分享

TensorFlow遇上Spark

 openlog 2017-06-22

TensorFlowOnSpark 项目是由Yahoo开源的一个软件包,实现TensorFlow集群服务部署在Spark平台之上。


tfos.part1.1_1.pdf.jpg

大家好,这次我将分享TensorFlow On Spark的解决方案,将TensorFlow集群部署在Spark平台之上,实现了TensorFlowSpark的无缝连接,更好地解决了两者数据传递的问题。


tfos.part2.2_2.pdf.jpg

这次分享的主要内容包括TensorFlowOnSpark架构设计,探讨其工作原理,通过理解其设计,更好地理解TensorFlow集群在Spark平台上的运行机制。


tfos.part3.3_3.pdf.jpg

首先,探讨TensorFlowOnSpark的架构与设计。主要包括如下两个基本内容:

  • 架构分析
  • 生命周期

tfos.part4.4_4.pdf.jpg

在开始之前,先探讨一下TensorFlowOnSpark的背景,及其它需要解决的问题。为了实现Spark利用TensorFlow深度学习,及其GPU加速的能力,最常见的解决方案如上图所示。

搭建TensorFlow集群,并通过利用既有的Spark集群的数据完成模型的训练,最种再将训练好的模型部署在Spark集群上,实现数据的预测。

该方案虽然实现了Spark集群的深度学习,及其GPU加速的能力,但需要Spark集群与TensorFlow集群之间的数据传递,造成冗余的系统复杂度。


tfos.part5.5_5.pdf.jpg

很容易想到,可以将TensorFlow集群部署在Spark之上,用于解决集群间数据传递的问题。

依次类同,该方案可实现Caffe部署在Spark集群之上,实现Spark集群对多种深度学习框架的支持能力,并兼容既有Spark组件的完整性,包括Spark MLLib, Spark Streaming, Spark SQL等。


tfos.part6.6_6.pdf.jpg

TensorFlowOnSpark的架构较为简单,Spark Driver程序并不会参与TensorFlow内部相关的计算和处理。其设计思路像是将一个TensorFlow集群运行在了Spark上,其在每个Spark Executor中启动TensorFlow应用程序,然后通过gRPCRDMA方式进行数据传递与交互。


tfos.part7.7_7.pdf.jpg

TensorFlowOnSparkSpark应用程序包括4个基本过程。

  • Reserve:组建TensorFlow集群,并在每个Executor进程上预留监听端口,启动“数据/控制”消息的监听程序。
  • Start:在每个Executor进程上启动TensorFlow应用程序;
  • Train/Inference:在TensorFlow集群上完成模型的训练或推理
  • Shutdown:关闭Executor进程上的TensorFlow应用程序,释放相应的系统资源(消息队列)。

tfos.part8.8_8.pdf.jpg

用户直接通过spark-submit的方式提交Spark应用程序(mnist_spark.py)。其中通过--py_files选项附带TensorFlowOnSpark框架(tfspark.zip),及其TensorFlow应用程序(mnist_dist.py),从而实现TensorFlow集群在Spark平台上的部署。


tfos.part9.9_9.pdf.jpg

首先看看TensorFlow集群的建立过程。首先根据spark-submit传递的num_executor参数,通过调用cluster = sc.parallelize(num_executor)建立一个ParllelCollectionRDD,其中分区数为num_executor。也就是说,此时分区数等于Executor数。

然后再调用cluster.mapPartitions(TFParkNode.reserve)ParllelCollectionRDD变换(transformation)为MapPartitionsRDD,在每个分区上回调TRSparkNode.reserve

TRSparkNode.reserve将会在该节点上预留一个端口,并驻留一个Manager服务。Manager持有一个队列,用于完成进程间的同步,实现该节点的“数据/控制”消息的服务。

数据消息启动了两个队列:InputOutput,分别用于RDDExecutor进程之间的数据交换。

控制消息启动了一个队列:Control,用于Driver进程控制PS任务的生命周期,当模型训练完成之后,通过Driver发送Stop的控制消息结束PS任务。


tfos.part10.10_10.pdf.jpg

这是从分区的角度看待TensorFlow集群建立的过程,横轴表示RDD。这里存在两个RDD,第一个为ParllelCollectionRDD,然后变换为MapPartitionsRDD

纵轴表示同一个分区(Partition),并在每个分区上启动一个Executor进程 。在Spark中,分区数等于最终在TaskScheduler上调度的Task数目。

此处,sc.parallelize(num_executor)生成一个分区数为num_executorParllelCollectionRDD。也就是说,此时分区数等于num_executor数目。

在本例中,num_executor3,包括1PS任务,2Worker任务。


tfos.part11.11_11.pdf.jpg

TensorFlow集群建立后,将生成上图所示的领域模型。其中,一个TFCluster将持有num_executorTFSparkNode节点;在每个TFSparkNode上驻留一个Manager服务,并预留一个监听端口,用于监听“数据/控制”消息。

实际上,TFSparkNode节点承载于Spark Executor进程之上。


tfos.part12.12_12.pdf.jpg

TensorFlow集群建立后,通过调用cluster.start启动集群服务。其结果将在每个Executor进程上启动TensorFlow应用程序。

此处,需要对原生的TensorFlow应用程序进行适配修改,包括2个部分:

  • FeedingFetching: 数据输入/输出机制修改
  • ClusterSpec: TF集群的构造描述

其余代码都将保留,最小化TensorFlow应用程序的修改。


tfos.part13.13_13.pdf.jpg

cluster上调用foreachPartition(TFSparkNode.start(map_func)),将在每个分区(Executor进程)上回调TFSparkNode.start(map_func)。其中,map_func是对应TF应用程序的包装。

通过上述过程,将在Spark上拉起了一个TF的集群服务。从而使得Spark集群拥有了深度学习和GPU加速的能力。


tfos.part14.14_14.pdf.jpg

Spark平台上已经拉起了TF集群服务之后,便可以启动模型的训练或推理过程了。在训练或推理过程中,最重要的是解决数据的FeedingFetching问题。

TFoS上提供了两种方案:

  • TensorFlow QueueRunner:利用TensorFlow提供的FileReaderQueueRunner机制。Spark未参与任何工作,请查阅TensorFlow官方相关文档。
  • Spark Feeding:首先从RDD读取分区数据(通过HadoopRDD.compute),然后将其放在Input队列中,Executor进程再从该队列中取出,并进一步通过feed_dict,调用session.run将分区数据供给给TensorFlow Graph中。

tfos.part15.15_15.pdf.jpg

Feeding过程,就是通过Input Queue同步实现的。当RDD读取分区数据后,阻塞式地将分区数据putInput队列中;TFGraphsession.run获取Next Batch时,也是阻塞式地等待数据的到来。


tfos.part16.16_16.pdf.jpg

同样的道理,Fetching过程与Feeding过程类同,只是使用Output Queue,并且数据流方向相反。

session.run返回的数据,通过put阻塞式地放入Output QueueRDD也是阻塞式地等待数据到来。


tfos.part17.17_17.pdf.jpg

以模型训练过程为例,讲解RDD的变换过程。此处以Mnist手写识别为例,左边表示X,右边表示Y。分别通过HadoopRDD读取分区数据,然后通过MapPartititionRDD变换分区的数据格式;然后通过zip算子,实现两个RDD的折叠,生成ZipPartitionsRDD

然后,根据Epochs超级参数的配置,将该RDD重复执行Epochs次,最终将结果汇总,生成UnionRDD

在此之前,都是Transformation的过程,最终调用foreachPartition(train)启动Action,触发Spark Job的提交和任务的运行。


tfos.part18.18_18.pdf.jpg

当模型训练或推理完成之后,分别在Input/Control队列中投掷Stop(以传递None实现)消息,当Manager收到Stop消息后,停止队列的运行。

最终,Spark应用程序退出,Executor进程退出,整个工作流执行结束。


tfos.part19.19_19.pdf.jpg

tfos.part20.20_20.pdf.jpg

推荐资料,强烈推荐直接地源代码阅读。


tfos.part21.21_21.pdf.jpg

感谢大家,最后欢迎大家关注我的简书。


tfos.part22.22_22.pdf.jpg

    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息,谨防诈骗。如发现有害或侵权内容,请点击一键举报。
    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多