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

  1. 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
  2. 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
  3. 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。导入数据
      2. 定义模型和优化器。模型
      3. 进行训练。训练
      4. 查看训练结果。查看训练结果1查看训练结果2