浅尝TensorFlow on Kubernetes

Author: xidianwangtao@gmail.com

更多关于Kubernetes的深度文章,请到我oschina/WalonWang的博客主页。

Distributed TensorFlow

2016年4月TensorFlow发布了0.8版本宣布支持分布式计算,这个特性,我们称之为Distributed TensorFlow。

这是非常重要的一个特性,因为在AI的世界里,训练数据的size通常会大到让人瞠目结舌。比如Google Brain实验室今年发表的论文OUTRAGEOUSLY LARGE NEURAL NETWORKS: THE SPARSELY-GATED MIXTURE-OF-EXPERTS LAYER中提到,下图中MOE Layer Model可以达到680亿个Parameters的规模,如此复杂的模型,如果只能单机训练,那耗时难于接受。通过Distributed TensorFlow,可以利用众多服务器构建TensorFlow Cluster来提高训练效率。

关于Distributed TensorFlow的更多内容,请参考官方内容www.tensorflow.org/deplopy/distributed,这里给出Distributed TensorFlow结构图:

Why TensorFlow on Kubernetes

Distributed TensorFlow虽然提供了分布式能力,可以利用服务器集群加快训练,但是还有许多缺点,比如资源无法隔离、PS进程遗留问题等等,而这些正是Kubernetes所擅长的地方。下图是总结的你需要将TensorFlow运行在Kubernetes上的理由:

对于我们来说,前期最大的用户痛点就是算法团队使用的HDFS Read性能不及预期,经过网上查找资料及我们自己简单的对比测试,发现***GlusterFS***可能是最适合我们的分布式存储了。因此在我们的TensorFlow on Kubernetes项目中使用GlusterFS来存放训练数据,worker将从GlusterFS中读取训练数据进行计算。

关于PS进程遗留问题,TensorFlow社区有很多讨论,但至今没有官方的实现方案,在Kubernetes中,这将比较好解决,在后面的Thinking小节中会单独讨论。

Integrated Architecture

说明:

  • 支持Between-Graph和In-Graph两种replication场景;
  • PS Task通过Kubernetes Deployment来部署,Worker Task通过Kubernetes Job来部署,由Kubernetes service和KubeDNS来提供服务发现;
  • 每个TensorFlow Cluster都会通过StorageClass来Dynamic Provision PV,事先会先创建好通过Heketi对接Gluster集群的StorageClass;
  • GlusterFS集群通过Heketi来暴露rest api与Kubernetes进行交互,关于Heketi的部署,请参考官方文档;
  • 每个TensorFlow Cluster会最终创建两个PV,一个用来存放训练数据(挂载到容器内/data,对应TensorFlow --data_dir配置),一个用来存储训练日志(挂载到容器内/log,对应TensorFlow --log_path配置);
  • 每个用户会对应在Kubernetes中创建一个namespace;
  • 会给每个用户部署一个Jupyter Notebook Deployment和Service,Service通过NodePort暴露到集群外;
  • 有一个节点比较特殊,我们称之为User Node,这个节点通过Taint方式,保证会运行Pod,但是会通过kube-proxy来暴露集群内的service,比如上面的Jupyter Notebook service将只允许在这个节点暴露出去;
  • User Node节点存放着用户写的python算法,并可以通过http查看和下载这些算法文件,Between-Graph场景下,容器启动后将通过curl下载这些算法文件;
  • 会给没用用户创建一个Tensorboard Deployment和Service,Serivce通过NodePort暴露到集群外(同样只能在User Node暴露),Tensorboard Pod会挂着log PV,这样就能得到TensorFlow Graph。

Deploy Architecture

整个系统涉及以下核心Components:

  • TensorFlow: 1.3.0
  • Kubernetes: 1.7.4
  • Docker: 1.12.6
  • Harbor: 1.1.2
  • Contiv netplugin: 0.1-12-23-2016.19-44-42.UTC
  • Keepalived: 1.3.5
  • Haproxy:1.7.8
  • Etcd2: 2.3.7
  • Etcd3: 3.2.1
  • Glusterfs: 3.10.5

网络方案:contiv netplugin + ovs + vlan. 日志方案:fluentd + Kafka + ES + Kibana. 监控方案:cadvisor + prometheus + Grafana.

CaaS的细节不在这里讨论,其实也是大家非常熟悉的方案了。

Demo

大家可以参考Kyle Bai的https://github.com/kairen/workshop413,他这里时候用NFS作为后端存储,需要改成你们自己的存储,大家自己去尝试吧,我这就不一步一步来了,好无聊。

这个Demo,我改成NodePort方式暴露Jupyter Nodebook,登录时输入正确的token即可:

这是一个In-Graph集群,点击master_client.ipynb,可以看到具体的训练算法内容:

点击执行,可以在下面看到输出:

这只是个简单的Demo,实际使用上,自动化生成各个ps, worker, pvc对应的kubernetes yaml,使用域名进行服务发现,不然如果你使用IP的话,可能就需要利用Pod的ProStart Hook来反馈各个Task的IP了,这将比较麻烦。

Thinking

  • Q: PS进程遗留问题,在社区讨论比较多(issue 4173),结合Kubernetes,我们可以比较简单的来做到回收PS进程的目的。 A:在DevOps的TaaS模块中,针对每个TensorFlow Cluster都启动一个协程,检查计数器是否达到worker数量(worker是job运行的,down了以后,watch到job successed,则计数器加1),如果等于worker数,则表明训练结束,等待30s后,调用kubernetes apiserver接口将ps deployment/service删除,达到自动回收ps的效果;
  • Qworker是无状态的,ps是有状态的,而ps是无法进行checkpoint的,如何进行训练save和restore呢? A:worker虽然是无状态的,但是tf.train.Saver提供能力在worker上进行checkpoint,大概原理就是逐个从PS task中get Parameters,并进行save持久化。
  • Q怎么让用户指定ps和worker个数等少量参数,自动生成kubernetes yaml? A: 因为当前我们还没有针对TaaS做前端Portal,所以目前是通过jinja template来自动生成的(可以参考tensorflow/ecosystem/kubernetes),用户只要指定少量参数即可生成ps和worker需要的kubernetes yaml。 比如下面是我的一个jinja template tfcluster_template.yaml.jinja,
{%- set name = "imagenet" -%}
	{%- set worker_replicas = 3 -%}
	{%- set ps_replicas = 2 -%}
	{%- set script = "http://xxx.xx.xx.xxx:80/imagenet/imagenet.py" -%}

	{%- set image = "tensorflow/tensorflow:1.3.0" -%}
	{%- set data_dir = "/data" -%}
	{%- set log_dir = "/log" -%}
	{%- set port = 2222 -%}
	{%- set replicas = {"worker": worker_replicas, "ps": ps_replicas} -%}

	{%- macro worker_hosts() -%}
	  {%- for i in range(worker_replicas) -%}
	    {%- if not loop.first -%},{%- endif -%}
	    {{ name }}-worker-{{ i }}:{{ port }}
	  {%- endfor -%}
	{%- endmacro -%}

	{%- macro ps_hosts() -%}
	  {%- for i in range(ps_replicas) -%}
	    {%- if not loop.first -%},{%- endif -%}
	    {{ name }}-ps-{{ i }}:{{ port }}
	  {%- endfor -%}
	{%- endmacro -%}


	{%- for job in ["worker", "ps"] -%}
	{%- for i in range(replicas[job]) -%}
	kind: Service
	apiVersion: v1
	metadata:
	  name: {{ name }}-{{ job }}-{{ i }}
	spec:
	  selector:
	    name: {{ name }}
	    job: {{ job }}
	    task: "{{ i }}"
	  ports:
	  - port: {{ port }}
	    targetPort: 2222
	{% if job == "worker" %}
	---
	kind: Job
	apiVersion: batch/v1
	metadata:
	  name: {{ name }}-{{ job }}-{{ i }}
	spec:
	  replicas: 1
	  template:
	    metadata:
	      labels:
	        name: {{ name }}
	        job: {{ job }}
	        task: "{{ i }}"
	    spec:
	      containers:
	      - name: {{ name }}-{{ job }}-{{ i }}
	        image: {{ image }}
	        ports:
	        - containerPort: 2222
	        command: ["/bin/sh", "-c"]
	        args:["
	            curl {{ script }} -o /opt/{{ name }}.py;
	            python /opt/{{ name }}.py \
	                   --ps_hosts={{ ps_hosts() }} \
	                   --worker_hosts={{ worker_hosts() }} \
	                   --job_name={{ job }} \
	                   --task_index={{ i }} \
	                   --log_path={{ log_dir }} \
	                   --data_dir={{ data_dir }} ;"]
	        volumeMounts: 
	        - name: data
	          mountPath: {{ data_dir }}
	        - name: log
	          mountPath: {{ log_dir }}
	      restartPolicy: Never
	      volumes:
	        - name: data
	          persistentVolumeClaim:
	            claimName: {{ name }}-data-pvc
	        - name: log
	          persistentVolumeClaim:
	            claimName: {{ name }}-log-pvc 
	{% endif %}
	{% if job == "ps" %}
	---
	kind: Deployment
	apiVersion: extensions/v1beta1
	metadata:
	  name: {{ name }}-{{ job }}-{{ i }}
	spec:
	  replicas: 1
	  template:
	    metadata:
	      labels:
	        name: {{ name }}
	        job: {{ job }}
	        task: "{{ i }}"
	    spec:
	      containers:
	      - name: {{ name }}-{{ job }}-{{ i }}
	        image: {{ image }}
	        ports:
	        - containerPort: 2222
	        command: ["/bin/sh", "-c"]
	        args:["
	            curl {{ script }} -o /opt/{{ name }}.py;
	            python /opt/{{ name }}.py \
	                   --ps_hosts={{ ps_hosts() }} \
	                   --worker_hosts={{ worker_hosts() }} \
	                   --job_name={{ job }} \
	                   --task_index={{ i }} \
	                   --log_path={{ log_dir }} ;"]
	        volumeMounts: 
	        - name: log
	          mountPath: {{ log_dir }}
	      restartPolicy: Never
	      volumes:
	        - name: log
	          persistentVolumeClaim:
	            claimName: {{ name }}-log-pvc
	{% endif %}
	---
	{% endfor %}
	{%- endfor -%}

	apiVersion: v1
	kind: PersistentVolumeClaim
	metadata:
	 name: {{ name }}-log-pvc
	 annotations:
	   volume.beta.kubernetes.io/storage-class: glusterfs
	spec:
	 accessModes:
	  - ReadWriteMany
	 resources:
	   requests:
	     storage: 10Gi
	---
	apiVersion: v1
	kind: PersistentVolumeClaim
	metadata:
	 name: {{ name }}-data-pvc
	 annotations:
	   volume.beta.kubernetes.io/storage-class: glusterfs
	spec:
	 accessModes:
	  - ReadWriteMany
	 resources:
	   requests:
	     storage: 10Gi
	---
  • 然后执行python render_template.py tfcluster_template.yaml.jinja | kubectl apply -f -完成对应的Between-Graph TensorFlow Cluster的创建和启动。

Summary

TensorFlow和Kubernetes分别作为深度学习和容器编排领域的王者,两者的合理整合可以将释放Distributed TensorFlow的能力,本文只是我对TensorFlow on Kubernetes的浅尝,未来还有很多工作需要做,比如给某些算法定制特殊的调度策略、网络IO性能调优、在DevOps上开发TaaS,提升易用性、TensorFlow Serving的快速部署等等,欢迎对这方面有浓厚兴趣的同学加我微信xidianwangtao交流。

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Kubernetes

原 荐 TensorFlow on Kube

Author: xidianwangtao@gmail.com 玩容器的老司机都知道Kubernetes这两年非常火,截止目前在github上31K+ s...

46880
来自专栏WeTest质量开放平台团队的专栏

UPA深度性能报告解读

UPA作为腾讯WeTest与Unity官方联合打造的客户端性能分析工具,为开发者提供了极大的便利和效能提升。产出的分析报告内容详尽,但您是否真的读懂了报告?是否...

8620
来自专栏媒矿工厂

Ittiam优化VP9,turnaround时间大幅减少

libvpx是Google开发的视频编解码器VP8和VP9的开源软件实现库。libvpx中包含了VP9视频编码算法,相比H.264/AVC,在高...

32550
来自专栏AI研习社

深度学习界的 “吃鸡挂”——目标检测 SSD 实验

“卧槽,又被 LYB 干了!” 背后传来一声哀嚎。 哈哈,看来,沉迷吃鸡的室友又被戒网瘾了。作为一个充满着正义的 LYB 的游戏,这人不长点眼力还真的不行啊。不...

51450
来自专栏上善若水

L016使用/dev/random生成随机数

很多库例程产生的“随机”数是准备用于仿真、游戏等等;它们在被用于密钥生成一类的安全函数时是不够随机的。其问题在于这些库例程使用的算法的未来值可以被攻击者轻易地推...

17940
来自专栏宏伦工作室

深度有趣 | 01-02 前言和准备工作

用 Python 做一些有意思的案例和应用,内容和领域不限,可以包括数据分析、自然语言理解、计算机视觉,等等等等

11320
来自专栏小詹同学

知乎大神爬取高颜值美女(Python爬虫+人脸检测+颜值检测)

这是一篇来自知乎大神的技术文章 ---- 写在前面: 本文作者:邓卓 原文链接:本文转发修改已取得原作者授权 https://zhuanlan.zhihu.c...

89670
来自专栏张善友的专栏

负载均衡的基本算法

负载均衡的基本算法,主要有以下几种(参考F5产品): 随机:负载均衡方法随机的把负载分配到各个可用的服务器上,通过随机数生成算法选取一个服务器,然后把连接发送给...

30070
来自专栏WeTest质量开放平台团队的专栏

UPA深度性能报告解读

原文链接:http://wetest.qq.com/lab/view/403.html

12320
来自专栏AI研习社

Facebook 发布 wav2letter 工具包,用于端到端自动语音识别

AI 研习社消息,日前, Facebook 人工智能研究院发布 wav2letter 工具包,它是一个简单高效的端到端自动语音识别(ASR)系统,实现了 Wav...

43250

扫码关注云+社区

领取腾讯云代金券