像Google一样构建机器学习系统3 - 利用MPIJob运行ResNet101

本系列将利用阿里云容器服务，帮助您上手Kubeflow Pipelines.

第一篇：在阿里云上搭建Kubeflow Pipelines
第二篇：开发你的机器学习工作流
第三篇：利用MPIJob运行ResNet101

从上篇文章中，我们可以看到如何通过Kubeflow Pipeline运行单节点任务机器学习工作流，在本文中，我们会介绍如何使用Pipeline运行分布式MPI任务，该MPI任务运行模型ResNet101的测试。

开发MPIRun Pipeline

由于Kubeflow Pipelines提供的例子多数都是单机任务，那么如何利用Pipelines运行分布式训练？阿里云容器服务团队提供了利用MPIJob训练ResNet101模型的例子，方便您在阿里云上使用和学习Kubeflow Pipelines，并且训练支持分布式的allreduce模型训练。

在Kubeflow Pipelines中可以用Python代码描述了这样一个流程, 完整代码可以查看mpi_run.py。我们在这个例子中使用了arena_op这是对于Kubeflow默认的container_op封装，能够实现对于分布式训练MPI和PS模式的无缝衔接，另外也支持使用GPU和RDMA等异构设备和分布式存储的无缝接入，同时也方便从git源同步代码。是一个比较实用的工具API。而arena_op是基于开源项目Arena。

  env = ['NCCL_DEBUG=INFO','GIT_SYNC_BRANCH={0}'.format(git_sync_branch)]

  train=arena.mpi_job_op(

    name="all-reduce",

    image=image,

    env=env,

    data=[data],

    workers=workers,

    sync_source=sync_source,

    gpus=gpus,

    cpu_limit=cpu_limit,

    memory_limit=memory_limit,

    metrics=[metric],

    command="""

    mpirun python code/benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py --model resnet101 \

    --batch_size {0}  --variable_update horovod --optimizer {1}\

    --summary_verbosity=3 --save_summaries_steps=10

    """.format(batch_size, optimizer)

  )

arena.mpi_job_op函数的参数如下:

name，image, data和command之外，在模型训练步骤中，还需要指定:

name: 步骤名称
image: 需要使用的容器镜像
workers: 参与运算的worker数量
data: 要使用的数据以及其对应到容器内部的挂载目录, 这里的data是一个数组类型, 可以设置为data=["user-susan:/training"]，表示可以挂载到多个数据。
env: 系统环境变量，这里的env也是数组类型，可以支持多个env; 如果不需要指定环境变量可以把env设置为[]
gpu: 默认为0，就是不使用GPU；如果为大于0的整数值，就代表该步骤需要这个数量的GPU数。
cpu_limit: cpu的资源上限
memory_limit: 内存的资源上限
metrics: 同样是从可重现和可比较的实验目的出发，用户可以将需要的一系列指标导出，并且通过Pipelines UI上直观的显示和比较。具体使用方法分为两步，1.在调用API时以数组的形式指定要收集指标的metrics name和指标的展示格式PERCENTAGE或者是RAW，比如metrics=["Train-accuracy:PERCENTAGE"]。2.由于Pipelines默认会从stdout日志中收集指标，你需要在真正运行的模型代码中输出{metrics name}={value}或者{metrics name}:{value}, 可以参考具体样例代码
command: 就是要提交的mpirun命令

arena中mpi_run方法的调用, 还比较直观，下面就可以定义一个Python方法。

@dsl.pipeline(

  name='pipeline to run mpi job',

  description='shows how to run mpi job.'

)

def mpirun_pipeline(image="uber/horovod:0.13.11-tf1.10.0-torch0.4.0-py3.5",

               batch_size="64",

               optimizer='momentum',

               sync_source='https://github.com/tensorflow/benchmarks.git',

               git_sync_branch='cnn_tf_v1.9_compatible',

               data='user-susan:/training',

               gpus=1,

               workers=1,

               cpu_limit='2',

               metric='images/sec',

               memory_limit='10Gi'):

@dsl.pipeline是表示工作流的装饰器，这个装饰器中需要定义两个属性，分别是name和description

入口方法mpirun_pipeline中定义了一系列参数，由于数量较多就不在这里一一列举了。这里的参数的值实际上是 dsl.PipelineParam类型，定义成dsl.PipelineParam的目的在于可以通过Kubeflow Pipelines的原生UI可以将其转换成输入表单，表单的关键字是参数名称，而默认值为参数的值. 值得注意的是，这里的dsl.PipelineParam对应值的实际上只能是字符串和数字型；而数组和map，以及自定义类型都是无法通过转型进行变换的。

而实际上，这些参数都可以在用户提交工作流时进行覆盖，以下就是提交工作流对应的UI：

提交Pipeline

整个过程包括：

1.将Python代码编译成Pipelines执行引擎(Argo)识别的DAG文件的压缩包

准备一个python3的环境，并且安装Kubeflow Pipelines SDK

# docker run -itd --name py3 python:3  sleep infinity

# docker exec -it py3 bash

在Python3的环境下执行如下命令

# pip3 install http://kubeflow.oss-cn-beijing.aliyuncs.com/kfp/0.1.16/kfp.tar.gz --upgrade

# pip3 install http://kubeflow.oss-cn-beijing.aliyuncs.com/kfp-arena/kfp-arena-0.6.tar.gz --upgrade

# curl -O https://raw.githubusercontent.com/cheyang/pipelines/add_mpijob/samples/arena-samples/mpi/mpi_run.py

# dsl-compile --py mpi_run.py --output mpi_run.py.tar.gz

# ls -ltr | grep mpi_run

mpi_run.py.tar.gz

# exit

将该文件从容器中拷贝出来

# docker cp py3:/mpi_run.py.tar.gz .

2.将该压缩包上传到Kubeflow Pipeline的web控制台，并且将名字改为mpi_run

运行试验

1.在pipeline页面，点击mpi_run链接

2.点击右上角按钮Create run

3.在Start a new run的界面上填写Run name，同时选择已有或者创建相关的实验。同时按照实际情况设置运行参数，也就是Run parameters。注意，如果您没有配置数据相关的配置，请将data中的参数清空即可。点击启动即可。

查看运行结果

登录到Kubeflow Pipelines的UI: [https://{pipeline地址}/pipeline/#/experiments]，查看实验结果：

点击具体Run，选择all-reduce, 并点击logs查看日志

总结

本文介绍了如何利用Pipeline运行MPIJob，实际上这个例子并不一定严丝合缝的满足使用者的需求：

arena.mpi_job_op是使用MPIJob的API，您可以根据需要自定义调用方式。
def mpirun_pipeline的灵活性更是掌握在用户的手里，如何定义具体Pipeline的输入参数，也是有足够的灵活性。

本文作者：必嘫

原文链接

本文为云栖社区原创内容，未经允许不得转载。