使用aws跑深度学习_在AWS上使用MXNet和TensorFlow进行分布式深度学习

AWS CloudFormation通过模板创建和配置Amazon的Web服务器环境，简化了分布式深度学习集群的设置过程。AWS CloudFormation深度学习模板使用Amazon Deep Learning AMI(提供MXNet，TensorFlow，Caffe，Theano，Torch和CNTK框架)来启动EC2实例集群和其他AWS执行所需的分布式深度学习。

通过这个模板，我们继续致力于使分布式深入学习变得更容易。AWS CloudFormation创建客户帐户所有环境。

更新了些什么

我们更新了AWS CloudFormation深度学习模板，以增加一些不错的功能和特征。

我们通过自动化增强了AWS CloudFormation深度学习模板，即使所提供的工作实例数量低于所需的数量，也可以继续创建堆栈。在先前版本的模板中，如果其中一个工作实例没有配置成功，例如，如果帐户限制，则AWS CloudFormation将回滚该堆栈，并要求你调整所需的数并重新启动堆栈创建过程。新模板包含一个自动调整倒计时并着手建立其余的群集(堆栈)的函数

我们现在支持创建一个CPU Amazon EC2实例类型的集群。

我们还为使用该模板创建的群集添加了Amazon Elastic File System(Amazon EFS)支持。

Amazon EFS在启动过程中自动安装在所有工作实例上。

Amazon EFS允许通过工作实例共享代码，数据和结果。

使用Amazon EFS不会降低压缩比高的文件的性能(例如，包含图像数据的.rec文件)。

我们现在支持创建一个运行Ubuntu的实例集群。请参阅 Ubuntu Deep Learning AMI。

EC2集群架构

以下架构图显示了EC2集群基础架构。

亚马逊深度学习模板创建一个包含以下资源的堆栈：

客户帐户中的VPC。

VPC内自动缩放组中所请求数量或可用数量的worker实例。这些实例在私有子网中启动。

独立的自动缩放组中的主实例的动作作为代理支持与SSH集群连通。AWS CloudFormation将此实例放置在VPC中，并将其连接到公共和私有子网。此实例具有公共的IP地址和DNS。

以通用性能模式配置的Amazon EFS文件存储系统。

在实例上安装Amazon EFS的安装目标。

允许外部SSH访问主实例的安全组。

安全组允许主实例和worker实例通过NFS端口2049安装和访问Amazon EFS。

主实例和worker实例之间的通信可以在私有子网上打开端口的两个安全组。

VPC内的实例使用的NAT网关与外部连接。

两个亚马逊SQS队列在主实例和worker实例的启动时配置元数据。

一个AWS Lambda功能，用于监视Auto Scaling组的启动活动，并根据可用性修改自动缩放组的所需容量。

AWS CloudFormation WaitCondition和WaitHandler，堆栈创建暂停55分钟，以完成元数据设置。

深度学习模板的工作原理

启动脚本可以在所有主机上授权SSH转发。授权S​​SH代理转发是非常重要的，因为诸如MXNet这样的框架在分布式训练期间使用SSH进行主实例和工作实例之间的通信。

主实例的启动脚本查看主SQS队列以确认自动缩放设置是否完成。Lambda函数发送两个信息，一个在主自动缩放组被成功建立时发送，另一个是当请求的容量满足或实例在worker自动缩放组上启动失败时发送。当实例在worker自动缩放组上启动失败时，Lambda函数将修改实例数量的期望容量直到成功启动。

在Amazon SQS主队列上收到消息后，主实例上的安装脚本会配置所有必需的worker元数据(工作人员的IP地址，GPU计数等)，并在worker的SQS队列上广播元数据。收到此消息后，在worker的启动脚本上轮询SQS的worker队列，配置在worker上的元数据。

正在轮询SQS工作队列的worker实例上的启动脚本将在worker上配置此元数据。

在所有实例上设置以下环境变量：

$ DEEPLEARNING_WORKERS_PATH：包含工作者列表的文件路径

$ DEEPLEARNING_WORKERS_COUNT：worker的总数

$ DEEPLEARNING_WORKER_GPU_COUNT：实例中的GPU数量

$ EFS_MOUNT：安装Amazon EFS的目录

设置深度学习堆栈

运行分布式训练

为了演示如何使用MXNet和Tensorflow框架运行分布式训练，我们使用标准CIFAR-10模型。CIFAR-10是一个足够复杂的网络，受益于分布式设置，可以在这样的设置下进行快速的训练。

登录到主实例

注意：这可能需要几分钟时间。

git clone https://github.com/awslabs/deeplearning-cfn $EFS_MOUNT/deeplearning-cfn && \

cd $EFS_MOUNT/deeplearning-cfn && \

#

#fetches dmlc/mxnet and tensorflow/models repos as submodules

git submodule update --init $EFS_MOUNT/deeplearning-cfn/examples/tensorflow/models && \

git submodule update --init $EFS_MOUNT/deeplearning-cfn/examples/mxnet && \

cd $EFS_MOUNT/deeplearning-cfn/examples/mxnet/ && \

git submodule update --init $EFS_MOUNT/deeplearning-cfn/examples/mxnet/dmlc-core

在MXNet上运行分布式训练

以下示例展示如何使用MXNet上的数据并行运行CIFAR-10。请注意使用DEEPLEARNING_ *环境变量。

#terminate all running Python processes across workers

while read -u 10 host; do ssh -o "StrictHostKeyChecking no" $host "pkill -f python" ; \

done 10

#navigate to the MXNet image-classification example directory \

cd $EFS_MOUNT/deeplearning-cfn/examples/mxnet/example/image-classification/

#run the CIFAR10 distributed training example \

../../tools/launch.py -n $DEEPLEARNING_WORKERS_COUNT -H $DEEPLEARNING_WORKERS_PATH \

python train_cifar10.py --gpus $(seq -s , 0 1 $(($DEEPLEARNING_WORKER_GPU_COUNT - 1))) \

--network resnet --num-layers 50 --kv-store dist_device_sync

我们能够在25分钟内对2个P2.8x EC2实例进行100个周期的训练，训练精准度达到了92％。

这些步骤总结了如何开始。获取更多有关在MXNet上运行分布式训练的信息，请参阅Run MXNet on Multiple Devices。

新的模板引入了亚马逊弹性文件系统，便于在worker之间共享数据，将检查点和所有TensorFlow进程的日志存储在一个地方。你现在可以监视主实例上的所有日志。

对于TensorFlow分布式训练示例，我们使用TensorFlow提供的CIFAR-10模型和分布式Tensorflow中讨论的分布式训练样本代码。

需要注意的是，此分布式训练示例未达到最高精度。只是展示了深入学习的AWS CloudFormation栈如何简化运行分布式TensorFlow培训。

从Alex Krizhevsky的页面下载CIFAR-10数据集， 并将tar.gz文件解压缩到EFS mount上，这样你不必在所有worker上复制或下载数据集。

mkdir $EFS_MOUNT/cifar10_data && \

wget http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz --directory-prefix=$EFS_MOUNT/cifar10_data \

&& tar -xzvf $EFS_MOUNT/cifar10_data/cifar-10-binary.tar.gz -C $EFS_MOUNT/cifar10_data

我们在awslabs / deeplearning-cfn报告中添加了一个脚本，生成的脚本用于在实例上运行tensorflow的worker和参数服务器的命令。这个脚本将training_script作为参数，如果需要也可以将分布式训练脚本所需的参数作为额外的参数传递。

cd $EFS_MOUNT/deeplearning-cfn/examples/tensorflow && \

# generates commands to run workers and parameter-servers on all the workers \

python generate_trainer.py --workers_file_path $DEEPLEARNING_WORKERS_PATH \

--worker_count $DEEPLEARNING_WORKERS_COUNT \

--worker_gpu_count $DEEPLEARNING_WORKER_GPU_COUNT \

--trainer_script_dir $EFS_MOUNT/deeplearning-cfn/examples/tensorflow \

--training_script $EFS_MOUNT/deeplearning-cfn/examples/tensorflow/cifar10_multi_machine_train.py \

--batch_size 128 --data_dir=$EFS_MOUNT/cifar10_data \

--train_dir=$EFS_MOUNT/deeplearning-cfn/examples/tensorflow/train \

--log_dir $EFS_MOUNT/deeplearning-cfn/examples/tensorflow/logs \

--max_steps 200000

停止可能在worker上运行的所有Python进程：

#terminate all running Python processes across workers \

while read -u 10 host; do ssh -o "StrictHostKeyChecking no" $host "pkill -f python" ; \

done 10

对所有worker进行分布式训练：

trainer_script_dir=$EFS_MOUNT/deeplearning-cfn/examples/tensorflow && while read -u 10 host; \

do ssh -o "StrictHostKeyChecking no" $host "bash $trainer_script_dir/$host.sh" ; \

done 10

因为所有worker的日志和经过特殊处理的状态进程都存储在Amazon EFS上，你现在可以在主控端上监视它们：

tail -f $EFS_MOUNT/deeplearning-cfn/examples/tensorflow/logs/*

我们可以在2个P2.8x EC2实例中运行2个特殊处理的状态进程和16个worker进程，在一个小时内训练这个模型，为20万个步数，并将16个worker的平均损失减至0.82。

在训练模型上运行评估脚本使准确度达到77％：

python $EFS_MOUNT/deeplearning-cfn/examples/tensorflow/models/tutorials/image/cifar10/cifar10_eval.py \

--data_dir=$EFS_MOUNT/cifar10_data/ \

--eval_dir=$EFS_MOUNT/deeplearning-cfn/examples/tensorflow/eval \

--checkpoint_dir=$EFS_MOUNT/deeplearning-cfn/examples/tensorflow/train

你可以通过在主节点上运行以下命令来可视化TensorBoard上的训练。TensorBoard在主实例和端口6006的私有IP地址上开始运行。记下该IP地址，因为你在下一个命令中还会用到。

tensorboard --logdir $EFS_MOUNT/deeplearning-cfn/examples/tensorflow/train

现在使用SSH端口映射来查看本地计算机上的TensorBoard。在本地计算机上运行类似于以下命令。

#In this example, 192.0.2.0 is the private IP of the master and 203.0.113.0 is the public ip of the master instance, ec2-user is the userid of the master if Instance Type is Amazon Linux

ssh -l ec2-user -L 6006:192.0.2.0:6006 203.0.113.0