如何使用modelarts训练海量数据

在modelarts上使用notebook上使用evs空间默认大小是5G，能满足大部分文本和图片训练模型的需求。如果训练数据稍微超过这个限额，可以适当的扩增下空间。但如果训练对象是视频，或是实际生成过程中的海量数据，这个空间就显得小了，这时候扩增evs空间就显得很不经济了。

最近老山便碰到这样的案例，客户的训练数据大约在1T的量级，在obs上存储的数据结构大概如下图所示。

your-obs-name
└── ...
   └── video
       ├── folder1
       │   ├── text.txt
       │   └── video.mp4
       ├── folder2
       │   ├── text.txt
       │   └── video.mp4
       ├── folder3
       │   ├── text.txt
       │   └── video.mp4
       ├── folder4
       │   ├── text.txt
       │   └── video.mp4
       ├── folder5
       │   ├── text.txt
       │   └── video.mp4
       ├── ...

虽然使用华为云自带的moxing模块可以直接读取obs的数据，但由于实质是通过http实时读取数据，这个速度比从evs的ssd硬盘上读取数据要慢得多。而解决方案也比较直接，在evs上开辟一个固定大小的空间作为缓存区，一方面不断把obs数据读入缓存区，如果缓存区满了，就等待其腾出空间，另一方面训练任务消费evs数据，当消费完后便删除数据。

程序上也自然选用生产者-消费者模型。程序定义了管道类Pipeline，有生产者线程producer用于将obs数据保存到evs；同时输出evs数据用于外部模型的消费。由于每个视频文件都单独放在一个文件夹下，所以程序的输出对象也是这个文件夹在evs上保存的地址，如folder1，folder2等。至于读取文件夹内部文件信息等消费工作，由用户自行定义。

不多说，直接上代码。

import moxing as mox
mox.file.shift('os', 'mox')
import os, shutil
from queue import Queue
from time import sleep
import threading
import logging
logging.basicConfig(level=logging.INFO,
                   format="%(asctime)s %(name)s %(levelname)s %(message)s",)

class ObsClient:
   def __init__(self, root):
       '''获取obs路径上需要读取的文件夹的相关信息'''
       self.root = root
       self.directory = self.list_directory()
       self.maxSize = self.getMaxSize()

   def getMaxSize(self):
       '''最大的文件夹的大小'''
       return max([size for *_, size in self.directory])

   def list_directory(self):
       '''输出用于训练的文件夹的路径，输出directory：
       [(文件夹相对路径，文件夹绝对路径，文件夹大小), ...]
       '''
       directory = []
       folders = mox.file.list_directory(self.root)
       for folder in folders:
           folderPath = os.path.join(self.root, folder)
           if mox.file.is_directory(folderPath):
               size = self.get_size(folderPath)
               directory.append((folder, folderPath, size))
       return directory

   def get_size(self, path):
       '''获取文件（夹）的大小'''
       if mox.file.is_directory(path):
           return self.get_size_folder(path)
       return self.get_size_file(path)

   def get_size_file(self, path):
       '''获取文件的大小'''
       return mox.file.get_size(path)

   def get_size_folder(self, path):
       '''获取文件夹的大小'''
       size = 0
       for filename in mox.file.list_directory(path, recursive=True):
           filepath = os.path.join(path, filename)
           if not mox.file.is_directory(filepath):
               size+= self.get_size_file(filepath)
       return size

class EvsClient:
   def __init__(self, root, memory, queue, directory, interval = 0.1):
       self.root = root # evs缓存区根目录
       self.directory = directory # obs文件夹信息
       self.size = 0 # evs缓存区已使用的空间
       self.memory = memory # evs上用于缓存的空间大小
       self.queue = queue # 队列，存储了evs缓存区文件夹的信息
       self.interval = interval # 如果缓存区满后，查询缓存大小的间隔时间

   def remove(self, folder, size):
       '''删除evs文件夹，在文件夹被消费后调用'''
       logging.info(f"consumer: start removing folder {folder} with size {size}|{self.size}")
       shutil.rmtree(folder, True)
       self.size -= size
       logging.info(f"consumer: end removing folder {folder} with size -{size}|{self.size}")

   def work(self):
       '''生成者主程序，用于从obs中copy文件夹到evs'''
       for relObsFolder, absObsFolder, size in self.directory:
           while True:
               # 缓存区没满，就copy文件
               if not self.waitOrDo(size):
                   self.copy(relObsFolder, absObsFolder, size)
                   break
               # 如果缓存区满了，就等待
               sleep(self.interval)
       # 当所有文件都拷贝后，置入结束符(None, None)
       self.queue.put((None, None))

   def waitOrDo(self, size):
       '''返回True时等待，返回False时工作'''
       return self.size + size > self.memory

   def copy(self, relObsFolder, absObsFolder, size):
       '''从obs中copy文件夹到evs'''
       evsFolder = os.path.join(self.root, relObsFolder)
       logging.info(f"producer: start copying folder {relObsFolder} with size {size}|{self.size}")
       mox.file.copy_parallel(absObsFolder, evsFolder)
       self.queue.put((evsFolder, size))
       self.size += size
       logging.info(f"producer: end copying folder {relObsFolder} with size +{size}|{self.size}")

class Pipeline:
   def __init__(self, evsRoot, obsRoot, memory = '1g', timeout = 300, interval = 0.1):
       self.memory = self.rescript(memory) # evs上用于缓存的空间大小
       self.timeout = timeout # 消费者获取evs缓存区文件夹的最长等待时间
       self.queue = Queue() # 队列，存储了evs缓存区文件夹的信息
       self.obsClient = ObsClient(obsRoot) # 存储obs上的文件夹信息
       # evs上的操作
       self.evsClient = EvsClient(evsRoot, self.memory, self.queue, self.obsClient.directory, interval)
       self.checkMemory() # 验证evs上用于缓存的空间大小是否足够大       

   def checkMemory(self):
       '''evs上用于缓存的空间大小不能小于obs上最大文件夹大小'''
       if self.memory<self.obsClient.maxSize:
           raise Exception("memory should bigger than maxFolderSize!")

   def rescript(self, memory):
       '''将文本或数值类型的memory转写成数值'''
       try:
           if isinstance(memory, str):
               if memory[-1].lower()=='g':
                   return int(float(memory[:-1])*1024*1024*1024)
               elif memory[-1].lower()=='m':
                   return int(float(memory[:-1])*1024*1024)
               elif memory[-1].lower()=='k':
                   return int(float(memory[:-1])*1024)
               else:
                   return int(float(memory))
           else:
               return int(float(memory))
       except:
           raise Exception("Error when rescripting memory!")

   def __iter__(self):
       '''生成器，yield输出evs文件夹路径和大小'''
       # 生产者线程
       producer = threading.Thread(target = self.evsClient.work)
       producer.start()
       # 主程序提供生成器用于消费，输出evs文件夹路径和大小
       while True:
           logging.info(f"consumer: start to get the queue")
           path, size = self.queue.get(timeout=self.timeout)
           logging.info(f"consumer: get the queue {path}, {size} ")
           if path is None and size is None:
               break
           yield path, size
           self.evsClient.remove(path, size)
       # 主程序等待
       producer.join()

if __name__ == '__main__':
   # 使用示例
   for path, size in Pipeline('./video', 's3://your-obs-name/.../video'):
       do_job(path, size)

如果你觉得老山的文章不错，不妨点击下关注。

作者：：山找海味