浅尝TensorFlow on Kubernetes

Posted 2021-04-16 分布式实验室

TensorFlow GitHub 70K+ stars，Kubernetes GitHub 27K+ stars，两个都是在各自领域的霸主，本文从TensorFlow running in Kubernetes的角度，对两者的整合进行梳理和思考，看看能擦出什么样的火花。

1. Distributed TensorFlow

2016年4月TensorFlow发布了0.8版本宣布支持分布式计算，这个特性，我们称之为Distributed TensorFlow。

这是非常重要的一个特性，因为在人工智能/大数据领域，训练数据的size通常会大到让人瞠目结舌，比如Google Brain实验室今年发表的论文《OUTRAGEOUSLY LARGE NEURAL NETWORKS: THE SPARSELY-GATED MIXTURE-OF-EXPERTS LAYER[1]》中提到，下图中MOE Layer Model可以达到680亿个Parameters的规模，如此复杂的模型，如果只能单机训练，那耗时难于接受。通过Distributed TensorFlow，可以利用众多服务器构建TensorFlow Cluster来极大提高训练效率。

关于Distributed TensorFlow的更多内容，请参考官方内容www.tensorflow.org/deplopy/distributed，这里只给出Distributed TensorFlow结构图：

2. Why TensorFlow on Kubernetes

Distributed TensorFlow虽然提供了分布式能力，可以利用服务器集群加快训练，但是还有许多缺点，比如资源无法隔离、PS进程遗留问题等等，而这些正是Kubernetes所擅长的地方。下图是总结的你需要将TensorFlow运行在Kubernetes上的理由：

对于我们来说，前期最大的用户痛点就是算法团队使用的HDFS Read性能不及预期，经过网上查找资料及我们自己简单的对比测试，发现GlusterFS可能是最适合我们的分布式存储了。因此在我们的TensorFlow on Kubernetes项目中使用GlusterFS来存放训练数据，worker将从GlusterFS中读取训练数据进行计算。

关于PS进程遗留问题，TensorFlow社区有很多讨论，但至今没有官方的实现方案，在Kubernetes中，这将比较好解决，在后面的Thinking小节中会单独讨论。

3. Integrated Architecture

说明：

支持Between-Graph和In-Graph两种replication场景；

PS Task通过Kubernetes Deployment来部署，Worker Task通过Kubernetes Job来部署，由Kubernetes service和KubeDNS来提供服务发现；

每个TensorFlow Cluster都会通过StorageClass来Dynamic Provision PV，事先会先创建好通过Heketi对接Gluster集群的StorageClass；

GlusterFS集群通过Heketi来暴露rest api与Kubernetes进行交互，关于Heketi的部署，请参考官方文档；

每个TensorFlow Cluster会最终创建两个PV，一个用来存放训练数据（挂载到容器内/data，对应TensorFlow --data_dir配置），一个用来存储训练日志（挂载到容器内/log，对应TensorFlow --log_path配置）；

每个用户会对应在Kubernetes中创建一个namespace；

会给每个用户部署一个Jupyter Notebook Deployment和Service，Service通过NodePort暴露到集群外；

有一个节点比较特殊，我们称之为User Node,这个节点通过Taint方式，保证会运行Pod，但是会通过kube-proxy来暴露集群内的service，比如上面的Jupyter Notebook service将只允许在这个节点暴露出去；

User Node节点存放着用户写的python算法，并可以通过http查看和下载这些算法文件,Between-Graph场景下，容器启动后将通过curl下载这些算法文件；

会给没用用户创建一个Tensorboard Deployment和Service，Serivce通过NodePort暴露到集群外（同样只能在User Node暴露），Tensorboard Pod会挂着log PV，这样就能得到TensorFlow Graph。

4. Deploy Architecture

整个系统涉及以下核心Components：

• TensorFlow：1.3.0

• Kubernetes：1.7.4

• Docker：1.12.6

• Glusterfs：3.10.5

• Harbor：1.1.2

• Contiv netplugin：0.1-12-23-2016.19-44-42.UTC

• Keepalived：1.3.5

• Haproxy：1.7.8

• Etcd2：2.3.7

• Etcd3：3.2.1

网络方案：contiv netplugin + ovs + vlan

日志方案：fluentd + Kafka + ES + Kibana

监控方案：cadvisor + prometheus + Grafana

CaaS的细节不在这里讨论，其实也是大家非常熟悉的方案了。

5. Demo

大家可以参考Kyle Bai https://github.com/kairen/workshop413，他这里用NFS作为后端存储，需要改成你们自己的存储，大家自己去尝试吧，我这就不一步一步来了，好无聊。

这个Demo，我改成NodePort方式暴露Jupyter Nodebook，登录时输入正确的token即可：

这是一个In-Graph集群，点击master_client.ipynb，可以看到具体的训练算法内容：

点击执行，可以在下面看到输出：

这只是个简单的Demo，实际使用上，自动化生成各个ps，worker，pvc对应的Kubernetes yaml，使用域名进行服务发现，不然如果你使用IP的话，可能就需要利用Pod的ProStart Hook来反馈各个Task的IP了，这将比较麻烦。

6. Thinking

Q：PS进程遗留问题，在社区讨论比较多[2]，结合Kubernetes，我们可以比较简单的来做到回收PS进程的目的。 

A：在DevOps的TaaS模块中，针对每个TensorFlow Cluster都启动一个协程，检查计数器是否达到worker数量（worker是job运行的，down了以后，watch到job successed，则计数器加1），如果等于worker数，则表明训练结束，等待30s后，调用Kubernetes APIServer接口将ps deployment/service删除,达到自动回收ps的效果。

Q：worker是无状态的，ps是有状态的，而ps是无法进行checkpoint的，如何进行训练save和restore呢? 

A：worker虽然是无状态的，但是tf.train.Saver提供能力在worker上进行checkpoint，大概原理就是逐个从PS task中get Parameters，并进行save持久化。

Q：怎么让用户指定ps和worker个数等少量参数，自动生成kubernetes yaml？ 

A：因为当前我们还没有针对TaaS做前端Portal，所以目前是通过jinja template来自动生成的（可以参考tensorflow/ecosystem/kubernetes），用户只要指定少量参数即可生成ps和worker需要的kubernetes yaml。

比如下面是一个例子，tfcluster_template.yaml.jinja，用户只需关注前面的4项即可。

{%- set name = "imagenet" -%}  # 算法名称
{%- set worker_replicas = 3 -%}  # worker数
{%- set ps_replicas = 2 -%}     # ps数
{%- set script = "http://xxx.xx.xx.xxx:80/imagenet/imagenet.py" -%}  # 算法脚本的http下载路径

{%- set image = "tensorflow/tensorflow:1.3.0" -%}
{%- set data_dir = "/data" -%}
{%- set log_dir = "/log" -%}
{%- set port = 2222 -%}
{%- set replicas = {"worker": worker_replicas, "ps": ps_replicas} -%}
{%- macro worker_hosts() -%}
  {%- for i in range(worker_replicas) -%}
    {%- if not loop.first -%},{%- endif -%}
    {{ name }}-worker-{{ i }}:{{ port }}
  {%- endfor -%}
{%- endmacro -%}
{%- macro ps_hosts() -%}
  {%- for i in range(ps_replicas) -%}
    {%- if not loop.first -%},{%- endif -%}
    {{ name }}-ps-{{ i }}:{{ port }}
  {%- endfor -%}
{%- endmacro -%}
{%- for job in ["worker", "ps"] -%}
{%- for i in range(replicas[job]) -%}
kind: Service
apiVersion: v1
metadata:
  name: {{ name }}-{{ job }}-{{ i }}
spec:
  selector:
    name: {{ name }}
    job: {{ job }}
    task: "{{ i }}"
  ports:
  - port: {{ port }}
    targetPort: 2222
{% if job == "worker" %}
---
kind: Job
apiVersion: batch/v1
metadata:
  name: {{ name }}-{{ job }}-{{ i }}
spec:
  replicas: 1
  template:
    metadata:
      labels:
        name: {{ name }}
        job: {{ job }}
        task: "{{ i }}"
    spec:
      containers:
      - name: {{ name }}-{{ job }}-{{ i }}
        image: {{ image }}
        ports:
        - containerPort: 2222
        command: ["/bin/sh", "-c"]
        args:["
            curl {{ script }} -o /opt/{{ name }}.py;
            python /opt/{{ name }}.py 
                   --ps_hosts={{ ps_hosts() }} 
                   --worker_hosts={{ worker_hosts() }} 
                   --job_name={{ job }} 
                   --task_index={{ i }} 
                   --log_path={{ log_dir }} 
                   --data_dir={{ data_dir }} ;"]
        volumeMounts:
        - name: data
          mountPath: {{ data_dir }}
        - name: log
          mountPath: {{ log_dir }}
      restartPolicy: Never
      volumes:
        - name: data
          persistentVolumeClaim:
            claimName: {{ name }}-data-pvc
        - name: log
          persistentVolumeClaim:
            claimName: {{ name }}-log-pvc
{% endif %}
{% if job == "ps" %}
---
kind: Deployment
apiVersion: extensions/v1beta1
metadata:
  name: {{ name }}-{{ job }}-{{ i }}
spec:
  replicas: 1
  template:
    metadata:
      labels:
        name: {{ name }}
        job: {{ job }}
        task: "{{ i }}"
    spec:
      containers:
      - name: {{ name }}-{{ job }}-{{ i }}
        image: {{ image }}
        ports:
        - containerPort: 2222
        command: ["/bin/sh", "-c"]
        args:["
            curl {{ script }} -o /opt/{{ name }}.py;
            python /opt/{{ name }}.py 
                   --ps_hosts={{ ps_hosts() }} 
                   --worker_hosts={{ worker_hosts() }} 
                   --job_name={{ job }} 
                   --task_index={{ i }} 
                   --log_path={{ log_dir }} ;"]
        volumeMounts:
        - name: log
          mountPath: {{ log_dir }}
      restartPolicy: Never
      volumes:
        - name: log
          persistentVolumeClaim:
            claimName: {{ name }}-log-pvc
{% endif %}
 ---
{% endfor %}
{%- endfor -%}
apiVersion: v1
kind: PersistentVolumeClaim
metadata:
 name: {{ name }}-log-pvc
 annotations:
   volume.beta.kubernetes.io/storage-class: glusterfs
spec:
 accessModes:
  - ReadWriteMany
 resources:
   requests:
     storage: 10Gi
---
apiVersion: v1
kind: PersistentVolumeClaim
metadata:
 name: {{ name }}-data-pvc
 annotations:
   volume.beta.kubernetes.io/storage-class: glusterfs
spec:
 accessModes:
  - ReadWriteMany
 resources:
   requests:
     storage: 10Gi
---

然后执行 python rendertemplate.py tfclustertemplate.yaml.jinja | kubectl apply -f - 完成对应的Between-Graph TensorFlow Cluster的创建和启动。

7. Summary

TensorFlow和Kubernetes分别作为深度学习和容器编排领域的王者，两者的合理整合可以将释放Distributed TensorFlow的能力，本文只是我对TensorFlow on Kubernetes的浅尝，未来还有很多工作需要做，比如给某些算法定制特殊的调度策略、网络IO性能调优、在DevOps上开发TaaS，提升易用性、TensorFlow Serving的快速部署等等。

相关链接：

1. https://arxiv.org/abs/1701.06538

2. https://github.com/tensorflow/tensorflow/issues/4713

基于Kubernetes的DevOps实践培训

点击阅读原文链接即可报名。