设为首页 加入收藏

TOP

TensorFlow遇上Spark
2019-02-12 13:22:38 】 浏览:15
Tags:TensorFlow 遇上 Spark

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。

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。

2254249-c46c3b9c8db06518.jpg
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。

2254249-d83c77b13165e4a7.jpg
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
2254249-4760b802770b070b.jpg
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。

2254249-951905734d67e29c.jpg
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。

2254249-ab6fb9da0b4c3a99.jpg
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。

2254249-2fedefa7e5b160d5.jpg
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)。
2254249-b31ce6d74b5f88cf.jpg
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。

2254249-838e0d2e7eb28643.jpg
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。

2254249-9361e62d4669024e.jpg
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。

2254249-e8aebb791c854997.jpg
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。

2254249-eef96d850cbb5a84.jpg
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。

2254249-27e566831b9976b1.jpg
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。

2254249-1fa5afd1aaff4246.jpg
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。
2254249-c4a88d06daa56304.jpg
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。

2254249-581be24a64d7d83f.jpg
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。

2254249-5d256723a5781077.jpg
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。

2254249-ce25b26da3e07589.jpg
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。

2254249-652fd5099638e4c1.jpg
tfos.part19.19_19.pdf.jpg
2254249-3b4f985d0c7eccfc.jpg
tfos.part20.20_20.pdf.jpg

推荐资料,强烈推荐直接地源代码阅读;最后欢迎大家关注我的简书。

2254249-82896459e87ad340.jpg
tfos.part22.22_22.pdf.jpg

开源技术书

https://github.com/horance-liu/tensorflow-internals

编程开发网
】【打印繁体】【投稿】【收藏】 【推荐】【举报】【评论】 【关闭】 【返回顶部
上一篇Hadoop与Spark等大数据框架介绍 下一篇spark IDE:   System memory..

评论

帐  号: 密码: (新用户注册)
验 证 码:
表  情:
内  容:

array(4) { ["type"]=> int(8) ["message"]=> string(24) "Undefined variable: jobs" ["file"]=> string(32) "/mnt/wp/cppentry/do/bencandy.php" ["line"]=> int(214) }