Tüm Ürünler
Search
Belge Merkezi

Container Service for Kubernetes:Submit a standalone TensorFlow job using Arena

Son Güncelleme:Oct 06, 2026

Bu konuda, Arena ile bağımsız bir TensorFlow eğitimi işinin nasıl gönderileceği ve TensorBoard kullanılarak nasıl görselleştirileceği açıklanmaktadır.

Ön koşullar

Arka plan

Bu örnek, kaynak kodunu bir Git deposundan indirir ve NAS tarafından yönetilen PV'ler ve PVC'ler üzerinde kurulu paylaşılan bir depolama sisteminden bir veri kümesi kullanır. Veri kümesini tf_data adlı bir dizinde içeren training-data adlı bir PVC örneğinizin (paylaşılan depolama birimi) olduğu varsayılır.

Yordam

1. Adım: GPU kaynaklarını görüntüleyin

arena top node

Beklenen çıktı:

NAME                        IPADDRESS        ROLE    STATUS  GPU(Total)  GPU(Allocated)
cn-beijing.192.168.xxx.xxx  192.168.xxx.xxx  <none>  Ready   0           0
cn-beijing.192.168.xxx.xxx  192.168.xxx.xxx  <none>  Ready   0           0
cn-beijing.192.168.xxx.xxx  192.168.xxx.xxx  <none>  Ready   2           0
cn-beijing.192.168.xxx.xxx  192.168.xxx.xxx  <none>  Ready   2           0
---------------------------------------------------------------------------------------------------
Allocated/Total GPUs In Cluster:
0/4 (0.0%)

Çıktı, kümede iki GPU düğümü olduğunu gösterir. Her düğümde eğitim işleri için kullanılabilir iki boşta GPU kartı bulunur.

2. Adım: Bir TensorFlow işi gönderin

Bir TensorFlow işi göndermek için arena submit tfjob/tf [--flag] komutunu çalıştırın.

Tek bir düğüm ve tek bir GPU kartı kullanan bağımsız bir TensorFlow işi göndermek için aşağıdaki komutu kullanın.

arena submit tf \
    --name=tf-mnist \
    --working-dir=/root \
    --workers=1 \
    --gpus=1 \
    --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/tensorflow-mnist-example:2.15.0-gpu \
    --sync-mode=git \
    --sync-source=https://github.com/kubeflow/arena.git \
    --env=GIT_SYNC_BRANCH=master \
    --data=training-data:/mnt \
    --tensorboard \
    --logdir=/mnt/tf_data/logs \
    "python /root/code/arena/examples/tensorflow/mnist/main.py --data /mnt/tf_data/mnist.npz --dir /mnt/tf_data/logs"

Beklenen çıktı:

service/tf-mnist-tensorboard created
deployment.apps/tf-mnist-tensorboard created
tfjob.kubeflow.org/tf-mnist created
INFO[0005] The Job tf-mnist has been submitted successfully
INFO[0005] You can run `arena get tf-mnist --type tfjob -n default` to check the job status

Aşağıdaki tabloda parametreler açıklanmıştır.

Parametre

Gerekli

Açıklama

Varsayılan

--name

Evet

İşin adı. Küresel olarak benzersiz olmalıdır.

Yok

--working-dir

Hayır

Komutun çalıştırıldığı dizin.

/root

--gpus

Hayır

İşin çalışan düğümünün kullandığı GPU kartı sayısı.

0

--image

Evet

Eğitim ortamı için görüntünün URL'si.

Yok

--sync-mode

Hayır

Kaynak kodu senkronizasyon modu. Geçerli değerler git ve rsync değerleridir. Bu örnekte git kullanılmaktadır.

Yok

--sync-source

Hayır

Kaynak kodu deposunun URL'si. --sync-mode belirttiğinizde bu parametre gereklidir. git modu için bu parametre, bir GitHub projesi veya Alibaba Cloud Code projesi gibi Git tabanlı herhangi bir kod deposunun URL'si olabilir. Proje kodu, --working-dir tarafından belirtilen yol içindeki code/ dizinine indirilir. Bu örnekte yol /root/code/arena şeklindedir.

Yok

--data

Hayır

Paylaşılan bir depolama birimini (PVC) işin konteynerine bağlar. Değer biçimi pvc-adı:bağlama-yolu şeklindedir. pvc-adı, mevcut bir PVC'nin adıdır. Kullanılabilir PVC'leri listelemek için arena data list komutunu çalıştırabilirsiniz. bağlama-yolu, eğitim kodunuzun verileri okuduğu konteyner içindeki hedef yoldur.

Not

Kümede bulunan PVC'leri görüntülemek için arena data list komutunu çalıştırın.

NAME           ACCESSMODE     DESCRIPTION  OWNER  AGE
    training-data  ReadWriteMany                      35m

Kullanılabilir PVC yoksa bir tane oluşturmanız gerekir. Daha fazla bilgi için bkz. NAS paylaşılan depolamayı yapılandırın.

Yok

--tensorboard

Hayır

Veri görselleştirme için bir TensorBoard hizmeti etkinleştirir. TensorBoard'un okuduğu olay dosyalarının yolunu belirtmek için bu parametreyi --logdir ile birlikte kullanın.

Yok

--logdir

Hayır

TensorBoard için olay dosyalarının yolunu belirtir. --tensorboard belirtildiğinde bu parametre gereklidir.

/training_logs

Not

Özel bir Git deposu kullanmak için kimlik bilgilerinizi GIT_SYNC_USERNAME ve GIT_SYNC_PASSWORD ortam değişkenlerini kullanarak ayarlayın.

arena submit tf \
    --name=tf-mnist \
    --working-dir=/root \
    --workers=1 \
    --gpus=1 \
    --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/tensorflow-mnist-example:2.15.0-gpu \
    --sync-mode=git \
    --sync-source=https://github.com/kubeflow/arena.git \
    --env=GIT_SYNC_BRANCH=master \
    --env=GIT_SYNC_USERNAME=yourname \
    --env=GIT_SYNC_PASSWORD=yourpwd \
    --data=training-data:/mnt \
    --tensorboard \
    --logdir=/mnt/tf_data/logs \
    "python /root/code/arena/examples/tensorflow/mnist/main.py --data /mnt/tf_data --dir /mnt/tf_data/logs"

Arena kaynak kodunu senkronize etmek için git-sync kullanır; bu nedenle git-sync projesi tarafından desteklenen herhangi bir ortam değişkenini kullanabilirsiniz.

Önemli

Ağ sorunları nedeniyle kod çekme işlemi başarısız olursa kodu manuel olarak paylaşılan depolama sisteminize indirebilirsiniz. Alternatif olarak, sağlanan örnek görüntü örnek kodu /code/github.com/kubeflow/arena/examples/tensorflow/mnist/main.py konumunda içerir; bu da işi doğrudan aşağıda gösterildiği gibi göndermenize olanak tanır:

arena submit tf \
    --name=tf-mnist \
    --working-dir=/root \
    --workers=1 \
    --gpus=1 \
    --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/tensorflow-mnist-example:2.15.0-gpu \
    --data=training-data:/mnt \
    --tensorboard \
    --logdir=/mnt/tf_data/logs \
    "python /code/github.com/kubeflow/arena/examples/tensorflow/mnist/main.py --data /mnt/tf_data/mnist.npz --dir /mnt/tf_data/logs"

3. Adım: İş durumunu kontrol edin

  1. Arena kullanılarak gönderilen tüm işleri listelemek için aşağıdaki komutu çalıştırın.

    arena list

    Beklenen çıktı:

    NAME      STATUS   TRAINER  DURATION  GPU(Requested)  GPU(Allocated)  NODE
    tf-mnist  RUNNING  TFJOB    3s        1               1               192.168.xxx.xxx
  2. İş tarafından kullanılan GPU kaynaklarını kontrol etmek için aşağıdaki komutu çalıştırın.

    arena top job

    Beklenen çıktı:

    NAME      STATUS   TRAINER  AGE  GPU(Requested)  GPU(Allocated)  NODE
    tf-mnist  RUNNING  TFJOB    29s  1               1               192.168.xxx.xxx
    Total Allocated/Requested GPUs of Training Jobs: 1/1
  3. Küme tarafından kullanılan GPU kaynaklarını kontrol etmek için aşağıdaki komutu çalıştırın.

    arena top node

    Beklenen çıktı:

    NAME                        IPADDRESS        ROLE    STATUS  GPU(Total)  GPU(Allocated)
    cn-beijing.192.168.xxx.xxx  192.168.xxx.xxx  <none>  Ready   0           0
    cn-beijing.192.168.xxx.xxx  192.168.xxx.xxx  <none>  Ready   0           0
    cn-beijing.192.168.xxx.xxx  192.168.xxx.xxx  <none>  Ready   2           1
    cn-beijing.192.168.xxx.xxx  192.168.xxx.xxx  <none>  Ready   2           0
    ---------------------------------------------------------------------------------------------------
    Allocated/Total GPUs In Cluster:
    1/4 (25.0%)
  4. Eğitim işinin ayrıntılarını görüntülemek için aşağıdaki komutu çalıştırın.

    arena get -n default tf-mnist

    Beklenen çıktı:

    Name:        tf-mnist
    Status:      RUNNING
    Namespace:   default
    Priority:    N/A
    Trainer:     TFJOB
    Duration:    22s
    CreateTime:  2026-01-26 16:01:42
    EndTime:
    Instances:
      NAME              STATUS   AGE  IS_CHIEF  GPU(Requested)  NODE
      ----              ------   ---  --------  --------------  ----
      tf-mnist-chief-0  Running  45s  true      1               cn-beijing.192.168.xxx.xxx
    Tensorboard:
      Your tensorboard will be available on:
      http://192.168.xxx.xxx:31243
    Not

    TensorBoard etkinleştirildiğinden çıktı TensorBoard URL'sini içerir. TensorBoard devre dışı bırakılırsa bu URL görüntülenmez.

4. Adım: TensorBoard'u görüntüleyin

TensorBoard panosunu görüntülemek için bir web tarayıcısı kullanın.

  1. Kümedeki TensorBoard hizmetini yerel makinenizdeki 9090 numaralı bağlantı noktasına yönlendirmek için aşağıdaki komutu çalıştırın.

    Önemli

    kubectl port-forward yalnızca geliştirme ve hata ayıklama amaçlıdır — üretim ortamları için güvenilir, güvenli veya ölçeklenebilir değildir. Üretim ağı için bkz. Ingress'a genel bakış.

    kubectl port-forward -n default svc/tf-mnist-tensorboard 9090:6006
  2. TensorBoard panosunu görüntülemek için tarayıcınızda http://localhost:9090 adresini açın.

    TensorBoard'daki SCALARS paneli iki eğri gösterir: train (kırmızı) ve test (mavi). Yaklaşık 1.000 adımdan sonra accuracy_1 ölçümü 0,96'nın üzerine yakınsar ve cross_entropy_1 ölçümü yaklaşık 0,05 ila 0,10 arasına düşer. Bu durum, MNIST modelinin başarıyla eğitildiğini gösterir. Sol panelde Smoothing (şu anda 0,6) ve Horizontal Axis (şu anda STEP) gibi görüntüleme seçeneklerini ayarlayabilirsiniz. Günlük yolu /mnt/tf_data/logs şeklindedir.

5. Adım: İş günlüklerini görüntüleyin

İş günlüklerini almak için aşağıdaki komutu çalıştırın.

arena logs -n default tf-mnist

Beklenen çıktı:

Train Epoch: 14 [55680/60000 (93%)]     Loss: 0.029811
Train Epoch: 14 [56320/60000 (94%)]     Loss: 0.029721
Train Epoch: 14 [56960/60000 (95%)]     Loss: 0.029682
Train Epoch: 14 [57600/60000 (96%)]     Loss: 0.029781
Train Epoch: 14 [58240/60000 (97%)]     Loss: 0.029708
Train Epoch: 14 [58880/60000 (98%)]     Loss: 0.029761
Train Epoch: 14 [59520/60000 (99%)]     Loss: 0.029684
Test Accuracy: 9842/10000 (98.42%)
938/938 - 3s - loss: 0.0299 - accuracy: 0.9924 - val_loss: 0.0446 - val_accuracy: 0.9842 - lr: 0.0068 - 3s/epoch - 3ms/step
Not
  • İş günlüklerini gerçek zamanlı olarak akışa almak için -f parametresini ekleyin.

  • Günlüklerin yalnızca son N satırını görüntülemek için -t N veya --tail N parametresini ekleyin.

  • Daha fazla seçenek için arena logs --help komutunu çalıştırın.

(İsteğe bağlı) 6. Adım: Ortamı temizleyin

Eğitim işi tamamlandıktan sonra aşağıdaki komutu çalıştırarak işi silebilirsiniz:

arena delete -n default tf-mnist

Beklenen çıktı:

INFO[0002] The training job tf-mnist has been deleted successfully