文档首页> 云容器引擎 CCE> 最佳实践> 批量计算> 使用Kubeflow和Volcano实现典型AI训练任务
更新时间:2022-05-10 GMT+08:00
分享

使用Kubeflow和Volcano实现典型AI训练任务

Kubernetes已经成为云原生应用编排、管理的事实标准, 越来越多的应用选择向Kubernetes迁移。人工智能和机器学习领域天然的包含大量的计算密集型任务,开发者非常愿意基于Kubernetes构建AI平台,充分利用Kubernetes提供的资源管理、应用编排、运维监控能力。

Kubeflow的诞生背景和运行AI计算任务面临的问题

然而基于Kubernetes构建一个端到端的AI计算平台是非常复杂和繁琐的过程,它需要处理很多个环节。如图1所示,除了我们熟知的模型训练环节之外还包括数据收集、预处理、资源管理、特性提取、数据验证、模型的管理、模型发布、监控等环节。对于一个AI算法工程师来讲,他要做模型训练,就不得不搭建一套AI计算平台,这个过程耗时费力,而且需要很多的知识积累。

图1 模型训练环节

Kubeflow诞生于2017年,Kubeflow项目是基于容器和Kubernetes构建,旨在为数据科学家、机器学习工程师、系统运维人员提供面向机器学习业务的敏捷部署、开发、训练、发布和管理平台。它利用了云原生技术的优势,让用户更快速、方便的部署、使用和管理当前最流行的机器学习软件。

目前Kubeflow 1.0版本已经发布,包含开发、构建、训练、部署四个环节,可全面支持企业用户的机器学习、深度学习完整使用过程。

如下图所示:

通过Kubeflow 1.0,用户可以使用Jupyter开发模型,然后使用fairing(SDK)等工具构建容器,并创建Kubernetes资源训练其模型。模型训练完成后,用户还可以使用KFServing创建和部署用于推理的服务器。再结合pipeline(流水线)功能可实现端到端机器学习系统的自动化敏捷构建,实现AI领域的DevOps。

Kubernetes存在的问题

既然有了Kubeflow,是不是在Kubernetes上进行机器学习、深度学习就一帆风顺了呢?答案是否定的。我们知道Kubeflow在调度环境使用的是kubernetes的默认调度器。而Kubernetes默认调度器最初主要是为长服务设计的,对于AI、大数据等批量和弹性调度方面还有很多的不足。主要存在以下问题:

资源争抢问题

TensorFlow的作业包含Ps和Worker两种不同的角色,这两种角色的Pod要配合起来完成整个作业,如果只是运行一种角色Pod,整个作业是无法正常执行的,而默认调度器对于Pod调度是逐个进行的,对于Kubeflow作业TFJob的Ps和Worker是不感知的。在集群高负载(资源不足)的情况下,会出现多个作业各自分配到部分资源运行一部分Pod,而又无法正执行完成的状况,从而造成资源浪费。以下图为例,集群有4块GPU卡,TFJob1和TFJob2作业各自有4个Worker,TFJob1和TFJob2各自分配到2个GPU。但是TFJob1和TFJob2均需要4块GPU卡才能运行起来。这样TFJob1和TFJob2处于互相等待对方释放资源,这种死锁情况造成了GPU资源的浪费。

亲和调度问题

分布式训练中,Ps和Worker存在很频繁的数据交互,所以Ps和Worker之间的带宽直接影响了训练的效率。 Kubernetes默认调度器并不考虑Ps和Worker的这种逻辑关系,Ps和Worker是被随机调度的。如下图所示,2个TFJob(1个Ps + 2 Worker),使用默认调度器,有可能会出现(a)、(b)、(c)三种情况的任意一种情况,我们知道(c)才是我们最想要的调度结果。因为在(c)中,Ps和Worker可以利用本机网络提供传输效率,缩短训练时间。

Volcano批量调度系统:加速AI计算的利器

Volcano是一款构建于Kubernetes之上的增强型高性能计算任务批量处理系统。作为一个面向高性能计算场景的平台,它弥补了kubernetes在机器学习、深度学习、HPC、大数据计算等场景下的基本能力缺失,其中包括gang-schedule的调度能力、计算任务队列管理、task-topology和GPU亲和性调度。另外,Volcano在原生kubernetes能力基础上对计算任务的批量创建及生命周期管理、fair-share、binpack调度等方面做了增强。Volcano充分解决了上文提到的Kubeflow分布式训练面临的问题。

Volcano更多信息请参见:https://github.com/volcano-sh/volcano

Volcano在华为云的应用

Kubeflow和Volcano两个开源项目的结合充分简化和加速了Kubernetes上AI计算进程。当前已经成为越来越多用户的最佳选择,应用于生产环境。Volcano目前已经应用于华为云CCE、CCI产品以及容器批量计算解决方案。未来Volcano会持续迭代演进,优化算法、增强调度能力如智能调度的支持,在推理场景增加GPU Share等特性的支持,进一步提升kubeflow批量训练和推理的效率。

实现典型分布式AI训练任务

下面将展示如何基于Kubeflow和Volcano,并使用MNIST数据集轻松的完成数字图像分类模型的分布式训练。

  1. 登录CCE控制台,创建一个CCE集群,详情请参见购买CCE集群
  2. 在CCE集群上部署Volcano环境。

    单击左侧栏目树中的“插件管理”,在“插件市场”页签下单击Volcano插件下方的“安装插件”,在安装插件页面的“基本信息”步骤中选择要安装的集群和Volcano插件版本,单击“下一步:规格配置”

    图2 安装Volcano插件

    Volcano插件无可配置参数,直接单击“安装”,等待安装任务完成。

  3. 部署Kubeflow环境。

    1. 安装kfctl工具并设置环境变量。
      1. 环境变量设置如下:
        export KF_NAME=<your choice of name for the Kubeflow deployment>
        export BASE_DIR=<path to a base directory>
        export KF_DIR=${BASE_DIR}/${KF_NAME}
        export CONFIG_URI="https://raw.githubusercontent.com/kubeflow/manifests/v1.0-branch/kfdef/kfctl_k8s_istio.v1.0.2.yaml"
      2. kfctl安装:
        下载kfctl,地址:https://github.com/kubeflow/kfctl/releases/tag/v1.0.2
        tar -xvf kfctl_v1.0.2_<platform>.tar.gz
        chmod +x kfctl
        mv kfctl /usr/local/bin/
    2. 部署kubeflow:
      mkdir -p ${KF_DIR}
      cd ${KF_DIR}
      kfctl apply -V -f ${CONFIG_URI} 

  4. 部署Mnist示例。

    1. 下载kubeflow/examples到本地并根据环境选择指南,命令如下:
      yum install git
      git clone https://github.com/kubeflow/examples.git
    2. 安装python3。
      wget https://www.python.org/ftp/python/3.6.8/Python-3.6.8.tgz
      tar -zxvf Python-3.6.8.tgz
      cd Python-3.6.8 ./configure
      make make install

      安装完成后执行如下命令检查是否安装成功

      python3 -V 
      pip3 -V
    3. 安装jupyter notebook并启动,命令如下:
      pip3 install jupyter notebook
      jupyter notebook --allow-root
    4. Putty设置tunnel,远程连接notebook。
    5. 连接成功后浏览器输入localhost:8000,登录notebook。

    6. 根据jupyter的指引,创建分布式训练作业。通过简单的设置schedulerName字段的值为“volcano”,启用Volcano调度器(下图加粗字体部分):
      kind: TFJob
      metadata:
        name: {train_name}  
      spec:
        schedulerName: volcano
        tfReplicaSpecs:
          Ps:
            replicas: {num_ps}
            template:
              metadata:
                annotations:
                  sidecar.istio.io/inject: "false"
              spec:
                serviceAccount: default-editor
                containers:
                - name: tensorflow
                  command:
                  ...
                  env:
                  ...
                  image: {image}
                  workingDir: /opt
                restartPolicy: OnFailure
          Worker:
            replicas: 1
            template:
              metadata:
                annotations:
                  sidecar.istio.io/inject: "false"
              spec:
                serviceAccount: default-editor
                containers:
                - name: tensorflow
                  command:
                  ...
                  env:
                  ...
                  image: {image}
                  workingDir: /opt
                restartPolicy: OnFailure

  5. 提交作业,开始训练。

    kubectl apply -f mnist.yaml

    等待训练作业完成,通过Kubeflow的UI可以查询训练结果信息。至此,我们就完成了一次简单的分布式训练任务。Kubeflow的借助TFJob简化了作业的配置。Volcano通过简单的增加一行配置就可以让用户启动组调度、Task-topology等功能来解决死锁、亲和性等问题,在大规模分布式训练情况下,可以有效的缩短整体训练时间。

分享:

    相关文档

    相关产品

close