Merlin HugeCTR v3.4.1 发布说明

Merlin HugeCTR（以下简称 HugeCTR）是 GPU 加速的推荐程序框架，旨在在多个 GPU 和节点之间分配训练并估计点击率（Click-through rate）。

此次v3.4更新涉及的模块主要为：

1. HugeCTR 分级参数服务器
2. HugeCTR Python API

相关介绍：

• HugeCTR 分级参数服务器介绍

V3.4.1 版本新增内容

1. 调整了整个代码库中日志消息的日志级别。
2. 现已支持对具有多个标签的数据集进行推理：

“Softmax” 层现在已支持 FP16，并且支持混合精度以进行多标签推理。有关详细信息，请参阅此页面。

3. 支持多 GPU 离线推理：

我们通过 Python 接口支持多 GPU 离线推理，它可以利用 Hierarchical Parameter Server 并在多个设备上实现并发执行。更多信息请参考推理 API 和多 GPU 离线推理笔记本。

4. HPS 已构建为独立库：

我们重构了代码库并将分层参数服务器构建为一个独立的库，以后会进一步封装。

5. metadata.json 简介：

添加了有关 Parquet data 中 _metadata.json 的详细信息，请参阅此页面。

6. 增加了用于估计每个 GPU 的词汇量大小的文档和工具：

我们添加了一个工具来计算每个 GPU 的不同嵌入类型的词汇量大小，在此基础上， workspace_size_per_gpu_in_mb 可以根据嵌入向量大小和优化器类型评估更多信息请参考脚本与 Q&A。

7. 训练中支持 HDFS：
   1. 现在支持从 HDFS 加载和存储模型和优化器状态。
   1. 增加了编译选项使 HDFS 的支持更加灵活。
   1. 添加了一个笔记本来展示如何将 HugeCTR 与 HDFS 一起使用
8. 增加了一个演示如何分析模型文件的 Python 脚本和笔记本

9. 错误修复：
   1. 修复了 SOK 中的镜像策略错误（详见） 
   2. 修复了无法在 nvcr.io/nvidia/merlin/merlin-tensorflow-training:22.02 中导入稀疏操作工具包的问题（详见）
   3. HugeCTR 参数服务器：修复了在未配置 RocksDB 时，可能会在初始化期间发生的访问冲突问题。

已知问题

• HugeCTR 使用 NCCL 在 rank 之间共享数据，并且 NCCL 可能需要共享系统内存用于 IPC 和固定（页面锁定）系统内存资源。在容器内使用 NCCL 时，建议您通过发出以下命令 (-shm-size=1g -ulimit memlock=-1) 来增加这些资源。

另见 NCCL 的已知问题。还有 GitHub 问题。

• 目前即使目标 Kafka broker 无响应，KafkaProducers 启动也会成功。为了避免与来自 Kafka 的流模型更新相关的数据丢失，您必须确保有足够数量的 Kafka brokers 启动、正常工作并且可以从运行 HugeCTR 的节点访问。
• 文件列表中的数据文件数量应不小于数据读取器的数量。否则，不同的 worker 将被映射到同一个文件，从而导致数据加载不会按预期进行。
• 正则化器暂不支持联合损失训练。

——————————————————————————————————————-

NVIDIA GTC 大会将于 3 月 21 日至 24 日线上举办！扫描下方海报二维码，即刻免费注册，切莫错过推荐系统专家们所带来的独家讲座，获取开发秘笈。