本文展示如何使用Arena提交TensorFlow的单机训练作业，并通过TensorBoard可视化查看训练作业。

前提条件

背景信息

本文示例从Git URL下载源代码，数据集放在共享存储系统（基于NAS的PV和PVC）中。示例假设您已经获得了一个名称为training-data的PVC实例（一个共享存储），里面存在一个目录tf_data，存放了示例所使用的数据集。

操作步骤

  1. 执行以下命令检查可用的GPU资源。
    arena top node

    预期输出：

    NAME                       IPADDRESS     ROLE    STATUS  GPU(Total)  GPU(Allocated)
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  master  ready   0           0
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  master  ready   0           0
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  master  ready   0           0
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  <none>  ready   2           0
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  <none>  ready   2           0
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  <none>  ready   2           0
-----------------------------------------------------------------------------------------
Allocated/Total GPUs In Cluster:
0/6 (0%)
    由上看出，有3个包含GPU的节点可用于运行训练作业。
  2. 执行arena submit tfjob/tf [--flag]命令提交TensorFlow作业。
    通过以下代码示例提交一个单机单卡的TensorFlow作业。
      arena submit tf \
    --name=tf-git \
    --working-dir=/root \
    --gpus=1 \
    --image=tensorflow/tensorflow:1.5.0-devel-gpu \
    --sync-mode=git \
    --sync-source=https://code.aliyun.com/xiaozhou/tensorflow-sample-code.git \
    --data=training-data:/mnist_data \
    --tensorboard \
    --logdir=/mnist_data/tf_data/logs \
    "python code/tensorflow-sample-code/tfjob/docker/mnist/main.py --log_dir /mnist_data/tf_data/logs  --data_dir /mnist_data/tf_data/"

    预期输出：

    configmap/tf-git-tfjob created
configmap/tf-git-tfjob labeled
service/tf-git-tensorboard created
deployment.apps/tf-git-tensorboard created
tfjob.kubeflow.org/tf-git created
INFO[0000] The Job tf-git has been submitted successfully
INFO[0000] You can run `arena get tf-git --type tfjob` to check the job status
    参数解释如下表。
    参数是否必选解释默认值
    --name必选指定提交的作业名字，全局唯一，不能重复。无
    --working-dir可选指定当前执行命令所在的目录。/root
    --gpus可选指定作业Worker节点需要使用的GPU卡数。0
    --image必选指定训练环境的镜像地址。无
    --sync-mode可选同步代码的模式，您可以指定git、rsync。本文使用Git模式。无
    --sync-source可选同步代码的仓库地址，需要和--sync-mode一起使用，本文示例使用Git模式，该参数可以为任何github项目地址。阿里云code项目地址等支持Git的代码托管地址。项目代码将会被下载到--working-dir下的code/目录中。本文示例即为：/root/code/tensorflow-sample-code。无
    --data可选挂载共享存储卷PVC到运行环境中。它由两部分组成，通过分号:分割。冒号左侧是您已经准备好的PVC名称。您可以通过arena data list查看当前集群可用的PVC列表；分号右侧是您想将PVC的挂载到运行环境中的路径，也是您训练代码要读取数据的本地路径。这样通过挂载的方式，您的代码就可以访问PVC的数据。
    说明 执行arena data list查看本文示例当前集群可用的PVC列表。
    NAME           ACCESSMODE     DESCRIPTION  OWNER  AGE
training-data  ReadWriteMany                      35m

    如果没有可用的PVC，您可创建PVC。具体操作，请参见配置NAS共享存储。

    		无
    --tensorboard可选为训练任务开启一个TensorBoard服务，用作数据可视化，您可以结合--logdir指定TensorBoard要读取的event路径。不指定该参数，则不开启TensorBoard服务。无
    --logdir可选需要结合--tensorboard一起使用，该参数表示TensorBoard需要读取event数据的路径。/training_logs
    重要 如果您使用非公开Git代码库，则可以使用以下命令。
     arena submit tf \
        ...
        --sync-mode=git \
        --sync-source=https://code.aliyun.com/xiaozhou/tensorflow-sample-code.git \
        --env=GIT_SYNC_USERNAME=yourname \
        --env=GIT_SYNC_PASSWORD=yourpwd \
        "python code/tensorflow-sample-code/tfjob/docker/mnist/main.py

    arena命令使用git-sync同步源代码。您可以设置在git-sync项目中定义的环境变量。

  3. 执行以下命令查看当前通过Arena提交的所有作业。
    arena list

    预期输出：

    NAME    STATUS   TRAINER  AGE  NODE
tf-git  RUNNING  TFJOB    20s  192.1xx.x.xx
  4. 执行以下命令检查作业所使用的GPU资源。
    arena top job

    预期输出：

    NAME    GPU(Requests)  GPU(Allocated)  STATUS   TRAINER  AGE  NODE
tf-git  1              1               RUNNING  tfjob    1m   192.1xx.x.xx


Total Allocated GPUs of Training Job:
1

Total Requested GPUs of Training Job:
1
  5. 执行以下命令检查集群所使用的GPU资源。
    arena top node

    预期输出：

    NAME                       IPADDRESS     ROLE    STATUS  GPU(Total)  GPU(Allocated)
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  master  ready   0           0
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  master  ready   0           0
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  master  ready   0           0
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  <none>  ready   2           1
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  <none>  ready   2           0
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  <none>  ready   2           0
-----------------------------------------------------------------------------------------
Allocated/Total GPUs In Cluster:
1/6 (16%)
  6. 执行以下命令获取作业详情。
    arena get tf-git

    预期输出：

    STATUS: SUCCEEDED
NAMESPACE: default
PRIORITY: N/A
TRAINING DURATION: 1m

NAME    STATUS     TRAINER  AGE  INSTANCE        NODE
tf-git  SUCCEEDED  TFJOB    18m  tf-git-chief-0  192.16x.x.xx

Your tensorboard will be available on:
http://192.16x.x.xx:31619
    说明 本文示例因为开启TensorBoard，在上述作业详情中最后两行，可以看到TensorBoard的Web访问地址；如果没有开启TensorBoard，最后两行信息不存在。
  7. 通过浏览器查看TensorBoard。
    从上述步骤的作业详情中，可以看到TensorBoard的Web服务地址。由于集群为远端部署，因此需要利用sshuttle代理才能在您的电脑中通过浏览器查看训练可视化的信息。

    使用sshuttle代理示例代码如下。

    # you can install sshuttle==0.74 in your mac with python2.7
pip install sshuttle==0.74
# 0/0 -> 0.0.0.0/0
sshuttle -r root@39.104.xx.xxx  0/0
    说明 39.104.xx.xxx为ACK集群对外暴露的公网IP地址。此外，您还需检查您的安全组是否开启了22端口，一般默认开启。
    将步骤6中获取的TensorBoard的Web服务地址http://192.16x.x.xx:31619，拷贝至浏览器地址栏，显示效果如下图。tensorboard
  8. 执行以下命令获取作业日志信息。
    arena logs tf-git

    预期输出：

    WARNING:tensorflow:From code/tensorflow-sample-code/tfjob/docker/mnist/main.py:120: softmax_cross_entropy_with_logits (from tensorflow.python.ops.nn_ops) is deprecated and will be removed in a future version.
Instructions for updating:
...
Accuracy at step 9970: 0.9834
Accuracy at step 9980: 0.9828
Accuracy at step 9990: 0.9816
Adding run metadata for 9999
Total Train-accuracy=0.9816

    您还可以通过命令arena logs $job_name -f实时查看作业的日志输出，通过命令arena logs $job_name -t N查看尾部N行的日志，以及通过arena logs --help查询更多参数使用情况。

    查看尾部N行的日志示例代码如下。

    arena logs tf-git -t 5

    预期输出：

    Accuracy at step 9970: 0.9834
Accuracy at step 9980: 0.9828
Accuracy at step 9990: 0.9816
Adding run metadata for 9999
Total Train-accuracy=0.9816