TensorFlow遇上Spark

TensorFlowOnSpark 项目是由Yahoo开源的一个软件包,实现TensorFlow集群服务部署在Spark平台之上。

大家好,这次我将分享TensorFlow On Spark的解决方案,将TensorFlow集群部署在Spark平台之上,实现了TensorFlow与Spark的无缝连接,更好地解决了两者数据传递的问题。

这次分享的主要内容包括TensorFlowOnSpark架构设计,探讨其工作原理,通过理解其设计,更好地理解TensorFlow集群在Spark平台上的运行机制。

首先,探讨TensorFlowOnSpark的架构与设计。主要包括如下两个基本内容:

  • 架构分析
  • 生命周期

在开始之前,先探讨一下TensorFlowOnSpark的背景,及其它需要解决的问题。为了实现Spark利用TensorFlow深度学习,及其GPU加速的能力,最常见的解决方案如上图所示。

搭建TensorFlow集群,并通过利用既有的Spark集群的数据完成模型的训练,最种再将训练好的模型部署在Spark集群上,实现数据的预测。

该方案虽然实现了Spark集群的深度学习,及其GPU加速的能力,但需要Spark集群与TensorFlow集群之间的数据传递,造成冗余的系统复杂度。

很容易想到,可以将TensorFlow集群部署在Spark之上,用于解决集群间数据传递的问题。

依次类同,该方案可实现Caffe部署在Spark集群之上,实现Spark集群对多种深度学习框架的支持能力,并兼容既有Spark组件的完整性,包括Spark MLLib, Spark Streaming, Spark SQL等。

TensorFlowOnSpark的架构较为简单,Spark Driver程序并不会参与TensorFlow内部相关的计算和处理。其设计思路像是将一个TensorFlow集群运行在了Spark上,其在每个Spark Executor中启动TensorFlow应用程序,然后通过gRPC或RDMA方式进行数据传递与交互。

TensorFlowOnSpark的Spark应用程序包括4个基本过程。

  • Reserve:组建TensorFlow集群,并在每个Executor进程上预留监听端口,启动“数据/控制”消息的监听程序。
  • Start:在每个Executor进程上启动TensorFlow应用程序;
  • Train/Inference:在TensorFlow集群上完成模型的训练或推理
  • Shutdown:关闭Executor进程上的TensorFlow应用程序,释放相应的系统资源(消息队列)。

用户直接通过spark-submit的方式提交Spark应用程序(mnist_spark.py)。其中通过--py_files选项附带TensorFlowOnSpark框架(tfspark.zip),及其TensorFlow应用程序(mnist_dist.py),从而实现TensorFlow集群在Spark平台上的部署。

tfos.part9.9_9.pdf.jpg

首先看看TensorFlow集群的建立过程。首先根据spark-submit传递的num_executor参数,通过调用cluster = sc.parallelize(num_executor)建立一个ParllelCollectionRDD,其中分区数为num_executor。也就是说,此时分区数等于Executor数。

然后再调用cluster.mapPartitions(TFParkNode.reserve)将ParllelCollectionRDD变换(transformation)为MapPartitionsRDD,在每个分区上回调TRSparkNode.reserve。

TRSparkNode.reserve将会在该节点上预留一个端口,并驻留一个Manager服务。Manager持有一个队列,用于完成进程间的同步,实现该节点的“数据/控制”消息的服务。

数据消息启动了两个队列:Input与Output,分别用于RDD与Executor进程之间的数据交换。

控制消息启动了一个队列:Control,用于Driver进程控制PS任务的生命周期,当模型训练完成之后,通过Driver发送Stop的控制消息结束PS任务。

tfos.part10.10_10.pdf.jpg

这是从分区的角度看待TensorFlow集群建立的过程,横轴表示RDD。这里存在两个RDD,第一个为ParllelCollectionRDD,然后变换为MapPartitionsRDD。

纵轴表示同一个分区(Partition),并在每个分区上启动一个Executor进程 。在Spark中,分区数等于最终在TaskScheduler上调度的Task数目。

此处,sc.parallelize(num_executor)生成一个分区数为num_executor的ParllelCollectionRDD。也就是说,此时分区数等于num_executor数目。

在本例中,num_executor为3,包括1个PS任务,2个Worker任务。

tfos.part11.11_11.pdf.jpg

TensorFlow集群建立后,将生成上图所示的领域模型。其中,一个TFCluster将持有num_executor个TFSparkNode节点;在每个TFSparkNode上驻留一个Manager服务,并预留一个监听端口,用于监听“数据/控制”消息。

实际上,TFSparkNode节点承载于Spark Executor进程之上。

tfos.part12.12_12.pdf.jpg

TensorFlow集群建立后,通过调用cluster.start启动集群服务。其结果将在每个Executor进程上启动TensorFlow应用程序。

此处,需要对原生的TensorFlow应用程序进行适配修改,包括2个部分:

  • Feeding与Fetching: 数据输入/输出机制修改
  • ClusterSpec: TF集群的构造描述

其余代码都将保留,最小化TensorFlow应用程序的修改。

tfos.part13.13_13.pdf.jpg

在cluster上调用foreachPartition(TFSparkNode.start(map_func)),将在每个分区(Executor进程)上回调TFSparkNode.start(map_func)。其中,map_func是对应TF应用程序的包装。

通过上述过程,将在Spark上拉起了一个TF的集群服务。从而使得Spark集群拥有了深度学习和GPU加速的能力。

tfos.part14.14_14.pdf.jpg

当Spark平台上已经拉起了TF集群服务之后,便可以启动模型的训练或推理过程了。在训练或推理过程中,最重要的是解决数据的Feeding和Fetching问题。

TFoS上提供了两种方案:

  • TensorFlow QueueRunner:利用TensorFlow提供的FileReader和QueueRunner机制。Spark未参与任何工作,请查阅TensorFlow官方相关文档。
  • Spark Feeding:首先从RDD读取分区数据(通过HadoopRDD.compute),然后将其放在Input队列中,Executor进程再从该队列中取出,并进一步通过feed_dict,调用session.run将分区数据供给给TensorFlow Graph中。
tfos.part15.15_15.pdf.jpg

Feeding过程,就是通过Input Queue同步实现的。当RDD读取分区数据后,阻塞式地将分区数据put到Input队列中;TFGraph在session.run获取Next Batch时,也是阻塞式地等待数据的到来。

tfos.part16.16_16.pdf.jpg

同样的道理,Fetching过程与Feeding过程类同,只是使用Output Queue,并且数据流方向相反。

session.run返回的数据,通过put阻塞式地放入Output Queue,RDD也是阻塞式地等待数据到来。

tfos.part17.17_17.pdf.jpg

以模型训练过程为例,讲解RDD的变换过程。此处以Mnist手写识别为例,左边表示X,右边表示Y。分别通过HadoopRDD读取分区数据,然后通过MapPartititionRDD变换分区的数据格式;然后通过zip算子,实现两个RDD的折叠,生成ZipPartitionsRDD。

然后,根据Epochs超级参数的配置,将该RDD重复执行Epochs次,最终将结果汇总,生成UnionRDD。

在此之前,都是Transformation的过程,最终调用foreachPartition(train)启动Action,触发Spark Job的提交和任务的运行。

tfos.part18.18_18.pdf.jpg

当模型训练或推理完成之后,分别在Input/Control队列中投掷Stop(以传递None实现)消息,当Manager收到Stop消息后,停止队列的运行。

最终,Spark应用程序退出,Executor进程退出,整个工作流执行结束。

tfos.part19.19_19.pdf.jpg
tfos.part20.20_20.pdf.jpg

推荐资料,强烈推荐直接地源代码阅读。

tfos.part21.21_21.pdf.jpg
tfos.part22.22_22.pdf.jpg

原文发布于微信公众号 - 人工智能LeadAI(atleadai)

原文发表时间:2017-09-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Django中文社区

创建 Django 博客的数据库模型

设计博客的数据库表结构 博客最主要的功能就是展示我们写的文章,它需要从某个地方获取博客文章数据才能把文章展示出来,通常来说这个地方就是数据库。我们把写好的文章永...

2846
来自专栏逍遥剑客的游戏开发

关于RenderTarget的注意事项

15610
来自专栏Hadoop实操

如何在CDH中使用PySpark分布式运行GridSearch算法

当我们在跑机器学习程序,尤其是调节网格参数时,通常待调节的参数有很多,参数之间的组合更是复杂。Python的sklearn包中GridSearch模块,能够在指...

1683
来自专栏祝威廉

用线性回归无编码实现文章浏览数预测

继 无编码利用协同算法实现个性化推荐,我纯粹使用SQL和配置实现了一个更为复杂一些的,计算文章词汇的tf/idf值,将浏览数作为预测值,使用线性回归算法进行模型...

471
来自专栏Hadoop实操

如何在CDH6.0中使用纠删码

Fayson在前面的文章中介绍过《什么是HDFS的纠删码》,当时详细介绍了什么是纠删码,纠删码的实现原理,以及一些Benchmark的结果比较。

1574
来自专栏文武兼修ing——机器学习与IC设计

P2P接口串行FIR设计

配置接口使用寄存器组实现,掉电丢失,因此每次使用之前需要进行配置FIR参数,配置接口时序如下所示:

1014
来自专栏专知

浅显易懂的分布式TensorFlow入门教程

【导读】分布式TensorFlow可以有效地提神经网络训练速度,但它的使用并不简单。虽然官方提供了文档和示例,如链接【1】,但是它们太难懂了。本文是一篇浅显易懂...

1787
来自专栏祝威廉

TensorFlowOnSpark 源码解析

这两天琢磨了下spark-deep-learning和spark-sklearn两个项目,但是感觉都不尽人如意。在training时,都需要把数据broadca...

962
来自专栏公有云大数据平台弹性 MapReduce

ResourceManager中的Resource Estimator框架介绍与算法剖析

本文首先介绍了Hadoop中的ResourceManager中的estimator service的框架与运行流程,然后对其中用到的资源估算算法进行了原理剖析。

2.4K16
来自专栏云霄雨霁

计算题总结

1950

扫码关注云+社区