Author: xidianwangtao@gmail.com

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。

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。

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

大家可以参考Kyle Bai的https://github.com/kairen/workshop413，他这里时候用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。

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(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。

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，欢迎对这方面有浓厚兴趣的同学加我微信xidianwangtao交流。