本文是一个利用 Helm 运行端到端的分布式模型训练示例。

背景信息

TensorFlow 是业界最流行的深度学习框架，如何将 TensorFlow 真正运用于生产环境却并不简单，它面临着资源隔离，应用调度和部署，GPU资源分配，训练生命周期管理等挑战。特别是大规模的分布式训练场景，单靠手动部署和人力运维已经无法有效处理。特别启动每个模块都需要指定好分布式集群的
clusterSpec，使得实现更加困难。

在 Kubernetes 集群上运行分布式 TensorFlow 模型训练，可以依靠 Kubernetes 本身在应用调度，GPU资源分配，共享存储等方面的能力，实现训练任务和参数服务器的调度以及生命周期的管理。同时利用共享存储查看训练的收敛程度，调整超参。

但是手动写部署 Yaml 对于最终用户来说过于繁杂，阿里云容器服务提供了基于 Helm 的 TensorFlow 分布式训练解决方案：

  • 同时支持 GPU 和非 GPU 的集群。
  • 不再需要手动配置 clusterspec 信息，只需要指定 worker 和 ps 的数目，能自动生成 clusterspec。
  • 内置 Tensorboard 可以有效监控训练的收敛性，方便快速调整参数 epoch、batchsize、learning rate。

准备工作

在运行模型训练任务之前，请确认以下工作已经完成：

  • 创建包含适当数量弹性计算资源（ECS 或 EGS）的 Kubernetes 集群。创建步骤请参考创建 GN5 型Kubernetes 集群。
  • 如果您需要使用 NAS 文件系统保存用于模型训练的数据，您需要使用相同账号创建 NAS；然后在上面的 Kubernetes 集群中创建持久化数据卷（PV），动态生成
    PVC 作为本地目录挂载到执行训练任务的容器内。参见创建 NAS 数据卷。
  • SSH 连接到 Master 节点连接地址，参见SSH访问Kubernetes集群。

步骤1 准备数据

  1. 在前面的准备环节，已经创建了一个 NAS 文件系统，并且设置 VPC 挂载点，参见创建 NAS 数据卷。本例的挂载点为 xxxxxxxx.cn-hangzhou.nas.aliyuncs.com。
  2. 配置名为 /data 的数据文件夹。 
     mkdir /nfs
 mount -t nfs -o vers=4.0 xxxxxxxx.cn-hangzhou.nas.aliyuncs.com:/ /nfs
 mkdir -p /nfs/data
 umount /nfs

步骤2 创建持久化存储

  1. 以下为创建 NAS 的 nas.yaml 样例，实际上您也可以创建云盘或者 OSS 等持久化存储。
    这里需要指定 label 为 train:mnist，该标签对于 pvc 选择 pv 绑定非常重要。其他和 NAS 相关的具体配置可以参考概述。 

    apiVersion: v1
kind: PersistentVolume
metadata:
   labels:
     train: mnist
   name: pv-nas-train
spec:
   persistentVolumeReclaimPolicy: Retain
   accessModes:
     - ReadWriteMany
   capacity:
     storage: 5Gi
   flexVolume:
     driver: alicloud/nas
     options:
       mode: "755"
       path: /data
       server: XXXX.cn-hangzhou.nas.aliyuncs.com
       vers: "4.0"

  2. SSH 连接到 Master 节点，运行 kubectl 命令创建 pv。 
     $ kubectl create -f nas.yaml
 persistentvolume "pv-nas-train" created

  3. 部署完成后，可以通过 Kubernetes Dashoard 检查运行状态。
    TensorFlow 分布式模型训练插图1

步骤3 通过 Helm 部署 TensorFlow 分布式训练的应用

  1. 登录容器服务管理控制台。
  2. 在 Kubernetes 菜单下，单击左侧导航栏中的 市场 > 应用目录，进入应用目录列表。
  3. 单击 ack-tensorflow-training，进入对应的 chart 页面。
    TensorFlow 分布式模型训练插图3
  4. 单击 参数，对 ack-tensorflow-training 的参数进行配置，最后单击 部署。
    说明 默认配置下，使用 GPU 进行模型训练。

    TensorFlow 分布式模型训练插图5

    以下为支持 GPU 的自定义配置参数的 yaml 文件。 

    worker:
   number: 2
   gpuCount: 1
   image: registry.cn-hangzhou.aliyuncs.com/tensorflow-samples/tf-mnist-k8s:gpu
   imagePullPolicy: IfNotPresent
   port: 8000
 ps:
   number: 2
   image: registry.cn-hangzhou.aliyuncs.com/tensorflow-samples/tf-mnist-k8s:cpu
   imagePullPolicy: IfNotPresent
   port: 9000
 hyperparams:
   epochs: 100
   batchsize: 20
   learningrate: 0.001
 tensorboard:
   image: registry.cn-hangzhou.aliyuncs.com/tensorflow-samples/tensorboard:1.1.0
   serviceType: LoadBalancer
 mountPath: /data
 persistence:
    pvc:
       storage: 5Gi
       matchLabels: 
         train: mnist                             ##与前面创建的pv的标签一致

    如果您运行的 Kubernetes 集群不含有 GPU，可以使用以下配置 yaml 文件。 

    worker:
number: 2
gpuCount: 0
# if you'd like to choose the cusomtized docker image
image: registry.cn-hangzhou.aliyuncs.com/tensorflow-samples/tf-mnist-k8s:cpu
imagePullPolicy: IfNotPresent
ps:
number: 2
# if you'd like to choose the cusomtized docker image
image: registry.cn-hangzhou.aliyuncs.com/tensorflow-samples/tf-mnist-k8s:cpu
imagePullPolicy: IfNotPresent
tensorboard:
image: registry.cn-hangzhou.aliyuncs.com/tensorflow-samples/tensorboard:1.1.0
serviceType: LoadBalancer
hyperparams:
epochs: 100
batchsize: 20
learningrate: 0.001
persistence:
mountPath: /data
pvc:
  matchLabels:
    train: mnist ##与前面创建的pv的标签一致
  storage: 5Gi

    这里镜像的参考代码来自于： https://github.com/cheyang/tensorflow-sample-code 。

    您也可运行 helm 命令部署。 

    helm install --values values.yaml --name mnist incubator/acs-tensorflow-tarining
 helm install --debug --dry-run --values values.yaml --name mnist incubator/acs-tensorflow-tarining

  5. 部署完成后，单击集群右侧的 控制台，进入 Kubernetes Dashboard，查看应用运行状态。
    TensorFlow 分布式模型训练插图7

步骤4 利用 helm 命令查看部署的信息

  1. 登录到 Kubernetes 的 master 节点上，利用 helm 命令查看部署应用的列表。 
     # helm list
 NAME              REVISION  UPDATED                   STATUS    CHART                         NAMESPACE
 mnist-dist-train  1         Mon Mar 19 15:23:51 2018  DEPLOYED  acs-tensorflow-training-0.1.0 default

  2. 利用 helm status 命令检查具体应用的配置。 
     # helm status mnist-dist-train
 LAST DEPLOYED: Mon Mar 19 15:23:51 2018
 NAMESPACE: default
 STATUS: DEPLOYED
 RESOURCES:
 ==> v1/ConfigMap
 NAME             DATA  AGE
 tf-cluster-spec  1     7m
 ==> v1/Service
 NAME         TYPE       CLUSTER-IP     EXTERNAL-IP   PORT(S)   AGE
 worker-0     ClusterIP  None           <none>        8000/TCP  7m
 ps-1         ClusterIP  None           <none>        9000/TCP  7m
 tensorboard  ClusterIP  172.19.XX.XX   106.1.1.1     80/TCP    7m
 ps-0         ClusterIP  None           <none>        9000/TCP  7m
 worker-1     ClusterIP  None           <none>        8000/TCP  7m
 ==> v1beta1/Deployment
 NAME         DESIRED  CURRENT  UP-TO-DATE  AVAILABLE  AGE
 tensorboard  1        1        1           1          7m
 ==> v1/Job
 NAME      DESIRED  SUCCESSFUL  AGE
 ps-1      1        0           7m
 worker-0  1        0           7m
 ps-0      1        0           7m
 worker-1  1        0           7m
 ==> v1/Pod(related)
 NAME                          READY  STATUS   RESTARTS  AGE
 tensorboard-5c785fbd97-7cwk2  1/1    Running  0         7m
 ps-1-lkbtb                    1/1    Running  0         7m
 worker-0-2mpmb                1/1    Running  0         7m
 ps-0-ncxch                    1/1    Running  0         7m
 worker-1-4hngw                1/1    Running  0         7m

    这里可以看到 Tensorboard 的对外IP是106.1.1.1 ，可以在训练过程中查看 cost 的收敛程度。

  3. 检查任务运行状况，此时 worker 都处于运行状态。 
    # kubectl get job
 NAME       DESIRED   SUCCESSFUL   AGE
 ps-0       1         0            5m
 ps-1       1         0            5m
 worker-0   1         0            5m
 worker-1   1         0            5m
 # kubectl get po
 NAME                          READY     STATUS    RESTARTS   AGE
 ps-0-jndpd                    1/1       Running   0          6m
 ps-1-b8zgz                    1/1       Running   0          6m
 tensorboard-f78b4d57b-pm2nf   1/1       Running   0          6m
 worker-0-rqmvl                1/1       Running   0          6m
 worker-1-7pgx6                1/1       Running   0          6m

  4. 检查训练日志。 
     # kubectl logs --tail=10 worker-0-rqmvl
 Step: 124607,  Epoch: 24,  Batch: 1600 of 2750,  Cost: 0.8027,  AvgTime: 6.79ms
 Step: 124800,  Epoch: 24,  Batch: 1700 of 2750,  Cost: 0.7805,  AvgTime: 6.10ms

  5. 通过 watch job 状态，可以监视到 job 已经完成。 
     # kubectl get job
 NAME       DESIRED   SUCCESSFUL   AGE
 ps-0       1         0            1h
 ps-1       1         0            1h
 worker-0   1         1            1h
 worker-1   1         1            1h
    此时再查看训练日志，发现训练已经完成。 

    # kubectl logs --tail=10 -f worker-0-rqmvl
 Step: 519757,  Epoch: 100,  Batch: 2300 of 2750,  Cost: 0.1770,  AvgTime: 6.45ms
 Step: 519950,  Epoch: 100,  Batch: 2400 of 2750,  Cost: 0.2142,  AvgTime: 6.33ms
 Step: 520142,  Epoch: 100,  Batch: 2500 of 2750,  Cost: 0.1940,  AvgTime: 6.02ms
 Step: 520333,  Epoch: 100,  Batch: 2600 of 2750,  Cost: 0.5144,  AvgTime: 6.21ms
 Step: 520521,  Epoch: 100,  Batch: 2700 of 2750,  Cost: 0.5694,  AvgTime: 5.80ms
 Step: 520616,  Epoch: 100,  Batch: 2750 of 2750,  Cost: 0.5333,  AvgTime: 2.94ms
 Test-Accuracy: 0.89
 Total Time: 1664.68s
 Final Cost: 0.5333
 done

步骤5 访问 Web 站点观察训练结果

通过 Tensorboad 查看训练效果，前面已经获得了 Tensorboard 的外部 IP 106.1.1.1，直接通过浏览器访问 http://106.1.1.1/，就可以观测到训练的效果。

TensorFlow 分布式模型训练插图9