在E-MapReduce上使用Intel Analytics Zoo进行深度学习 - E-MapReduce

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

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

Scala安装
1. 下载pre-build版本
  可以从GitHub，analytics主页下载pre-build 版本。
2. 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：
```
<mirror>
    <id>nexus-aliyun</id>
    <mirrorOf>central</mirrorOf>
    <name>Nexus aliyun</name>
    <url>http://maven.aliyun.com/nexus/content/groups/public</url>
</mirror>
```
3. 下载Analytics Zoo release 版本，解压后在目录下运行。
```
bash make-dist.sh
```
4. 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
```
Python安装
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。
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，增加以下命令。
```
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，提交以下命令。

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

查看Spark运行详情页面，具体步骤可参见通过SSH隧道方式访问开源组件Web UI或访问链接与端口。 proxy

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。
1. 安装Jupyter。
```
pip install jupyter
```
2. 使用以下命令启动。
```
jupyter-with-zoo.sh
```
3. 使用Analytics Zoo，推荐采用内置的Wide And Deep模型来进行，相关内容可参见 GitHub。
  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。