup是DeepRec提供的高性能推理框架,它采用共享无关设计,支持多线程池和多CUDA流,可以充分利用硬件资源,提高推理吞吐量。

DeepRec的应用案例

DeepRec在阿里巴巴集团内部得到了广泛应用,支撑了淘宝、天猫、阿里云等核心业务的推荐系统。以下是一些具体的应用案例:

  1. 淘宝搜索

在淘宝搜索场景中,DeepRec支持了万亿级别的日搜索请求,处理数十亿商品和用户数据。通过DeepRec的高效训练和推理能力,淘宝搜索可以快速迭代模型,提供更精准的搜索结果。

  1. 淘宝推荐

淘宝首页、猜你喜欢等推荐模块都基于DeepRec构建。DeepRec的大规模分布式训练能力使得淘宝可以充分利用海量的用户行为数据,不断优化推荐算法。

  1. 阿里妈妈广告投放

在广告投放系统中,DeepRec的高性能特性尤其重要。它能够支持实时竞价(RTB)场景下的毫秒级响应,同时保证模型的准确性和时效性。

  1. 阿里云机器学习平台PAI

DeepRec已经集成到阿里云PAI(Platform for Artificial Intelligence)平台,为云上用户提供高性能的推荐模型训练和服务能力。

除了阿里巴巴内部,已经有数十家公司在其业务场景中采用了DeepRec。这些公司涵盖了电商、媒体、广告、社交网络等多个领域,充分证明了DeepRec的通用性和实用价值。

DeepRec的开源之路

为了推动推荐系统技术的发展,阿里巴巴决定将DeepRec开源,并将其托管在LF AI & Data基金会进行孵化。这一决定体现了阿里巴巴对开源社区的承诺,也为更多企业和开发者提供了接触和使用先进推荐系统技术的机会。

DeepRec的开源不仅包括核心框架,还包括周边工具和文档:

  1. 核心框架: 基于TensorFlow 1.15深度定制的DeepRec训练引擎。
  2. Estimator: 基于TensorFlow Estimator开发的高层API,简化模型开发流程。
  3. Serving: 基于TensorFlow Serving优化的高性能模型服务系统。
  4. HybridBackend: 用于异构集群上训练宽度深度推荐系统的高性能框架。

所有这些组件都托管在GitHub上,采用Apache 2.0许可证开源。开发团队定期发布新版本,不断加入新特性和性能优化。

如何开始使用DeepRec

对于想要尝试DeepRec的开发者,官方提供了详细的安装和使用指南:

  1. 安装准备

    • CPU平台: 使用alideeprec/deeprec-build:deeprec-dev-cpu-py38-ubuntu20.04镜像
    • GPU平台: 使用alideeprec/deeprec-build:deeprec-dev-gpu-py38-cu116-ubuntu20.04镜像

  2. 编译安装 DeepRec支持多种编译选项,用户可以根据需求选择:

    • 默认编译(CPU和GPU): 
      bazel build -c opt --config=opt //tensorflow/tools/pip_package:build_pip_package
    • 启用oneDNN优化: 
      bazel build -c opt --config=opt --config=mkl_threadpool //tensorflow/tools/pip_package:build_pip_package

  3. 创建wheel包

    ./bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

  4. 安装wheel包

    pip3 install /tmp/tensorflow_pkg/tensorflow-1.15.5+${version}-cp38-cp38m-linux_x86_64.whl

此外,DeepRec还提供了预构建的Docker镜像,方便用户快速开始:

  • CPU版本: alideeprec/deeprec-release:deeprec2402-cpu-py38-ubuntu20.04
  • GPU版本: alideeprec/deeprec-release:deeprec2402-gpu-py38-cu116-ubuntu20.04

DeepRec的未来展望

作为一个活跃的开源项目,DeepRec正在持续演进。未来的发展方向包括:

  1. 进一步提升大规模训练能力,支持更大规模的模型和数据集。
  2. 增强对新硬件的支持,如NVIDIA的下一代GPU架构、Intel的新一代处理器等。
  3. 优化模型量化技术,提供更高效的推理解决方案。
  4. 探索将大语言模型(LLM)技术与推荐系统结合的可能性。
  5. 加强与云原生技术的集成,提供更灵活的部署选项。

DeepRec的发展离不开开源社区的贡献。项目欢迎各种形式的参与,包括代码贡献、文档改进、问题反馈等。开发者可以通过GitHub参与项目讨论,也可以加入官方的DingTalk或WeChat讨论组与核心团队直接交流。

DeepRec Discussion Group QR Code

结语

DeepRec的出现和开源,标志着推荐系统技术进入了一个新的阶段。它不仅是阿里巴巴多年技术积累的结晶,更是推动整个行业向前发展的重要力量。随着越来越多的企业和开发者加入DeepRec生态,我们有理由相信,更加智能、高效、个性化的推荐系统将不断涌现,为用户带来更优质的在线体验。

无论您是大型互联网公司还是初创企业,是经验丰富的机器学习工程师还是刚入门的AI爱好者,DeepRec都为您提供了一个强大的工具和广阔的舞台。让我们共同探索DeepRec的无限可能,共创推荐系统的美好未来!

avatar
0
0
0
相关项目
Project Cover

DeepRec

DeepRec是一个基于TensorFlow的推荐系统深度学习框架。它支持万亿级样本和参数的分布式训练，提供嵌入变量、优化器等关键功能。该框架在CPU和GPU平台上进行了性能优化，包括运行时、算子和图级优化。DeepRec还支持增量检查点、分布式服务和在线学习等部署功能，为大规模推荐模型提供全面解决方案。

最新项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号