浅尝TensorFlow on Kubernetes

浅尝TensorFlow on Kubernetes_第1张图片


TensorFlow GitHub 70K+ stars,Kubernetes GitHub 27K+ stars,两个都是在各自领域的霸主,本文从TensorFlow running in Kubernetes的角度,对两者的整合进行梳理和思考,看看能擦出什么样的火花。

1. Distributed TensorFlow

?wxfrom=5&wx_lazy=1


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,因为在人工智能/大数据领域,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[1]》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来极大提高训练效率。


浅尝TensorFlow on Kubernetes_第2张图片


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


浅尝TensorFlow on Kubernetes_第3张图片

2. 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:


浅尝TensorFlow on Kubernetes_第4张图片


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。

3. Integrated Architecture

?


浅尝TensorFlow on Kubernetes_第5张图片


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。

4. Deploy Architecture

?


浅尝TensorFlow on Kubernetes_第6张图片


整个系统涉及以下核心Components:


  • TensorFlow:1.3.0

  • Kubernetes:1.7.4

  • Docker:1.12.6

  • Glusterfs:3.10.5

  • 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


网络方案:contiv netplugin + ovs + vlan

日志方案:fluentd + Kafka + ES + Kibana监控方案:cadvisor + prometheus + GrafanaCaaS的细节不在这里讨论,其实也是大家非常熟悉的方案了。

5. Demo

?


大家可以参考Kyle Bai https://github.com/kairen/workshop413,他这里用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:


浅尝TensorFlow on Kubernetes_第7张图片


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:


浅尝TensorFlow on Kubernetes_第8张图片


点击执行,可以在下面看到输出:


浅尝TensorFlow on Kubernetes_第9张图片


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。

6. Thinking

?


Q:PS进程遗留问题,在社区讨论比较多[2],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。


Q:worker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。


比如下面是一个例子,tfcluster_template.yaml.jinja,用户只需关注前面的4项即可。


{%- set name = "imagenet" -%}  # 算法名称
{%- set worker_replicas = 3 -%}  # worker数
{%- set ps_replicas = 2 -%}     # ps数
{%- set script = "http://xxx.xx.xx.xxx:80/imagenet/imagenet.py" -%}  # 算法脚本的http下载路径

{%- 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 rendertemplate.py tfclustertemplate.yaml.jinja | kubectl apply -f - 完成对应的Between-Graph TensorFlow Cluster的创建和启动。


7. 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。


相关链接:


  1. https://arxiv.org/abs/1701.06538

  2. https://github.com/tensorflow/tensorflow/issues/4713


本文转载自公众号: vivo互联网技术,ID:vivoVMIC,点击阅读原文。


基于Kubernetes的DevOps实践培训

?


本次培训内容包含:Kubernetes架构、安装、深入了解Kubernetes、Kubernetes高阶——设计与实现、Kubernetes落地实践、微服务、Cloud Native等,点击识别下方二维码加微信好友了解具体培训内容


浅尝TensorFlow on Kubernetes_第10张图片


点击阅读原文链接即可报名。

你可能感兴趣的:(浅尝TensorFlow on Kubernetes)