Menger:大规模分布式强化学习架构

在过去的十年中，强化学习(RL)成为机器学习中最受瞩目的研究领域之一，应用RL能够很好地解决芯片放置和资源管理等复杂的问题，以及Go/Dota 2/hide-and-seek等有挑战性的游戏。简单来说，RL基础架构就是数据采集和训练的循环，Actor根据环境收集样本数据，然后将其传输给Learner来训练和更新模型。当前大多数RL实现都需要对环境中成千上万个样本进行多次迭代，以学习目标任务，如Dota 2每2秒要学习成千上万帧样本。这样，RL架构不仅要有很强的数据处理能力，例如增加Actor实现大量样本的采集，而且还应能够在训练过程中快速迭代这些样本。

Actor与Learner交互的RL架构。Learner使用采样数据训练模型，并将更新后的模型传递给Actor(例如TF-Agents，IMPALA)。

今天，我们要介绍的是Menger——一种具有本地化推理能力的大规模分布式RL架构，可通过多个处理集群(如Borg单元)扩展数千个Actors，从而减少了芯片放置任务的训练时间。在接下来的章节，我们介绍了如何使用Google TPU配置Menger，从而提高训练速度，进一步我们通过芯片放置任务验证框架的性能和可扩展性。可以发现，与基准模型相比，Menger将培训时间减少了8.6倍。

Menger设计思路

当前有各种各样的分布式RL系统，如Acme和SEED RL，然而，这些系统往往只从一个特定角度对分布式强化学习系统进行优化。例如，Acme从频繁的Learner获取模型，使每个Actor都进行本地推理，而SEED RL则通过分配一部分TPU内核执行批量调用，进行集中推理。对通信成本和推理成本的衡量是不同优化系统的区别，具体包括：(1)向/从集中式推理服务器发送/接收观察和动作的通信成本，或从Larner获取模型的通信成本;(2)相比加速器(TPU/GPU)成本，Actor的推理成本大小。考虑到观察值、动作和模型大小等目标程序要求，Menger使用类似Acme的局部推理，但同时尽可能的增加Actor的可扩展性。要实现良好扩展性和训练速度，主要挑战包括以下两点：

Actor向Learner进行大量读取请求以进行模型检索，这就造成Learner的负担，随着Actor数量的增加模型表现明显受限(如收敛时间的显著增长)。

在将训练数据输送给TPU计算核心时，TPU性能通常受到输入管道效率的限制。随着TPU计算核心数量的增加(如TPU Pod)，输入管道的性能对于训练时间的影响更加明显。

高效的模型检索

为应对第一个挑战，在TensorFlow代码中，我们在Learner和Actor之间引入了透明的分布式缓存组件，并通过Reverb进行优化(类似于Dota中使用的方法)。缓存组件的主要职责是对Actor的大量请求和Learner的处理能力进行平衡。通过添加这些缓存组件，不仅显着减轻了过多请求对Learner的压力，而且以少量的通信成本将Actor分配给多个Borg单元。我们的研究表明，对有512个Actors、大小为16MB的模型，引入缓存组件可以将平均读取延迟降低约4.0倍，从而实现更快的训练迭代，在PPO等策略算法中效果更加明显。

若干Actors放置在不同Borg单元的分布式RL系统。 不同Borg单元大量Actors的频繁的模型更新请求限制了Learner性能以及Learner于Actor之间的通信网络，从而导致总体收敛时间显着增加。虚线表示不同机器之间的gRPC通信。

引入透明分布式缓存服务的分布式RL系统。多个Actor放置在不同的Borg单元中，Learner仅将更新的模型发送给分布式缓存组件。每个缓存组件应对邻近Actor和缓存区的模型请求更新。缓存区不仅减轻了Learner对模型更新请求提供服务的负担，而且减少了Actor的平均读取延迟。

高通量输入管道

为提高输入数据管道的吞吐量，Menger使用了Reverb——一种专为机器学习应用设计的、新型开源数据存储系统。在Reverb中，可以以在线或离线算法进行经验回放。但是，单个Reverb当前无法扩展到有成千上万Actors的分布式RL系统，并且Actor的写入吞吐量效率很低。

具有单个回放缓冲区的分布式RL系统。在Actor提出大量思维写请求后，回放缓冲区会受到限制并降低总体吞吐量。此外，一旦我们将Learner扩展到具有多个计算引擎(TPU Pod)，单个回放缓冲区给这些引擎提供数据的效率就变得很低，严重影响总体收敛时间。

为了更好地了解回放缓冲器在分布式RL系统中的效率，我们评估了在不同负载大小(16 MB-512 MB)和不同Actor(16-2048)情况下的平均写入延迟。我们将回放缓冲区和Actor放置在同一个Borg单元中。，可以发现，随着Actor数量的增加，平均写入延迟显着增加。将Actor的数量从16扩展2048，16MB和512MB大小的有效负载的平均写入延迟分别增加了约6.2倍和约18.9倍。这样的写入等待时间的增加影响了数据收集时间，导致训练效率低下。

将不同大小的有效负载(16 MB-512 MB)和不同数量的Actor(16至2048)放置在同一个Borg单元上时，单个Reverb重回放缓冲区的平均写入延迟。

为缓解这种情况，我们使用Reverb的分片功能来增加Actor、Learner和和回放缓冲区之间的吞吐量。分片可在多个回放缓冲服务器之间平衡大量Actor的写入负载，而不是仅仅作用于单个回放缓冲服务器，同时由于少数Actor共享同一服务器，可以最小化每个回放缓冲服务器的平均写入延迟。这样Menger就可以在多个Borg单元中扩展数千个Actor。

具有分片回放缓冲区的分布式RL系统。每个回放缓冲区用于存储位于同一Borg单元上的特定Actor。此外，分片回放缓冲区为加速器内核提供了具有更高吞吐量的输入管道。

实例验证：芯片放置

我们面向大型网表在芯片放置任务中测试了Menger。与基准相比，Menger使用512个TPU内核，在训练时间上有了显着改善(最高提升约8.6倍，即在最优配置下，可以将训练时间从约8.6小时减少到1小时)。尽管Menger针对TPU进行了优化，但该框架才是性能提升的关键因素，我们预计在GPU上实验也会看到类似的提升。

与芯片放置的基准相比，在不同TPU核心数量时使用Menger的训练时间的提升。