导航：首页 > 服务器 >

TensorFlow如何使用

发表于：2024-10-28 作者：千家信息网编辑

千家信息网最后更新 2024年10月28日，这篇文章主要讲解了"TensorFlow如何使用"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"TensorFlow如何使用"吧！Distributed

千家信息网最后更新 2024年10月28日TensorFlow如何使用

这篇文章主要讲解了"TensorFlow如何使用"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"TensorFlow如何使用"吧！

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AI的世界里，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，这里给出Distributed TensorFlow结构图：

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。

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。

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
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
Glusterfs: 3.10.5

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。

Demo

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。

Thinking

Q: PS进程遗留问题，在社区讨论比较多（issue 4173），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；
Qworker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，用户只要指定少量参数即可生成ps和worker需要的kubernetes yaml。
比如下面是我的一个jinja template tfcluster_template.yaml.jinja,

    {%- set name = "imagenet" -%}        {%- set worker_replicas = 3 -%}        {%- set ps_replicas = 2 -%}        {%- set script = "http://xxx.xx.xx.xxx:80/imagenet/imagenet.py" -%}        {%- 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 render_template.py tfcluster_template.yaml.jinja | kubectl apply -f -完成对应的Between-Graph TensorFlow Cluster的创建和启动。

感谢各位的阅读，以上就是"TensorFlow如何使用"的内容了，经过本文的学习后，相信大家对TensorFlow如何使用这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是，小编将为大家推送更多相关知识点的文章，欢迎关注！

很赞哦！