利用Docker和容器服务搭建TensorFlow训练集群

本系列将利用Docker技术在阿里云HPC和容器服务上，帮助您上手tensorflow的机器学习方案

• 第一篇：打造TensorFlow的实验环境

• 第二篇：轻松搭建TensorFlow Serving集群

• 第三篇：打通TensorFlow持续训练链路

• 第四篇：利用Neural Style的TensorFlow实现，像梵高一样作画

• 第五篇：轻松搭建分布式TensorFlow训练集群（上）

• 以上所有连接，在此可看到：
  

本文是该系列中的第五篇文章， 将为您介绍如何在本机以及HPC和阿里云容器服务上快速部署和使用分布式TensorFlow训练集群。

简介

由于在现实世界里，单机训练大型神经网络的速度非常缓慢，这就需要运行分布式TensorFlow集群并行化的训练模型。

分布式TensorFlow集群由两种类型的服务器组成，一种是参数服务器，一种是计算服务器，它们通过高性能的gRPC库作为底层技术互相通信。参数服务器负责管理并保存神经网络参数的取值；计算服务器负责计算参数的梯度。并行训练中的更新模式有两种：同步更新和异步更新， 在同步更新模式下，所有服务器都会统一读取参数的取值，计算参数梯度，最后统一更新。而在异步更新模式下，不同服务器会自己读取参数，计算梯度并更新参数，而不需要与其他服务器同步。启动分布式深度学习模型训练任务也有两种模式：图内拷贝模式(In-graph Replication)和图间拷贝模式模式(Between-graph replication)。

但是TensorFlow本身只是计算框架，要将其应用在生产环境，还是需要集群管理工具的资源调度，监控以及生命周期管理等能力。

在TensorFlow的官方文档介绍了如何在Kubernetes上部署和使用TensorFlow集群，而本文将为介绍如何在阿里云容器服务上玩转TensorFlow训练集群。

由于分布式TensorFlow比较复杂，我们会分为3个例子向您介绍：

• 图内拷贝模式(In-graph Replication)

• 图间拷贝模式模式(Between-graph replication)

• 基于Host网络的图间拷贝(Between-graph replication)

本文首先介绍的是图内拷贝模式，另外两种将在后面介绍

图内拷贝模式(In-graph Replication)

在In-graph Replication模式中，指整个集群由一个客户端来构建图，并且由这个客户端来提交图到集群中，worker只负责处理梯度计算的任务。In-graph的好处在于解耦了TensorFlow集群和训练应用之间的关系，这样就可以提前创建参数服务器和计算服务器，而这些角色本身无需额外的训练逻辑，只要通过join()方法等待。真正的训练逻辑只需要置于客户端应用里，有足够的灵活性。

但是对于机器学习的多数场景来说，海量数据是非常普遍的；而这个时候，只有一个客户端应用能提交数据和任务的弊端就体现出来了，客户端程序会变成整个训练过程的瓶颈。下篇文章会介绍的图间拷贝(Between-graph replication)就显得尤为重要了，它是TensorFlow分布式学习更为常用的模式。

使用docker-compose模板在本机上部署TensorFlow集群

1. 可以根据Dockerfile创建TensorFlow grpc server的镜像， 它使用的python脚本也在同一目录中

FROM regi mkdir -p /var/workerADD . /var/workerRUN chmod 777 /var/worker/*ENTRYPOINT ["/var/worker;]

当然也可以直接使用regi

2. 创建如下的docker compose模板

version: '2'services: worker-0: image: regi restart: always container_name: tf-worker0 command: - --cluster_spec=worker|tf-worker0:2222;tf-worker1:2222,ps|tf-ps0:2222 - --job_name=worker - --task_id=0 worker-1: image: regi container_name: tf-worker1 restart: always command: - --cluster_spec=worker|tf-worker0:2222;tf-worker1:2222,ps|tf-ps0:2222 - --job_name=worker - --task_id=1 ps-0: image: regi container_name: tf-ps0 restart: always command: - --cluster_spec=worker|tf-worker0:2222;tf-worker1:2222,ps|tf-ps0:2222 - --job_name=ps - --task_id=0

3. 利用docker-compose命令启动并查看容器状态

> docker-compose up -dCreating network "distributed_default" with the default driverPulling worker-1 (regi)...0.12.0: Pulling from tensorflow-samples/tf_grpc_serverDigest: sha256:6bcd1b142c2cca4c8923424c4b33a4f8d4f31cb5e8b91793275cefc132d8cb29Status: Downloaded newer image for regiCreating tf-worker1Creating tf-worker0Creating tf-ps0> docker-compose ps Name Command State Ports-----------------------------------------------------------------tf-ps0 /var/worker/gr Up 6006/tcp, pc_tensorflo 8888/tcp ...tf-worker0 /var/worker/gr Up 6006/tcp, pc_tensorflo 8888/tcp ...tf-worker1 /var/worker/gr Up 6006/tcp, pc_tensorflo 8888/tcp ...

4. 启动客户端

通过docker exec进入tf-ps0容器，在tf-ps0容器访问tf-worker0容器内的grpc server

> docker exec -it tf-ps0 /bin/bash> cat client.pyimport tensorflow as tfc = ("Hello distributed TensorFlow!")with ("grpc://tf-worker0:2222") as sess: prin(c))> python client.pyHello distributed TensorFlow!

可以看到我们能够成功的调用grpc://tf-worker0:2222, 并且输出了结果。

利用阿里云HPC和容器服务，部署TensorFlow集群服务端

1. 购买北京HPC后，按照北京HPC使用docker服务的文档在HPC机器上部署容器服务。

2. 当安装完成后，确认容器服务上支持了GPU，可以看到每台阿里云HPC上有两个GPU,其中还有每个GPU的配置

3. 为了简化部署，我们提供了一个预先构建基于GPU的TensorFlow grpc server的镜像

• regi-devel-gpu

FROM regi mkdir -p /var/workerADD . /var/workerRUN chmod 777 /var/worker/*ENTRYPOINT ["/var/worker;]

4. 用如下的docker-compose模板部署到HPC和阿里云容器服务上, 就创建了两个worker和一个PS（参数服务器）

version: '2'services: worker-0: image: regi-devel-gpu restart: always container_name: tf-worker0 command: - --cluster_spec=worker|tf-worker0:2222;tf-worker1:2222,ps|tf-ps0:2222 - --job_name=worker - --task_id=0 labels: - aliyun.gpu=1 - com.docker.["on-node-failure"] worker-1: image: regi-devel-gpu container_name: tf-worker1 restart: always command: - --cluster_spec=worker|tf-worker0:2222;tf-worker1:2222,ps|tf-ps0:2222 - --job_name=worker - --task_id=1 labels: - aliyun.gpu=1 - com.docker.["on-node-failure"] ps-0: image: regi-devel-gpu container_name: tf-ps0 restart: always command: - --cluster_spec=worker|tf-worker0:2222;tf-worker1:2222,ps|tf-ps0:2222 - --job_name=ps - --task_id=0 labels: - com.docker.["on-node-failure"]

注：

• aliyun.gpu指定申请的GPU个数。阿里云容器服务负责分配GPU给容器，并且将主机上的GPU卡映射到容器内，这里同时会做到对用户透明。举例来说，如果用户申请一个GPU，而主机上只有/dev/nvidia1可用,将主机上的/dev/nvidia1映射为容器里的/dev/nvidia0，这样就会让用户程序与具体设备号解耦。

• 由于ps-0是参数服务器，并不消耗大量的计算资源无需使用gpu

• container_name 用于指定容器的主机名, 例如worker-0的主机名为tf-worker0， ps-0的主机名为tf-ps0, 指定其的目的是用于服务发现

• 可以通过reschedule-policies可以满足当宿主机节点失败时自动重新调度容器到新的节点

5. 几分钟之后编排模板部署完毕，可以看到worker-0,worker-1和ps对应的容器启动了。注意：worker-0和worker-1运行在同一个HPC宿主机上。

6. 登录到HPC机器可以发现两个容器分别绑定了两块GPU卡

> docker inspect tf-worker0 |grep '"Pid"' "Pid": 48968,> docker inspect tf-worker1 |grep '"Pid"' "Pid": 49109,> nvidia-smi+-----------------------------------------------------------------------------+| NVIDIA-SMI 367.48 Driver Version: 367.48 ||-------------------------------+----------------------+----------------------+| GPU Name Persistence-M| Bus-Id Di | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. ||===============================+======================+======================|| 0 Tesla M40 Off | 0000:06:00.0 Off | 0 || N/A 39C P0 61W / 250W | 10876MiB / 11443MiB | 0% Default |+-------------------------------+----------------------+----------------------+| 1 Tesla M40 Off | 0000:87:00.0 Off | 0 || N/A 33C P0 62W / 250W | 10876MiB / 11443MiB | 0% Default |+-------------------------------+----------------------+----------------------++-----------------------------------------------------------------------------+| Processes: GPU Memory || GPU PID Type Process name Usage ||=============================================================================|| 0 48968 C /usr/bin/python 10874MiB || 1 49109 C /usr/bin/python 10874MiB |+-----------------------------------------------------------------------------+

7. 但是在tf-worker0的容器中以为自己绑定了第一块GPU卡

8. 同时在tf-worker1的容器中也以为自己绑定了第一块GPU卡

9. 这样我们就获得了一个好处：底层基础架构对于应用是透明的，让用户程序与具体设备号解耦。

利用阿里云HPC和容器服务，运行TensorFlow客户端

1. 以下为Client的代码，要做的就是构造写线性数据，其中斜率是2、截距是10，如果梯度下降算法正确的话最终w和b的输出应该也接近2和10。同时我们这里可看到我们将可变参数 w和b绑定到ps-0，并且把不同的operation分配给了不同worker，最后将session指向其中一个worker的grpc的终端。

import tensorflow as tfimport numpy as nptrain_X = np.linspace(-1, 1, 101)train_Y = 2 * train_X + np.random.randn(*) * 0.33 + 10X = ("float")Y = ("float")with ("/job:ps/task:0/cpu:0"): w = , name="weight") b = , name="reminder")# () no long valid from# 2017-03-02 if using tensorflow >= 0.12with ("/job:worker/task:0/gpu:0"): init_op = () cost_op = (Y - (X, w) - b)with ("/job:worker/task:1/gpu:0"): train_op = 1).minimize(cost_op)with ("grpc://tf-worker0:2222") as sess: (init_op) #epoch = 1 for i in range(10): for (x, y) in zip(train_X, train_Y): (train_op, feed_dict={X: x, Y: y}) #print ("Epoch: {}, w: {}, b: {}").format(epoch, (w), (b)) #epoch += 1 print ("Result is w: {}, b: {}").forma(w), (b))

BTW： 这个程序只是为了演示可以显示的把不同的operation分配到不同的worker上，

2. 我们创建了一个包含上面python脚本的容器镜像

• regi

FROM regi mkdir -p /var/workerADD client.py /var/workerRUN chmod 777 /var/worker ["python", "/var/worker;]

3. 用如下的docker-compose模板部署到阿里云HPC容器服务上，就可以触发TensorFlow并行训练

version: '2'labels: aliyun.project_type: "batch"services: linear: image: regi labels: aliyun.remove_containers: "remove-none"

注：

• aliyun.project_type: "batch"指定该应用使用的是离线应用，如果希望了解离线计算的元语，可以参考在阿里云容器服务中运行离线任务文档

• aliyun.remove_containers 代表容器运行完后是否删除，这里remove-none表示运行完之后不删除

6. 可以到容器服务的应用状态页面查看进度，当发现应用完成后，就可以查看日志

7. 从日志中可以看到拟合出的结果与真实值w=2，b=10非常接近

总结

可以看到，在阿里云容器服务上部署和使用TensorFlow分布式集群非常方便，比如TensorFlow集群的成员是在创建时刻通过cluster_spec指定，容器服务完全兼容Docker网络模型，可以方便地利用容器名进行服务发现。可以说，利用容器服务和Kubernetes在支持分布式TensorFlow训练集群上有异曲同工之妙，也为读者提供了在机器学习的实践中更多的选择。

利用阿里云HPC和容器服务，您除了可以获得高性能计算的洪荒之力，还可以简单的掌控这种能力，实现快速测试、部署机器学习应用，进而加速机器学习产品化的速度。容器服务了提供GPU资源的调度和管理，再加上对象存储，日志、监控等基础设施能力，帮助用户专注于利用机器学习创造商业价值。

更多深度文章，欢迎关注云栖社区：