在EMR上運行和擴充Kubeflow分布式訓練 - E-MapReduce

KubeFlow提供TFJob和PyTorchJob等CRD（CustomResourceDefinition），基於這些CRD，您可以在Kubernetes叢集上運行分布式訓練，無需過多關注分布式代碼邏輯，也無需過多考慮叢集的營運工作，可以將全部精力集中到模型開發當中，DataScience叢集為您提供穩定的算力輸出，以及Tensorflow和PyTorch等豐富的機器學習架構。

前提條件

已建立DataScience叢集，並且選擇了Kubeflow服務，詳情請參見建立叢集。
下載dsdemo代碼：請已建立DataScience叢集的使用者，使用DingTalk搜尋DingTalk群號32497587加入DingTalk群以擷取dsdemo代碼。

背景資訊

通過以下三種方式為您展示Training樣本：

estimator-API
keras-API
Pytorch訓練

準備工作

通過SSH方式串連叢集，詳情請參見登入叢集。
上傳並解壓縮下載的程式碼封裝至叢集Master節點的/dsdemo目錄下。
本文樣本是上傳並解壓縮在root/dsdemo目錄下，您可以指定目錄。

estimator-API

執行以下命令，進入estimator-API目錄。

cd /root/dsdemo/kubeflow_samples/training/tf/estimator-API

製作Train鏡像。
- 執行以下命令，製作Train鏡像。
```
make
```
- 執行以下命令，製作鏡像並將鏡像push到鏡像倉庫。
```
make push
```

根據您的實際需求，修改distributed_tfjob.yaml檔案內容。

您需要修改代碼中image的值，distributed_tfjob.yaml檔案內容如下。

apiVersion: "kubeflow.org/v1"
kind: "TFJob"
metadata:
  name: "distributed-training"
spec:
  cleanPodPolicy: None
  tfReplicaSpecs:
    Worker:
      replicas: 3
      restartPolicy: Never
      template:
        metadata:
              annotations:
                scheduling.k8s.io/group-name: "distributed-training"
        spec:
          containers:
            - name: tensorflow
              image: datascience-registry.cn-beijing.cr.aliyuncs.com/kubeflow-examples/distributed_worker:0.1.4
              volumeMounts:
                - mountPath: /train
                  name: training
          volumes:
            - name: training
              persistentVolumeClaim:
                claimName: strategy-estimator-volume

執行以下命令，使修改的配置生效。
```
kubectl apply -f distributed_tfjob.yaml
```

根據您的實際需求，修改pvc.yaml設定檔。

pvc.yaml檔案內容如下。

apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: strategy-estimator-volume
  labels:
    app: strategy-estimator-volume
spec:
  storageClassName: "nfs-client"
  accessModes:
  - ReadWriteMany
  resources:
    requests:
      storage: 10Gi

說明您可以修改storage的值，調大儲存空間，例如50 Gi。

執行以下命令，使修改的配置生效。
```
kubectl apply -f pvc.yaml
```

查看訓練狀態。

執行以下命令，擷取Pod資訊。

kubectl get pods

返回如下類似資訊。

NAME                                      READY   STATUS      RESTARTS   AGE
distributed-training-worker-0             0/1     Completed   0          22h
distributed-training-worker-1             0/1     Completed   0          22h
distributed-training-worker-2             0/1     Completed   0          22h
nfs-client-provisioner-5cb8b7cf76-k2z4d   1/1     Running     0          25h

說明當Pod的狀態為Completed時，表示訓練結束。

執行以下命令，查看Log資訊。

kubectl logs distributed-training-worker-0

查看Checkpoint模型匯出檔案。

執行以下命令，進入default_storage_class目錄。
```
cd /mnt/disk1/k8s_pv/default_storage_class
```

執行ll命令，擷取模型目錄。

total 28
drwxrwxrwx 2 root    root     4096 Jul  8 16:56 anonymous-workspace-ds-notebook2-pvc-09789bbd-aa40-4381-af63-ebcab57c584f
drwxrwxrwx 7 root    root     4096 Jul  8 18:09 anonymous-workspace-ds-notebook-pvc-ae4db112-9491-4449-854a-7b0e67264703
drwxrwxrwx 5 root    root     4096 Jul  8 16:27 default-strategy-estimator-volume-pvc-6cd2979e-f925-45b7-8c25-ce67e12e2f03
drwxrwxrwx 3 root    root     4096 Jul  8 13:47 kubeflow-katib-mysql-pvc-9a3ebbfe-2952-4eaa-8a83-36e42d620cac
drwxrwxrwx 3 root    root     4096 Jul  8 13:47 kubeflow-metadata-mysql-pvc-5778e165-8a08-4536-8e36-9185144d3d6d
drwxrwxrwx 3 root    root     4096 Jul  8 13:47 kubeflow-minio-pvc-pvc-10015211-fc40-460e-b723-a5c220112d08
drwxrwxrwx 6 polkitd ssh_keys 4096 Jul  8 13:54 kubeflow-mysql-pv-claim-pvc-5136b864-c868-4951-9b34-f6c5f06c2d6f

執行以下命令，進入模型目錄。
```
cd default-strategy-estimator-volume-pvc-6cd2979e-f925-45b7-8c25-ce67e12e2f03
```
說明 default-strategy-estimator-volume-pvc-6cd2979e-f925-45b7-8c25-ce67e12e2f03需要替換為您實際產生的目錄。
執行以下命令，進入master目錄。
```
cd master
```

執行下ll命令，查看目錄資訊。

total 4
drwxr-xr-x 3 root root 4096 Jul  8 16:27 1625732821

執行以下命令，進入1625732821目錄。
```
cd 1625732821
```
說明 1625732821需要替換為您實際產生的目錄。

執行下ll命令，查看目錄資訊。

total 1788
-rw-r--r-- 1 root root    130 Jul  8 16:27 checkpoint
-rw-r--r-- 1 root root 838550 Jul  8 16:27 events.out.tfevents.1625732823.distributed-training-worker-0
-rw-r--r-- 1 root root 523304 Jul  8 16:27 graph.pbtxt
drwxr-xr-x 2 root root   4096 Jul  8 16:27 keras
-rw-r--r-- 1 root root    780 Jul  8 16:27 model.ckpt-0.data-00000-of-00001
-rw-r--r-- 1 root root    249 Jul  8 16:27 model.ckpt-0.index
-rw-r--r-- 1 root root 218354 Jul  8 16:27 model.ckpt-0.meta
-rw-r--r-- 1 root root    780 Jul  8 16:27 model.ckpt-3200.data-00000-of-00001
-rw-r--r-- 1 root root    249 Jul  8 16:27 model.ckpt-3200.index
-rw-r--r-- 1 root root 218354 Jul  8 16:27 model.ckpt-3200.meta

keras-API

重要此樣本需要GPU環境，因此建立DataScience叢集時需要選擇GPU的配置，並且製作鏡像時也需要GPU。

執行以下命令，進入keras-API目錄。

cd /root/dsdemo/kubeflow_samples/training/tf/keras-API

製作Train鏡像。
- 執行以下命令，製作Train鏡像。
```
make
```
- 執行以下命令，製作鏡像並將鏡像push到鏡像倉庫。
```
make push
```

根據您的實際需求，修改目錄下訓練設定檔的鏡像名稱。

multi_worker_tfjob.yaml檔案內容如下。

apiVersion: kubeflow.org/v1
kind: TFJob
metadata:
  name: multi-worker
spec:
  cleanPodPolicy: None
  tfReplicaSpecs:
    Worker:
      replicas: 3
      restartPolicy: Never
      template:
        spec:
          containers:
            - name: tensorflow
              image: datascience-registry.cn-beijing.cr.aliyuncs.com/kubeflow-examples/multi_worker_strategy:0.1.1
              volumeMounts:
                - mountPath: /train
                  name: training
              resources:
                limits:
                  nvidia.com/gpu: 1
          volumes:
            - name: training
              persistentVolumeClaim:
                claimName: strategy-volume

執行以下命令，使修改的配置生效。
```
kubectl apply -f multi_worker_tfjob.yaml
```

修改pvc設定檔。

pvc.yaml檔案內容如下。

apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: strategy-volume
  labels:
    app: strategy-volume
spec:
  storageClassName: "nfs-client"
  accessModes:
  - ReadWriteMany
  resources:
    requests:
      storage: 10Gi

說明您可以修改storage的值，調大儲存空間，例如50 Gi。

執行以下命令，使修改的配置生效。
```
kubectl apply -f pvc.yaml
```

查看訓練狀態。

執行以下命令，擷取Pod資訊。

kubectl get pods

返回如下類似資訊。

NAME                                      READY   STATUS      RESTARTS   AGE
multi-worker-worker-0                     0/1     Pending     0          5m33s
multi-worker-worker-1                     0/1     Pending     0          5m33s
multi-worker-worker-2                     0/1     Pending     0          5m33s
nfs-client-provisioner-5cb8b7cf76-k2z4d   1/1     Running     0          25h

說明當Pod的狀態為Completed時，表示訓練結束。

執行以下命令，查看Log資訊。

kubectl logs distributed-training-worker-0

進入如下目錄，查看Checkpoint模型匯出檔案。

ll /mnt/disk1/k8s_pv/default_storage_class/default-strategy-estimator-volume-pvc-aa16c081-cd94-4565-bfde-daee90ee25a4/master/1625553118/

說明 default-strategy-estimator-volume-pvc-aa16c081-cd94-4565-bfde-daee90ee25a4和1625553118需要替換為您實際的目錄。

total 1788
-rw-r--r-- 1 root root    130 Jul  6 14:32 checkpoint
-rw-r--r-- 1 root root 838550 Jul  6 14:32 events.out.tfevents.1625553120.distributed-training-worker-0
-rw-r--r-- 1 root root 523405 Jul  6 14:32 graph.pbtxt
drwxr-xr-x 2 root root   4096 Jul  6 14:31 keras
-rw-r--r-- 1 root root    780 Jul  6 14:32 model.ckpt-0.data-00000-of-00001
-rw-r--r-- 1 root root    249 Jul  6 14:32 model.ckpt-0.index
-rw-r--r-- 1 root root 218354 Jul  6 14:32 model.ckpt-0.meta
-rw-r--r-- 1 root root    780 Jul  6 14:32 model.ckpt-3200.data-00000-of-00001
-rw-r--r-- 1 root root    249 Jul  6 14:32 model.ckpt-3200.index
-rw-r--r-- 1 root root 218354 Jul  6 14:32 model.ckpt-3200.meta

Pytorch訓練

執行以下命令，進入mnist目錄。

cd /root/dsdemo/kubeflow_samples/training/pytorch/mnist

製作Train鏡像。
- 執行以下命令，製作Train鏡像。
```
make
```
- 執行以下命令，製作鏡像並將鏡像push到鏡像倉庫。
```
make push
```

根據您的實際需求，修改訓練設定檔的鏡像名稱。

apiVersion: "kubeflow.org/v1"
kind: "PyTorchJob"
metadata:
  name: "pytorch-dist-mnist-gloo"
spec:
  pytorchReplicaSpecs:
    Master:
      replicas: 1
      restartPolicy: OnFailure
      template:
        metadata:
          annotations:
            sidecar.istio.io/inject: "false"
        spec:
          containers:
            - name: pytorch
              image: datascience-registry.cn-beijing.cr.aliyuncs.com/kubeflow-examples/pytorch-dist-mnist-test:0.1.5
              args: ["--backend", "gloo"]
              volumeMounts:
                - mountPath: /train
                  name: training
              # Comment out the below resources to use the CPU.
              resources: 
                limits:
                  nvidia.com/gpu: 1
          volumes:
            - name: training
              persistentVolumeClaim:
                claimName: strategy-pytorch-volume
    Worker:
      replicas: 1
      restartPolicy: OnFailure
      template:
        metadata:
          annotations:
            sidecar.istio.io/inject: "false"
        spec:
          containers: 
            - name: pytorch
              image: datascience-registry.cn-beijing.cr.aliyuncs.com/kubeflow-examples/pytorch-dist-mnist-test:0.1.5
              args: ["--backend", "gloo"]
              volumeMounts:
                - mountPath: /train
                  name: training
              # Comment out the below resources to use the CPU.
              resources: 
                limits:
                  nvidia.com/gpu: 1
          volumes:
            - name: training
              persistentVolumeClaim:
                claimName: strategy-pytorch-volume

修改pvc設定檔。

apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: strategy-pytorch-volume
  labels:
    app: strategy-pytorch-volume
spec:
  storageClassName: "nfs-client"
  accessModes:
  - ReadWriteMany
  resources:
    requests:
      storage: 10Gi

說明您可以修改storage的值，調大儲存空間，例如50 Gi。

申請PVC並提交訓練。

kubectl apply -f ./v1/pytorch_job_mnist_gloo.yaml

查看訓練狀態。

執行以下命令，擷取Pod資訊。

kubectl get pods

返回如下類似資訊。

NAME                                      READY   STATUS      RESTARTS   AGE
pytorch-dist-mnist-gloo-worker-0          0/1     Pending     0          11m

說明當Pod的狀態為Completed時，表示訓練結束。

執行以下命令，查看Log資訊。

kubectl logs pytorch-dist-mnist-gloo-master-0

進入如下目錄，查看Checkpoint模型匯出檔案。
```
cd /mnt/disk1/k8s_pv/default_storage_class/default-strategy-pytorch-volume-pvc-633b12ab-5f63-4e63-97b9-24c2b3de733c/
```
說明 default-strategy-pytorch-volume-pvc-633b12ab-5f63-4e63-97b9-24c2b3de733c需要替換為您實際的目錄。
返回資訊類似如下所示。
```
total 1688
-rw-r--r-- 1 root root 1725813 Jul  6 15:35 mnist_cnn.pt
```