Aggregator機制

本文將為您介紹Aggregator的執行機制、相關API，並以Kmeans Clustering為例說明Aggregator的具體用法。

Aggregator是MaxCompute Graph作業中常用的特徵，特別適用於解決機器學習問題。MaxCompute Graph中，Aggregator用於匯總並處理全域資訊。

Aggregator的邏輯分為兩部分：

一部分在所有Worker上執行，即分布式執行。
一部分只在Aggregator Owner所在的Worker上執行，即單點執行。

其中，在所有Worker上執行的操作包括建立初始值及局部彙總，然後將局部彙總結果發送給Aggregator Owner所在的Worker上。Aggregator Owner所在的Worker上彙總普通Worker發送過來的局部彙總對象，得到全域彙總結果，然後判斷迭代是否結束。全域彙總的結果會在下一輪超步（迭代）分發給所有Worker，供下一輪迭代使用。 Aggregator機制

Aggregator的基本流程如下：

每個Worker啟動時執行createStartupValue用於建立AggregatorValue。
每輪迭代開始前，每個Worker執行createInitialValue來初始化本輪的AggregatorValue。
一輪迭代中每個點通過context.aggregate()來執行aggregate()實現Worker內的局部迭代。
每個Worker將局部迭代結果發送給AggregatorOwner所在的Worker。
AggregatorOwner所在Worker執行多次merge，實現全域彙總。
AggregatorOwner所在Worker執行terminate用於處理全域彙總結果，並決定是否結束迭代。

Aggregator的API

Aggregator共提供了5個API供您實現。API的調用時機及常規用途如下：

createStartupValue(context)
該API在所有Worker上執行一次，調用時機是所有超步開始之前，通常用於初始化AggregatorValue。在第0輪超步中，調用WorkerContext.getLastAggregatedValue()或ComputeContext.getLastAggregatedValue()可以擷取該API初始化的AggregatorValue對象。
createInitialValue(context)
該API在所有Worker上每輪超步開始時調用一次，用於初始化本輪迭代所用的AggregatorValue。通常操作是通過 WorkerContext.getLastAggregatedValue()得到上一輪迭代的結果，然後執行部分初始化操作。
aggregate(value, item)
該API同樣在所有Worker上執行，與上述API不同的是，該API由使用者顯示調用ComputeContext#aggregate(item)來觸發，而上述兩個API由架構自動調用。該API用於執行局部彙總操作，其中第一個參數value是本Worker在該輪超步已經彙總的結果（初始值是createInitialValue返回的對象），第二個參數是您的代碼調用ComputeContext#aggregate(item)傳入的參數。該API中通常用item來更新value實現彙總。所有aggregate執行完後，得到的value就是該Worker的局部彙總結果，然後由架構發送給Aggregator Owner所在的Worker。
merge(value, partial)
該API執行於Aggregator Owner所在Worker，用於合并各Worker局部彙總的結果，達到全域彙總對象。與aggregate類似，value是已經彙總的結果，而partial待彙總的對象，同樣用partial更新value。
假設有3個Worker，分別是w0、w1、w2，其局部彙總結果是p0、p1、p2。例如，發送到Aggregator Owner所在Worker的順序為p1、p0、p2，則merge執行次序為：
1. 首先執行merge(p1, p0)，這樣p1和p0就彙總為p1。
2. 然後執行merge(p1, p2)，p1和p2彙總為p1，而p1即為本輪超步全域彙總的結果。
由上述樣本可見，當只有一個Worker時，不需要執行merge方法，即merge()不會被調用。
terminate(context, value)
當Aggregator Owner所在Worker執行完merge()後，架構會調用terminate(context, value)執行最後的處理。其中第二個參數value，即為merge()最後得到全域彙總，在該方法中可以對全域彙總繼續修改。執行完terminate()後，架構會將全域彙總對象分發給所有Worker，供下一輪超步使用。terminate()方法的一個特殊之處在於，如果返回True，則整個作業就結束迭代，否則繼續執行。在機器學習情境中，通常判斷收斂後返回True以結束作業。

Kmeans Clustering樣本

下面以典型的Kmeans Clustering為例，為您介紹Aggregator的具體用法。

說明

完整代碼請參見Kmeans，此處為解析代碼。

GraphLoader部分

GraphLoader部分用於載入輸入表，並轉換為圖的點或邊。這裡我們輸入表的每行資料為一個樣本，一個樣本構造一個點，並用Vertex的Value來存放樣本。

首先定義一個Writable類KmeansValue作為Vertex的value類型。

public static class KmeansValue implements Writable {
    DenseVector sample;
    public KmeansValue() {
    }
    public KmeansValue(DenseVector v) {
        this.sample = v;
    }
    @Override
        public void write(DataOutput out) throws IOException {
        wirteForDenseVector(out, sample);
    }
    @Override
        public void readFields(DataInput in) throws IOException {
        sample = readFieldsForDenseVector(in);
    }
}

KmeansValue中封裝一個DenseVector對象來存放一個樣本，這裡DenseVector類型來自matrix-toolkits-java，而wirteForDenseVector()及readFieldsForDenseVector()用於實現序列化及還原序列化。

自訂的KmeansReader代碼，如下所示。

public static class KmeansReader extends
    GraphLoader<LongWritable, KmeansValue, NullWritable, NullWritable> {
    @Override
        public void load(
        LongWritable recordNum,
        WritableRecord record,
        MutationContext<LongWritable, KmeansValue, NullWritable, NullWritable> context)
        throws IOException {
        KmeansVertex v = new KmeansVertex();
        v.setId(recordNum);
        int n = record.size();
        DenseVector dv = new DenseVector(n);
        for (int i = 0; i < n; i++) {
            dv.set(i, ((DoubleWritable)record.get(i)).get());
        }
        v.setValue(new KmeansValue(dv));
        context.addVertexRequest(v);
    }
}

KmeansReader中，每讀入一行資料建立一個點，這裡用recordNum作為點的ID，將record內容轉換成DenseVector對象並封裝進VertexValue中。

Vertex部分

自訂的KmeansVertex代碼如下。邏輯非常簡單，每輪迭代要做的事情就是將自己維護的樣本執行局部彙總。具體邏輯參見下面Aggregator的實現。

public static class KmeansVertex extends
    Vertex<LongWritable, KmeansValue, NullWritable, NullWritable> {
    @Override
        public void compute(
        ComputeContext<LongWritable, KmeansValue, NullWritable, NullWritable> context,
        Iterable<NullWritable> messages) throws IOException {
        context.aggregate(getValue());
    }
}

Aggregator部分

整個Kmeans的主要邏輯集中在Aggregator中。首先是自訂的KmeansAggrValue，用於維護要彙總及分發的內容。

public static class KmeansAggrValue implements Writable {
    DenseMatrix centroids;
    DenseMatrix sums; // used to recalculate new centroids
    DenseVector counts; // used to recalculate new centroids
    @Override
        public void write(DataOutput out) throws IOException {
        wirteForDenseDenseMatrix(out, centroids);
        wirteForDenseDenseMatrix(out, sums);
        wirteForDenseVector(out, counts);
    }
    @Override
        public void readFields(DataInput in) throws IOException {
        centroids = readFieldsForDenseMatrix(in);
        sums = readFieldsForDenseMatrix(in);
        counts = readFieldsForDenseVector(in);
    }
}

KmeansAggrValue維護了3個對象：

centroids是當前的K個中心點。如果樣本是m維，centroids就是一個K*m的矩陣。
sums是和centroids大小一樣的矩陣，每個元素記錄了到特定中心點最近的樣本特定維之和。例如sums(i,j)是到第i個中心點最近的樣本的第j維度之和。
counts是個K維的向量，記錄到每個中心點距離最短的樣本個數。sums和counts一起用於計算新的中心點，也是要彙總的主要內容。

接下來是自訂的Aggregator實作類別KmeansAggregator，按照上述API的順序分析其實現。

createStartupValue()的實現。

public static class KmeansAggregator extends Aggregator<KmeansAggrValue> {
    public KmeansAggrValue createStartupValue(WorkerContext context) throws IOException {
        KmeansAggrValue av = new KmeansAggrValue();
        byte[] centers = context.readCacheFile("centers");
        String lines[] = new String(centers).split("\n");
        int rows = lines.length;
        int cols = lines[0].split(",").length; // assumption rows >= 1
        av.centroids = new DenseMatrix(rows, cols);
        av.sums = new DenseMatrix(rows, cols);
        av.sums.zero();
        av.counts = new DenseVector(rows);
        av.counts.zero();
        for (int i = 0; i < lines.length; i++) {
            String[] ss = lines[i].split(",");
            for (int j = 0; j < ss.length; j++) {
                av.centroids.set(i, j, Double.valueOf(ss[j]));
            }
        }
        return av;
    }
}

在該方法中初始化一個KmeansAggrValue對象，然後從資源檔centers中讀取初始中心點，並賦值給centroids。而sums和counts初始化為0。

createInitialValue()的實現。

@Override
public KmeansAggrValue createInitialValue(WorkerContext context)
    throws IOException {
    KmeansAggrValue av = (KmeansAggrValue)context.getLastAggregatedValue(0);
    // reset for next iteration
    av.sums.zero();
    av.counts.zero();
    return av;
}

該方法首先擷取上一輪迭代的KmeansAggrValue，然後將sums和counts清零，只保留了上一輪迭代出的centroids。

aggregate()的實現。

@Override
public void aggregate(KmeansAggrValue value, Object item)
    throws IOException {
    DenseVector sample = ((KmeansValue)item).sample;
    // find the nearest centroid
    int min = findNearestCentroid(value.centroids, sample);
    // update sum and count
    for (int i = 0; i < sample.size(); i ++) {
        value.sums.add(min, i, sample.get(i));
    }
    value.counts.add(min, 1.0d);
}

該方法中調用findNearestCentroid()找到樣本item距離最近的中心點索引，然後將其各個維度加到sums上，最後counts計數加1。

以上3個方法執行於所有Worker上，實現局部彙總。在Aggregator Owner所在Worker執行的全域彙總相關操作如下：

merge()的實現。

@Override
public void merge(KmeansAggrValue value, KmeansAggrValue partial)
    throws IOException {
    value.sums.add(partial.sums);
    value.counts.add(partial.counts);
}

merge的實現邏輯很簡單，就是把各個Worker彙總出的sums和counts相加即可。

terminate()的實現。

@Override
public boolean terminate(WorkerContext context, KmeansAggrValue value)
    throws IOException {
    // Calculate the new means to be the centroids (original sums)
    DenseMatrix newCentriods = calculateNewCentroids(value.sums, value.counts, value.centroids);
    // print old centroids and new centroids for debugging
    System.out.println("\nsuperstep: " + context.getSuperstep() +
                       "\nold centriod:\n" + value.centroids + " new centriod:\n" + newCentriods);
    boolean converged = isConverged(newCentriods, value.centroids, 0.05d);
    System.out.println("superstep: " + context.getSuperstep() + "/"
                       + (context.getMaxIteration() - 1) + " converged: " + converged);
    if (converged || context.getSuperstep() == context.getMaxIteration() - 1) {
        // converged or reach max iteration, output centriods
        for (int i = 0; i < newCentriods.numRows(); i++) {
            Writable[] centriod = new Writable[newCentriods.numColumns()];
            for (int j = 0; j < newCentriods.numColumns(); j++) {
                centriod[j] = new DoubleWritable(newCentriods.get(i, j));
            }
            context.write(centriod);
        }
        // true means to terminate iteration
        return true;
    }
    // update centriods
    value.centroids.set(newCentriods);
    // false means to continue iteration
    return false;
}

teminate()中首先根據sums和counts調用calculateNewCentroids()求平均計算出新的中心點。然後調用isConverged()根據新老中心點歐拉距離判斷是否已經收斂。如果收斂或迭代次數達到最大數，則將新的中心點輸出並返回True，以結束迭代。否則更新中心點並返回False以繼續迭代。

main方法

main方法用於構造GraphJob，然後設定相應配置，並提交作業。

public static void main(String[] args) throws IOException {
    if (args.length < 2)
        printUsage();
    GraphJob job = new GraphJob();
    job.setGraphLoaderClass(KmeansReader.class);
    job.setRuntimePartitioning(false);
    job.setVertexClass(KmeansVertex.class);
    job.setAggregatorClass(KmeansAggregator.class);
    job.addInput(TableInfo.builder().tableName(args[0]).build());
    job.addOutput(TableInfo.builder().tableName(args[1]).build());
    // default max iteration is 30
    job.setMaxIteration(30);
    if (args.length >= 3)
        job.setMaxIteration(Integer.parseInt(args[2]));
    long start = System.currentTimeMillis();
    job.run();
    System.out.println("Job Finished in "
                       + (System.currentTimeMillis() - start) / 1000.0 + " seconds");
}

說明

job.setRuntimePartitioning(false)設定為False後，各個Worker載入的資料不再根據Partitioner重新分區，即誰載入的資料誰維護。