浅尝 TensorFlow on Kubernetes
技术
作者:王涛
译者:
2017-12-06 08:33


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
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。



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:


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:



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


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


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:



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:



点击执行,可以在下面看到输出:



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。


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


780 comCount 0