在 E-MapReduce 上使用 Intel Analytics Zoo 进行深度学习_最佳实践

本文简单介绍了如何在阿里云 E-MapReduce 使用 Analytics Zoo 来进行深度学习。

简介

Analytics Zoo 是由 Intel 开源，基于Apache Spark 和 Inte BigDL 的大数据分析和 AI 平台，方便用户开发基于大数据、端到端的深度学习应用。

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 主页下载到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。
- 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，加入：
```
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

通过 SSH proxy来查看 Spark 运行详情页面。

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