分布式框架下的数据处理与模型推理实践

发布于 2024-12-23 09:25
浏览
0收藏

概念

Ray 是一个开源的高性能分布式计算框架,旨在简化大规模分布式应用的开发和运行。它提供了灵活的任务调度、资源管理以及并行计算能力,使开发者能够轻松实现从单机到多节点的计算扩展。Ray 支持多种场景,包括分布式机器学习训练、强化学习、超参数优化、大规模数据处理和实时模型部署等。Ray 的核心概念是通过统一的 API,使开发者专注于逻辑开发,而不必关心底层的分布式实现细节。

通过模块化设计,Ray 集成了多个功能强大的库,如Ray Data(数据处理)、 Ray Train(分布式训练)、Ray Tune(超参数优化)、Ray Serve(模型部署)、RLlib(强化学习)等,为开发者提供了一站式的分布式计算解决方案。无论是构建 AI 应用还是解决复杂并行计算问题,Ray 都是一种高效且易用的选择。Ray 的模块化设计将复杂功能分解为独立子系统,常用模块包括:

  • (1)Ray Core:基础的分布式任务调度和资源管理。
  • (2)Ray Data:高效的分布式数据处理模块。
  • (3)Ray Train:支持主流框架的分布式机器学习训练工具。
  • (4)Ray Tune:超参数优化库,支持大规模调优任务。
  • (5)Ray Serve:用于实时部署 AI 模型的高性能工具。
  • (6)RLlib:分布式强化学习库,适用于复杂环境中的智能决策任务。

分布式框架下的数据处理与模型推理实践-AI.x社区



数据处理与模型推理

Ray Data 的分布式数据处理

在大模型训练过程中的数据处理阶段,往往有着海量结构化与非结构化数据,这些数据难以快速、有效的处理,造成数据处理效率低下、数据质量不高等问题。智算数据平台基于Ray分布式框架的计算能力,提供了大量常用的分布式数据处理算子,并且实现文本、图片、音频、视频等多种类型数据的流水线处理,为模型训练提供高质量预训练数据。除了基本的数据处理算子外,数据平台还将通过引入多模态大模型,补齐了处理多模态数据能力。

在大模型训练中,数据预处理的效率直接影响训练速度和模型性能。Ray Data 是一个强大的分布式数据处理模块,该模块支持多种文件类型的读写,如json、parquet等格式的文本、图片、视频等。Ray Data存储数据的格式是基于Apache Arrow,一种高效的列式数据格式,相比Python数据处理常用的pandas,在读取和写入大型文件时会更加高效。集成了map,filter等分布式计算算子,提供了高效的数据处理,适用于海量数据的处理任务。此外,Ray Data还支持批处理功能,加速数据处理。在和Actor配合使用的场景下,可以减少请求次数,提高了处理效率。

功能亮点

支持多数据格式:可以处理文本、图片、音频、视频等多模态数据。

分布式操作:通过内置的算子(如 map、filter、groupby 等),实现数据分片和高效并行计算。

与主流工具集成:兼容 Pandas、Spark,方便数据迁移和开发。

示例:分布式数据预处理代码

import ray
from ray.data import read_parquet


ray.init()  # 初始化 Ray


# 加载数据集
dataset = read_parquet("s3://bucket/data.parquet")


# 数据清洗和特征处理
processed_data = (
    dataset.map(lambda x: {"text_length": len(x["text"])})
           .filter(lambda x: x["text_length"] > 50)
)


# 分布式存储
processed_data.write_parquet("s3://bucket/processed_data.parquet")

Ray Data 的设计理念是利用分布式集群的算力,在保留开发者熟悉的数据操作方式的同时,提升数据处理的速度和扩展性。

GPU 分配与分布式推理

在模型推理场景下,特别是针对大模型的批量推理,资源分配和高效利用至关重要。Ray 提供了灵活的 @ray.remote 装饰器,支持任务的分布式调度以及 GPU 资源的高效管理。

示例:使用llava模型进行分布式推理代码

from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration
from PIL import Image
import torch
import ray
import os


# 初始化 Ray
ray.init()


@ray.remote(num_gpus=1)  # 请求 1 个 GPU
def run_model_on_gpu(picture):
  processor = LlavaNextProcessor.from_pretrained("llava-hf/llama3-llava-next-8b-hf")
  model = LlavaNextForConditionalGeneration.from_pretrained("llava-hf/llama3-llava-next-8b-hf", torch_dtype=torch.float16, device_map="auto")
  # prepare image and text prompt, using the appropriate prompt template
  image = Image.open(picture)
  # Define a chat histiry and use `apply_chat_template` to get correctly formatted prompt
  # Each value in "content" has to be a list of dicts with types ("text", "image")
  conversation = [
      {


        "role": "user",
        "content": [
            {"type": "text", "text": "描述这张图片的内容"},
            {"type": "image"},
          ],
      },
  ]
  prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
  inputs = processor(images=image, text=prompt, return_tensors="pt").to(model.device)
  # autoregressively complete prompt
  output = model.generate(**inputs, max_new_tokens=1000)
  return processor.decode(output[0], skip_special_tokens=True)


pic_list = ["/root/llava/img1.png","/root/llava/img2.png"]
results = ray.get([run_model_on_gpu.remote(pic) for pic in pic_list])
print(results)


# 关闭 Ray
ray.shutdown()

在运行时,我们使用nvidia-smi命令,可以查看到有两个ray子进程在并发处理推理任务。

分布式框架下的数据处理与模型推理实践-AI.x社区

最后输出结果如下,通过以下结果与原图的对比,我们可以直观地看到使用 Ray 进行分布式推理的流程和效果。

分布式框架下的数据处理与模型推理实践-AI.x社区

输出结果

分布式框架下的数据处理与模型推理实践-AI.x社区

分布式框架下的数据处理与模型推理实践-AI.x社区

具体而言,Ray 能够高效地将推理任务拆分到多个 GPU 上进行并行处理,每个 GPU 仅需处理分配的部分数据,这大幅提高了推理效率和整体吞吐量。

例如,在多张图片的分布式推理任务中,每一张图片被分发到不同的 GPU 节点上,分别执行推理操作。最终,结果被汇总生成完整的推理输出。在这一过程中:

推理结果:图片描述的准确性保持一致,基于分布式的推理不会影响结果的质量。

性能提升:推理时间缩短了一半以上,分布式计算的效率得到验证。

可扩展性:只要增加更多的 GPU 资源,Ray 的调度器即可自动分配更多的计算任务,实现:超越单机多卡的算力水平

当然,以上只是Ray分布式的一些基础应用,为了说明Ray在分布式推理中的可行性。我们也可以使用如Ray Data模块的map_batch去做离线的批量分布式推理,提高数据的处理效率;再比如通过Ray Server模块去部署大模型服务,做到支持实时推理,支持多用户并发请求等更多功能。

随着 NPU(如华为 Ascend 系列)等新型加速硬件的崛起,Ray 也扩展了对异构设备的支持。在集群中,Ray 也可以识别并调度到带有 NPU 的节点运行任务,利用国产芯片的高效性能支持大规模 AI 应用。

总结

Ray 作为新一代分布式计算框架,通过模块化设计和简单易用的接口,极大地降低了开发分布式应用的门槛。在数据处理方面,Ray Data 提供了强大的分布式数据处理能力,可以高效地处理海量多模态数据。在模型推理方面,Ray Core的Remote函数和资源调度功能使开发者能够充分利用集群中的 GPU,快速构建分布式推理服务。

随着 AI 的快速发展,Ray 已成为开发者构建大规模分布式系统的核心工具。在未来的应用中,无论是处理复杂的数据管道还是优化模型推理性能,Ray 都将发挥越来越重要的作用。

本文转载自 AI遇见云​,作者: 景泓斐

收藏
回复
举报
回复
相关推荐