AI 助理
备案控制台
文档
输入文档关键字查找
首页 容器服务 Kubernetes 版 ACK 云原生AI套件 操作指南 AI任务管理 基于Kubernetes部署运行模型训练作业 基于Kubernetes使用TensorFlow进行分布式训练

基于Kubernetes使用TensorFlow进行分布式训练

更新时间：
产品详情
我的收藏

本文展示如何使用Arena提交TensorFlow基于PS-Worker模式的分布式训练作业，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.192.16x.x.xx  192.1xx.x.xx  master  ready   0           0
cn-huhehaote.192.16x.x.xx  192.1xx.x.xx  master  ready   0           0
cn-huhehaote.192.16x.x.xx  192.1xx.x.xx  master  ready   0           0
cn-huhehaote.192.16x.x.xx  192.1xx.x.xx  <none>  ready   2           0
cn-huhehaote.192.16x.x.xx  192.1xx.x.xx  <none>  ready   2           0
cn-huhehaote.192.16x.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] command形式命令提交TensorFlow作业。

    通过以下代码示例提交PS-Worker模式下的TensorFlow分布式作业，它包含1个PS节点，2个Worker节点。

        arena submit tf --name=tf-dist         \
              --working-dir=/root \
              --gpus=1              \
              --workers=2              \
              --worker-image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/tensorflow:1.5.0-devel-gpu  \
              --sync-mode=git \
              --sync-source=https://code.aliyun.com/xiaozhou/tensorflow-sample-code.git \
              --ps=1              \
              --ps-image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/tensorflow:1.5.0-devel   \
              --data=training-data:/mnt \
              --tensorboard \
              --logdir=/mnt/tf_data/logs \
              "python code/tensorflow-sample-code/tfjob/docker/mnist/main.py --log_dir /mnt/tf_data/logs  --data_dir /mnt/tf_data/"

    预期输出：

    configmap/tf-dist-tfjob created
configmap/tf-dist-tfjob labeled
service/tf-dist-tensorboard created
deployment.apps/tf-dist-tensorboard created
tfjob.kubeflow.org/tf-dist created
INFO[0000] The Job tf-dist has been submitted successfully
INFO[0000] You can run `arena get tf-dist --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

    --workers

    可选

    指定作业Worker节点的数量。

    1

    --image

    如果不单独指定--worker-image、--ps-image，则必选。

    指定训练环境的镜像地址。如果不指定--worker-image或者--ps-image，则Worker节点和PS节点都使用该镜像地址。

    无

    --worker-image

    如果不指定--image，则必选。

    指定作业Worker节点需要使用的镜像地址。如果--image同时出现，则覆盖--image。

    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

    --ps

    分布式作业必选

    指定参数服务器PS节点数。

    0

    --ps-image

    如果不指定--image，则必选。

    指定PS节点的镜像地址。如果--image同时出现，则覆盖--image。

    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，通过冒号（:）分割。冒号左侧是您已经准备好的PVC名称。您可以通过命令arena data list查看当前集群可用的PVC列表；冒号右侧是您想将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。详情请参见配置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-dist  RUNNING    TFJOB    58s  192.1xx.x.xx
tf-git   SUCCEEDED  TFJOB    2h   N/A

  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-dist  2              2               RUNNING    tfjob    1m   192.1xx.x.x
tf-git   1              0               SUCCEEDED  tfjob    2h   N/A

Total Allocated GPUs of Training Job:
2

Total Requested GPUs of Training Job:
3

  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           1
cn-huhehaote.192.1xx.x.xx  192.1xx.x.xx  <none>  ready   2           0
-----------------------------------------------------------------------------------------
Allocated/Total GPUs In Cluster:
2/6 (33%)

  6. 执行以下命令获取任务详情。

    arena get tf-dist

    预期输出：

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

NAME     STATUS   TRAINER  AGE  INSTANCE          NODE
tf-dist  RUNNING  TFJOB    1m   tf-dist-ps-0      192.1xx.x.xx
tf-dist  RUNNING  TFJOB    1m   tf-dist-worker-0  192.1xx.x.xx
tf-dist  RUNNING  TFJOB    1m   tf-dist-worker-1  192.1xx.x.xx

Your tensorboard will be available on:
http://192.1xx.x.xx:31870
    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。

    1. 在本地执行如下命令，将集群中的TensorBoard映射到本地9090端口。

      重要

      请注意kubectl port-forward建立的端口转发不具备生产级别的可靠性、安全性和扩展性，因此仅适用于开发和调试目的，不适合在生产环境使用。更多关于Kubernetes集群内生产可用的网络方案的信息，请参见Ingress概述。 

      kubectl port-forward svc/tf-dist-tensorboard 9090:6006

    2. 在浏览器中访问localhost:9090，即可查看TensorBoard。如下图所示。

      tf

  8. 执行以下命令获取作业日志信息。

    arena logs tf-dist

    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 960: 0.9691
Accuracy at step 970: 0.9677
Accuracy at step 980: 0.9687
Accuracy at step 990: 0.968
Adding run metadata for 999
Total Train-accuracy=0.968

    使用上述命令获取作业日志信息时，默认输出worker-0的节点日志。如果需要查看分布式训练任务中的某个节点日志，可以先查看作业详情获取作业的节点列表，然后使用命令arena logs $job_name -i $instance_name查看具体实例的日志。

    示例代码如下。

    arena get tf-dist

    预期输出：

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

NAME     STATUS     TRAINER  AGE  INSTANCE          NODE
tf-dist  SUCCEEDED  TFJOB    5m   tf-dist-ps-0      192.16x.x.xx
tf-dist  SUCCEEDED  TFJOB    5m   tf-dist-worker-0  192.16x.x.xx
tf-dist  SUCCEEDED  TFJOB    5m   tf-dist-worker-1  192.16x.x.xx

Your tensorboard will be available on:
http://192.16x.x.xx:31870

    执行以下命令获取作业日志。

    arena logs tf-dist -i tf-dist-worker-1

    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 970: 0.9676
Accuracy at step 980: 0.968
Accuracy at step 990: 0.967
Adding run metadata for 999
Total Train-accuracy=0.967

    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-dist -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

上一篇：基于Kubernetes使用TensorFlow进行单机训练下一篇：基于Kubernetes使用PyTorch进行单机训练
文档推荐