angel

Angel 快速入门

准备知识

这篇文档帮助你快速开始编写运行在Angel-PS架构上的程序，开始之前，你最好掌握以下能力：

会编写简单的Scala或者Java代码
掌握向量、矩阵和张量的基础知识，了解其定义和基础计算。
最好对机器学习算法有一定了解

如果没有学习过机器学习算法，也没有关系，你可以从这篇文档开始。在开始编程前，我们先来了解一些基础知识。

大多数的机器学习算法都可以抽象成向量（Vector）、矩阵(Martix)，张量（Tensor）间的运算，用向量、矩阵、张量来表示学习数据和算法模型。
Angel-PS实现了基于参数服务器的矩阵计算，将分布在多台PS Server上的参数矩阵抽象为PSModel，你只需要完成PSModel的定义、实现其计算过程，就可以实现一个运行在参数服务器上的简单算法。

Angel-PS架构

简单的Angel-PS架构如下图所示

PS是存储矩阵参数的多台机器，向计算节点提供矩阵参数的拉取、更新服务
每个worker是一个逻辑计算节点，一个worker可以运行一或多个task

机器学习的算法，一般以迭代的方式训练，每次迭代worker从PS拉取最新的参数，计算一个更新值，推送给PS。

开始你的第一个Angel算法: LR

本示例将以最简单的Logistic Regression算法为例，指导你完成第一个Angel算法。代码可以在example.quickStart里找到。

逻辑回归算法是机器学习中最简单的一个算法，它可以抽象为如下步骤：

一个维度为1×N的矩阵，即一个N维向量，记为w
用梯度下降法训练LR模型，每次迭代
- task从PS拉取最新的模型w,
- 计算得到变化梯度△w
- 将△w推送给PS

为了实现该算法，我们需要如下3个步骤：

定义一个模型(LRModel)

实现LRModel类继承MLModel，通过addPSModel添加一个N维的PSModel给LRModel，在setSavePath方法中，设置运算结束后LR模型的保存路径。

N的值、保存路径都可以通过conf配置。

 class QSLRModel(ctx: TaskContext, conf: Configuration) extends MLModel(ctx){
		
       val N = conf.getInt(MLConf.ML_FEATURE_NUM, MLConf.DEFAULT_ML_FEATURE_NUM)

       val weight = PSModel[DenseDoubleVector]("qs.lr.weight", 1, N).setAverage(true)
       addPSModel(weight)

       setSavePath(conf)
       setLoadPath(conf)
 }

定义一个Task(TrainTask)

Angel的模型的训练是在task中完成，所以我们需要定义一个LRTrainTask来完成LR的模型的训练过程。

LRTrainTask需要继承TrainTask类并实现如下2个方法：
- 解析数据
在模型开始训练前，输入的每一行文本被解析为一条训练数据，解析方法在parse方法里实现，此处我们使用DataParser解析dummy格式的数据。
```
   override
   def parse(key: LongWritable, value: Text): LabeledData = {
     DataParser.parseVector(key, value, feaNum, "dummy", negY = true)
   }
```
可以通过task的dataBlock访问预处理后的数据。
- 训练
Angel会自动执行TrainTask子类的train方法，我们在LRTrainTask的train方法中完成模型训练过程。

在这个简易的LR算法例子中，我们
- 先实例化QSLRModel模型对象model，然后开始迭代计算。
- 每次迭代
  - task从PS拉取模型的参数weight
  - 训练数据计算得到梯度grad，把grad推送给PS，PS上weight的更新会自动完成。
  - 推送grad后，需要clock()、incIteration()。
```
  def train(ctx: TaskContext): Unit = {
      // A simple logistic regression model
      val lrModel = new QSLRModel(conf, ctx)
      val weightOnPS = lrModel.weight
      // Apply batch gradient descent LR iteratively
      while (ctx.getIteration < epochNum) {
        // Get model and calculate gradient
        val weight = weightOnPS.getRow(0)
        val grad = batchGradientDescent(weight)

        // Push gradient vector to PS Server and clock
        weightOnPS.increment(grad.timesBy(-1.0 * lr))
        weightOnPS.clock.get

        // Increase iteration number
        ctx.incIteration()
      }
  }
```
定义一个Runner(MLRunner)

前面，我们定义了LR模型，实现了它的训练过程。现在，还需要实现Runner类将训练这个模型的任务提交到集群。


	class LRRunner extends MLRunner{
	  ……
	  override
	  def train(conf: Configuration): Unit = {
	    train(conf, QSLRModel(conf), classOf[QSLRTrainTask])
	   }
	}

运行任务

可以通过以下命令向Yarn集群提交刚刚完成的算法任务

./bin/angel-submit \
--action.type train \
--angel.app.submit.class com.tencent.angel.example.quickStart.QSLRRunner  \
--angel.train.data.path $input_path \
--angel.save.model.path $model_path \
--ml.epoch.num 10 \
--ml.feature.num 10000 \
--ml.data.type dummy \
--ml.learn.rate 0.001 \
--angel.workergroup.number 3 \
--angel.worker.memory.mb 8000  \
--angel.worker.task.number 3 \
--angel.ps.number 1 \
--angel.ps.memory.mb 5000 \
--angel.job.name QSLR

提交完毕后，可以按照这个指引，《查看到Yarn上的作业》，如果你不熟悉Yarn的话。

OK。至此，你已经完成了一个简单的Angel作业。想写出更加复杂的机器学习算法吗？请看完整的《Angel编程指南》吧，欢迎来到Angel的世界。

This site is open source. Improve this page.