如何使用modelarts训练海量数据
在modelarts上使用notebook上使用evs空间默认大小是5G，能满足大部分文本和图片训练模型的需求。如果训练数据稍微超过这个限额，可以适当的扩增下空间。但如果训练对象是视频，或是实际生成过程中的海量数据，这个空间就显得小了，这时候扩增evs空间就显得很不经济了。
最近老山便碰到这样的案例，客户的训练数据大约在1T的量级，在obs上存储的数据结构大概如下图所示。
your-obs-name
└── ...
└── video
├── folder1
│ ├── text.txt
│ └── video.mp4
├── folder2
│ ├── text.txt
│ └── video.mp4
├── folder3
│ ├── text.txt
│ └── video.mp4
├── folder4
│ ├── text.txt
│ └── video.mp4
├── folder5
│ ├── text.txt
│ └── video.mp4
├── ...
虽然使用华为云自带的moxing模块可以直接读取obs的数据，但由于实质是通过http实时读取数据，这个速度比从evs的ssd硬盘上读取数据要慢得多。而解决方案也比较直接，在evs上开辟一个固定大小的空间作为缓存区，一方面不断把obs数据读入缓存区，如果缓存区满了，就等待其腾出空间，另一方面训练任务消费evs数据，当消费完后便删除数据。
程序上也自然选用生产者-消费者模型。程序定义了管道类Pipeline，有生产者线程producer用于将obs数据保存到evs；同时输出evs数据用于外部模型的消费。由于每个视频文件都单独放在一个文件夹下，所以程序的输出对象也是这个文件夹在evs上保存的地址，如folder1，folder2等。至于读取文件夹内部文件信息等消费工作，由用户自行定义。
不多说，直接上代码。
import moxing as mox
mox.file.shift('os', 'mox')
import os, shutil
from queue import Queue
from time import sleep
import threading
import logging
logging.basicConfig(level=logging.INFO,
format="%(asctime)s %(name)s %(levelname)s %(message)s",)
class ObsClient:
def __init__(self, root):
'''获取obs路径上需要读取的文件夹的相关信息'''
self.root = root
self.directory = self.list_directory()
self.maxSize = self.getMaxSize()
def getMaxSize(self):
'''最大的文件夹的大小'''
return max([size for *_, size in self.directory])
def list_directory(self):
'''输出用于训练的文件夹的路径，输出directory：
[(文件夹相对路径，文件夹绝对路径，文件夹大小), ...]
'''
directory = []
folders = mox.file.list_directory(self.root)
for folder in folders:
folderPath = os.path.join(self.root, folder)
if mox.file.is_directory(folderPath):
size = self.get_size(folderPath)
directory.append((folder, folderPath, size))
return directory
def get_size(self, path):
'''获取文件（夹）的大小'''
if mox.file.is_directory(path):
return self.get_size_folder(path)
return self.get_size_file(path)
def get_size_file(self, path):
'''获取文件的大小'''
return mox.file.get_size(path)
def get_size_folder(self, path):
'''获取文件夹的大小'''
size = 0
for filename in mox.file.list_directory(path, recursive=True):
filepath = os.path.join(path, filename)
if not mox.file.is_directory(filepath):
size+= self.get_size_file(filepath)
return size
class EvsClient:
def __init__(self, root, memory, queue, directory, interval = 0.1):
self.root = root # evs缓存区根目录
self.directory = directory # obs文件夹信息
self.size = 0 # evs缓存区已使用的空间
self.memory = memory # evs上用于缓存的空间大小
self.queue = queue # 队列，存储了evs缓存区文件夹的信息
self.interval = interval # 如果缓存区满后，查询缓存大小的间隔时间
def remove(self, folder, size):
'''删除evs文件夹，在文件夹被消费后调用'''
logging.info(f"consumer: start removing folder {folder} with size {size}|{self.size}")
shutil.rmtree(folder, True)
self.size -= size
logging.info(f"consumer: end removing folder {folder} with size -{size}|{self.size}")
def work(self):
'''生成者主程序，用于从obs中copy文件夹到evs'''
for relObsFolder, absObsFolder, size in self.directory:
while True:
# 缓存区没满，就copy文件
if not self.waitOrDo(size):
self.copy(relObsFolder, absObsFolder, size)
break
# 如果缓存区满了，就等待
sleep(self.interval)
# 当所有文件都拷贝后，置入结束符(None, None)
self.queue.put((None, None))
def waitOrDo(self, size):
'''返回True时等待，返回False时工作'''
return self.size + size > self.memory
def copy(self, relObsFolder, absObsFolder, size):
'''从obs中copy文件夹到evs'''
evsFolder = os.path.join(self.root, relObsFolder)
logging.info(f"producer: start copying folder {relObsFolder} with size {size}|{self.size}")
mox.file.copy_parallel(absObsFolder, evsFolder)
self.queue.put((evsFolder, size))
self.size += size
logging.info(f"producer: end copying folder {relObsFolder} with size +{size}|{self.size}")
class Pipeline:
def __init__(self, evsRoot, obsRoot, memory = '1g', timeout = 300, interval = 0.1):
self.memory = self.rescript(memory) # evs上用于缓存的空间大小
self.timeout = timeout # 消费者获取evs缓存区文件夹的最长等待时间
self.queue = Queue() # 队列，存储了evs缓存区文件夹的信息
self.obsClient = ObsClient(obsRoot) # 存储obs上的文件夹信息
# evs上的操作
self.evsClient = EvsClient(evsRoot, self.memory, self.queue, self.obsClient.directory, interval)
self.checkMemory() # 验证evs上用于缓存的空间大小是否足够大
def checkMemory(self):
'''evs上用于缓存的空间大小不能小于obs上最大文件夹大小'''
if self.memory
如果你觉得老山的文章不错，不妨点击下关注。
作者：：山找海味