Spark的GPU支持方法研究

引言：工作以来研究了一段时间的Spark利用GPU进行异构加速训练的的研究。下文是整理了网上一些常见的Spark结合GPU使用的方法。

为了使用Spark进行机器学习，支持GPU是必须的，上层再运行神经网络引擎。目前AWS\GCP和Databricks的云都已经支持GPU的机器学习，AliYun也在实验之中。
这包括几个层次：GPU直接支持Spark。因为Spark是多线程的，而GPU往往只能起一个单例，导致线程会竞争GPU资源，需要进行管理、加锁和调度。方法包括：

• 原生代码内置编译支持。
• 引入cuDNN等NVidia库进行调用。
• 通过Tensorflow等间接进行支持。
• JIT方式即时编译调用方式支持。
• GPU支持的Docker中运行Spark。如果将Spark节点放入Docker容器中运行，则需要使用NVidia提供的特殊版本Docker，而且需要安装NVidai提供的cuDNN等软件支持库。由于这些库调用了系统驱动，而且是C++编写，因此Spark要能够进行系统库的调用。
• GPU支持的Kubernetes之上运行Spark。在上面的基础上，支持GPU的Docker容器需要能够接受Kubernetes的管理和调度。参考：https://my.oschina.net/u/2306127/blog/1808304

只有同时满足上面的条件，才能通过Kubernetes的集群管理对Docker中Spark进行GPU操作。下面是已经做的一些研究。

• IBMSparkGPU的方案可以将GPU用于RDD和DataFrame，支持通用计算，重点支持机器学习；
• deeplearning4j是基于Java的，包含数值计算和神经网络，支持GPU；
• NUMBA的方案通过PySpark即时编译产生GPU的调用代码，兼容性好；
• Tensorflow/Caffe/MXNet等与Spark整合主要是节点调度，GPU由深度学习引擎调度，RDD需要数据交换，主要用于存储中间超参数数据。如TensorFrame的实-https://github.com/databricks/tensorframes

具体的资源包括：
只有同时满足上面的条件，才能通过Kubernetes的集群管理对Docker中Spark进行GPU操作。下面是已经做的一些研究。IBMSparkGPU的方案可以将GPU用于RDD和DataFrame，支持通用计算，重点支持机器学习；deeplearning4j是基于Java的，包含数值计算和神经网络，支持GPU；NUMBA的方案通过PySpark即时编译产生GPU的调用代码，兼容性好；Tensorflow/Caffe/MXNet等与Spark整合主要是节点调度，GPU由深度学习引擎调度，RDD需要数据交换，主要用于存储中间超参数数据。如TensorFrame的实现 https://github.com/databricks/tensorframes

具体的资源包括：

• https://github.com/databricks/spark-deep-learning，Deep Learning Pipelines for Apache Spark，直接支持Images的一些功能。
• http://www.spark.tc/simd-and-gpu/, Spark多种支持GPU方法。
• http://www.spark.tc/gpu-acceleration-on-apache-spark-2/,
  GPU扩展
• https://my.oschina.net/u/2306127/blog/1602295, 同上。
• http://www.spark.tc/0-to-life-changing-app-new-apache-systemml-api-on-spark-shell/, systemML在Spark中使用。
• Continuum-Anaconda，NUMBA: A PYTHON JIT COMPILER，http://on-demand.gputechconf.com/gtc/2016/presentation/s6413-stanley-seibert-apache-spark-python.pdf
• http://spark.tc/why-you-should-be-using-apache-systemml-2/, 关于SystemML。
• 基于Java的神经网络深度学习系列库（支持GPU,https://deeplearning4j.org/），https://github.com/deeplearning4j
• https://github.com/IBMSparkGPU, 源码：https://github.com/IBMSparkGPU/GPUEnabler
• Spark Summit 2016 Talk by Jun Feng Liu (IBM) and Yonggang Hu (IBM)
  https://databricks.com/session/gpu-support-in-spark-and-gpu-cpu-mixed-resource-scheduling-at-production-scale
  https://www.slideshare.net/SparkSummit/gpu-support-in-spark-and-gpucpu-mixed-resource-scheduling-at-production-scale-63065895
• Hadoop, Spark, Deep Learning Mesh on Single GPU Cluster https://www.nextplatform.com/2016/02/24/hadoop-spark-deep-learning-mesh-on-single-gpu-cluster/
• IBM，关于GPU RDD的讨论
  http://on-demand.gputechconf.com/gtc/2016/presentation/s6280-rajesh-bordawekar-accelerating-spark.pdf
• GPU Computing with Apache Spark and Python
  http://on-demand.gputechconf.com/gtc/2016/presentation/s6413-stanley-seibert-apache-spark-python.pdf
• Spark ML Runs 10x Faster on GPUs, Databricks Says。https://www.datanami.com/2016/10/27/spark-ml-runs-faster-gpus/

目前楼主比较确定的结论是：

• Numba+Spark的架构真实可行，但GPU对计算的提速不尽人意
• GPUEnabler项目IBM已经停止维护，但仍然可以研究下，建议用Scala语言编写。GPUEnabler在yarn模式下，楼主未能运行成功。