Apache Spark + Intel Analytics Zoo 进行深度学习

Analytics Zoo 是由 Intel 开源,基于 Apache Spark 和 Inte BigDL 的大数据分析和 AI 平台，方便用户开发基于大数据、端到端的深度学习应用。本文简单介绍了如何在阿里云 E-MapReduce 使用 Analytics Zoo 来进行深度学习。

简介

Analytics Zoo是由 Intel 开源，基于Apache Spark 和 Inte BigDL 的大数据分析和AI平台，方便用户开发基于大数据、端到端的深度学习应用。

系统要求

• JDK 8
• Spark 集群(推荐使用EMR支持的 Spark 2.x)
• python-2.7(python 3.5，3.6 也支持)，pip

安装Analytics Zoo

• Analytics Zoo 最新的 release 版本是 0.2.0

• 安装Scala

  • 下载 pre-build 版本，可以从 github，analytics 主页下载到pre-build版本

    • 通过 script build，安装 Apache Maven，设置 Maven 环境：

export MAVEN_OPTS="-Xmx2g -XX:ReservedCodeCacheSize=512m"

如果使用 ECS 机器进行编译，推荐修改 Maven 仓库 mirror：

    nexus-aliyun
    central
    Nexus aliyunhttp://maven.aliyun.com/nexus/content/groups/public

下载 Analytics Zoo release版本,解压后在目录下运行：

bash make-dist.sh

build 结束后，在 dist 目录中包含了所有的运行环境。将 dist 目录放到 EMR 软件栈运行时统一目录：

cp -r dist/ /usr/lib/analytics_zoo

• 安装python
  Analytics Zoo 支持 pip 安装和非 pip 安装，pip 安装会安装 pyspark，bigdl等，由于EMR 集群已经安装了 pyspark，通过 pip 安装有可能引起冲突，所以采用非 pip 安装。

  • 非 pip 安装
    首先要运行：

bash make-dist.sh

进入 pyzoo 目录，安装 analytcis zoo：

python setup.py install

• 设置环境变量
  在 scala 安装结束后将 dist 目录放到了 EMR 软件栈统一目录，然后设置环境变量。编辑 /etc/profile.d/analytics_zoo.sh，加入：

试用

export ANALYTICS_ZOO_HOME=/usr/lib/analytics_zoo
export PATH=$ANALYTICS_ZOO_HOME/bin:$PATH

EMR 已经设置了 SPARK_HOME，所以无需再次设置。

使用Analytics Zoo

• 使用 Spark 来训练和测试深度学习模型

  • 使用 Analytics Zoo 来做文本分类，代码和说明在github。根据说明下载必须的数据。提交命令：

spark-submit --master yarn \
--deploy-mode cluster --driver-memory 8g \
--executor-memory 20g --class com.intel.analytics.zoo.examples.textclassification.TextClassification \
/usr/lib/analytics_zoo/lib/analytics-zoo-bigdl_0.6.0-spark_2.1.0-0.2.0-jar-with-dependencies.jar --baseDir /news

• 通过 ssh proxy来查看Spark运行详情页面。
  

同时查看日志，能够看到每个epoch的accuracy信息等。

INFO optim.DistriOptimizer$: [Epoch 2 9600/15107][Iteration 194][Wall Clock 193.266637037s] Trained 128 records in 0.958591653 seconds. Throughput is 133.52922 records/second. Loss is 0.74216986.
INFO optim.DistriOptimizer$: [Epoch 2 9728/15107][Iteration 195][Wall Clock 194.224064816s] Trained 128 records in 0.957427779 seconds. Throughput is 133.69154 records/second. Loss is 0.51025534.
INFO optim.DistriOptimizer$: [Epoch 2 9856/15107][Iteration 196][Wall Clock 195.189488678s] Trained 128 records in 0.965423862 seconds. Throughput is 132.58424 records/second. Loss is 0.553785.
INFO optim.DistriOptimizer$: [Epoch 2 9984/15107][Iteration 197][Wall Clock 196.164318688s] Trained 128 records in 0.97483001 seconds. Throughput is 131.30495 records/second. Loss is 0.5517549.

• 在 Analytics Zoo 中使用pyspark 和 Jupyter 来进行深度学习训练

  • 安装 Jupyter

pip install jupyter

-使用以下命令启动：

jupyter-with-zoo.sh

-使用 Analytics Zoo，推荐采用内置的 Wide And Deep 模型来进行。

1. 导入数据
   
2. 定义模型和优化器
   
3. 进行训练
   
4. 查看训练结果