利用Kubernetes和Helm進行高效的超引數調優
摘要：
本文將討論Hyperparameter調優在落地時面臨的問題，以及如何利用Kubernetes+Helm解決這些問題。
Hyperparameter Sweep面臨的問題
在進行Hyperparameter Sweep的時候，我們需要根據許多不同的超引數組合進行不同的訓練，為同一模...
本文將討論Hyperparameter調優在落地時面臨的問題，以及如何利用Kubernetes+Helm解決這些問題。
Hyperparameter Sweep面臨的問題
在進行Hyperparameter Sweep的時候，我們需要根據許多不同的超引數組合進行不同的訓練，為同一模型進行多次訓練需要消耗大量計算資源或者耗費大量時間。
- 如果根據不同的超引數並行進行訓練，這需要大量計算資源。
- 如果在固定計算資源上順序進行所有不同超引數組合對應的訓練，這需要花費大量時間完成所有組合對應的訓練。
因此在落地時中，大多數人通過非常有限的幾次手動微調他們的超引數就挑選一個相對最優的組合。
Kubernetes+Helm是利器
通過Kubernetes與Helm，您可以非常輕鬆地探索非常大的超引數空間，同時最大化叢集的利用率，從而優化成本。
Helm使我們能夠將應用程式打包到chart中並輕鬆地對其進行引數化。在Hyperparameter Sweep時，我們可以利用Helm chart values的配置，在template中生成對應的TFJobs進行訓練部署，同時chart中還可以部署一個TensorBoard例項來監控所有這些TFJobs，這樣我們就可以快速比較我們所有的超引數組合訓練的結果，對那些訓練效果不好的超引數組合，我們可以儘早刪除對應的訓練任務，這無疑會大幅的節省叢集的計算資源，從而降低成本。
利用Kubernetes+Helm進行Hyperparameter Sweep Demo
Helm Chart
我們將通過 ofollow,noindex" target="_blank">Azure/kubeflow-labs/hyperparam-sweep 中的例子進行Demo。
首先通過以下Dockerfile製作訓練的映象：
FROM tensorflow/tensorflow:1.7.0-gpu COPY requirements.txt /app/requirements.txt WORKDIR /app RUN mkdir ./output RUN mkdir ./logs RUN mkdir ./checkpoints RUN pip install -r requirements.txt COPY ./* /app/ ENTRYPOINT [ "python", "/app/main.py" ]
其中main.py訓練指令碼內容如下：
import click
import tensorflow as tf
import numpy as np
from skimage.data import astronaut
from scipy.misc import imresize, imsave, imread
img = imread('./starry.jpg')
img = imresize(img, (100, 100))
save_dir = 'output'
epochs = 2000
def linear_layer(X, layer_size, layer_name):
with tf.variable_scope(layer_name):
W = tf.Variable(tf.random_uniform([X.get_shape().as_list()[1], layer_size], dtype=tf.float32), name='W')
b = tf.Variable(tf.zeros([layer_size]), name='b')
return tf.nn.relu(tf.matmul(X, W) + b)
@click.command()
@click.option("--learning-rate", default=0.01)
@click.option("--hidden-layers", default=7)
@click.option("--logdir")
def main(learning_rate, hidden_layers, logdir='./logs/1'):
X = tf.placeholder(dtype=tf.float32, shape=(None, 2), name='X')
y = tf.placeholder(dtype=tf.float32, shape=(None, 3), name='y')
current_input = X
for layer_id in range(hidden_layers):
h = linear_layer(current_input, 20, 'layer{}'.format(layer_id))
current_input = h
y_pred = linear_layer(current_input, 3, 'output')
#loss will be distance between predicted and true RGB
loss = tf.reduce_mean(tf.reduce_sum(tf.squared_difference(y, y_pred), 1))
tf.summary.scalar('loss', loss)
train_op = tf.train.AdamOptimizer(learning_rate).minimize(loss)
merged_summary_op = tf.summary.merge_all()
res_img = tf.cast(tf.clip_by_value(tf.reshape(y_pred, (1,) + img.shape), 0, 255), tf.uint8)
img_summary = tf.summary.image('out', res_img, max_outputs=1)
xs, ys = get_data(img)
with tf.Session() as sess:
tf.global_variables_initializer().run()
train_writer = tf.summary.FileWriter(logdir + '/train', sess.graph)
test_writer = tf.summary.FileWriter(logdir + '/test')
batch_size = 50
for i in range(epochs):
# Get a random sampling of the dataset
idxs = np.random.permutation(range(len(xs)))
# The number of batches we have to iterate over
n_batches = len(idxs) // batch_size
# Now iterate over our stochastic minibatches:
for batch_i in range(n_batches):
batch_idxs = idxs[batch_i * batch_size: (batch_i + 1) * batch_size]
sess.run([train_op, loss, merged_summary_op], feed_dict={X: xs[batch_idxs], y: ys[batch_idxs]})
if batch_i % 100 == 0:
c, summary = sess.run([loss, merged_summary_op], feed_dict={X: xs[batch_idxs], y: ys[batch_idxs]})
train_writer.add_summary(summary, (i * n_batches * batch_size) + batch_i)
print("epoch {}, (l2) loss {}".format(i, c))
if i % 10 == 0:
img_summary_res = sess.run(img_summary, feed_dict={X: xs, y: ys})
test_writer.add_summary(img_summary_res, i * n_batches * batch_size)
def get_data(img):
xs = []
ys = []
for row_i in range(img.shape[0]):
for col_i in range(img.shape[1]):
xs.append([row_i, col_i])
ys.append(img[row_i, col_i])
xs = (xs - np.mean(xs)) / np.std(xs)
return xs, np.array(ys)
if __name__ == "__main__":
main()
- docker build製作映象時，會將根目錄下的starry.jpg圖片打包進去供main.py讀取。
- main.py使用基於 Andrej Karpathy's Image painting demo 的模型，這個模型的目標是繪製一個儘可能接近原作的新圖片，文森特梵高的“星夜”。
在Helm chart values.yaml中配置如下：
image：ritazh / tf-paint：gpu useGPU：true hyperParamValues： learningRate： - 0.001 - 0.01 - 0.1 hiddenLayers： - 5 - 6 - 7
- image: 配置訓練任務對應的docker image，就是前面您製作的映象。
- useGPU: bool值，預設true表示將使用gpu進行訓練，如果是false，則需要您製作映象時使用tensorflow/tensorflow:1.7.0 base image。
- hyperParamValues: 超引數們的配置，在這裡我們只配置了learningRate, hiddenLayers兩個超引數。
Helm chart中主要是TFJob對應的定義、Tensorboard的Deployment及其Service的定義：
# First we copy the values of values.yaml in variable to make it easier to access them
{{- $lrlist := .Values.hyperParamValues.learningRate -}}
{{- $nblayerslist := .Values.hyperParamValues.hiddenLayers -}}
{{- $image := .Values.image -}}
{{- $useGPU := .Values.useGPU -}}
{{- $chartname := .Chart.Name -}}
{{- $chartversion := .Chart.Version -}}
# Then we loop over every value of $lrlist (learning rate) and $nblayerslist (hidden layer depth)
# This will result in create 1 TFJob for every pair of learning rate and hidden layer depth
{{- range $i, $lr := $lrlist }}
{{- range $j, $nblayers := $nblayerslist }}
apiVersion: kubeflow.org/v1alpha1
kind: TFJob # Each one of our trainings will be a separate TFJob
metadata:
name: module8-tf-paint-{{ $i }}-{{ $j }} # We give a unique name to each training
labels:
chart: "{{ $chartname }}-{{ $chartversion | replace "+" "_" }}"
spec:
replicaSpecs:
- template:
spec:
restartPolicy: OnFailure
containers:
- name: tensorflow
image: {{ $image }}
env:
- name: LC_ALL
value: C.UTF-8
args:
# Here we pass a unique learning rate and hidden layer count to each instance.
# We also put the values between quotes to avoid potential formatting issues
- --learning-rate
- {{ $lr | quote }}
- --hidden-layers
- {{ $nblayers | quote }}
- --logdir
- /tmp/tensorflow/tf-paint-lr{{ $lr }}-d-{{ $nblayers }} # We save the summaries in a different directory
{{ if $useGPU }}# We only want to request GPUs if we asked for it in values.yaml with useGPU
resources:
limits:
nvidia.com/gpu: 1
{{ end }}
volumeMounts:
- mountPath: /tmp/tensorflow
subPath: module8-tf-paint # As usual we want to save everything in a separate subdirectory
name: azurefile
volumes:
- name: azurefile
persistentVolumeClaim:
claimName: azurefile
---
{{- end }}
{{- end }}
# We only want one instance running for all our jobs, and not 1 per job.
apiVersion: v1
kind: Service
metadata:
labels:
app: tensorboard
name: module8-tensorboard
spec:
ports:
- port: 80
targetPort: 6006
selector:
app: tensorboard
type: LoadBalancer
---
apiVersion: extensions/v1beta1
kind: Deployment
metadata:
labels:
app: tensorboard
name: module8-tensorboard
spec:
template:
metadata:
labels:
app: tensorboard
spec:
volumes:
- name: azurefile
persistentVolumeClaim:
claimName: azurefile
containers:
- name: tensorboard
command:
- /usr/local/bin/tensorboard
- --logdir=/tmp/tensorflow
- --host=0.0.0.0
image: tensorflow/tensorflow
ports:
- containerPort: 6006
volumeMounts:
- mountPath: /tmp/tensorflow
subPath: module8-tf-paint
name: azurefile
按照上面的超引數配置，在helm install時，9個超引數組合會產生9個TFJob，對應我們指定的3個learningRate和3個hiddenLayers所有組合。
main.py訓練指令碼有3個引數：
| argument | description | default value |
|---|---|---|
| --learning-rate | Learning rate value | 0.001 |
| --hidden-layers | Number of hidden layers in our network. | 4 |
| --log-dir | Path to save TensorFlow's summaries | None |
Helm Install
執行helm install命令即可輕鬆完成所有不同超引數組合對應的訓練部署，這裡我們只使用了單機訓練，您也可以使用分散式訓練。
helm install . NAME:telling-buffalo LAST DEPLOYED: NAMESPACE: tfworkflow STATUS: DEPLOYED RESOURCES: ==> v1/Service NAMETYPECLUSTER-IPEXTERNAL-IPPORT(S)AGE module8-tensorboardLoadBalancer10.0.142.217<pending>80:30896/TCP1s ==> v1beta1/Deployment NAMEDESIREDCURRENTUP-TO-DATEAVAILABLEAGE module8-tensorboard11101s ==> v1alpha1/TFJob NAMEAGE module8-tf-paint-0-01s module8-tf-paint-1-01s module8-tf-paint-1-11s module8-tf-paint-2-11s module8-tf-paint-2-21s module8-tf-paint-0-11s module8-tf-paint-0-21s module8-tf-paint-1-21s module8-tf-paint-2-00s ==> v1/Pod(related) NAMEREADYSTATUSRESTARTSAGE module8-tensorboard-7ccb598cdd-6vg7h0/1ContainerCreating01s
部署chart後，檢視已建立的Pods，您應該看到對應的一些列Pods，以及監視所有窗格的單個TensorBoard例項：
$ kubectl get pods NAMEREADYSTATUSRESTARTSAGE module8-tensorboard-7ccb598cdd-6vg7h1/1Running016s module8-tf-paint-0-0-master-juc5-0-hw5cm0/1Pending04s module8-tf-paint-0-1-master-pu49-0-jp06r1/1Running014s module8-tf-paint-0-2-master-awhs-0-gfra00/1Pending06s module8-tf-paint-1-0-master-5tfm-0-dhhhv1/1Running016s module8-tf-paint-1-1-master-be91-0-zw4gk1/1Running016s module8-tf-paint-1-2-master-r2nd-0-zhws10/1Pending07s module8-tf-paint-2-0-master-7w37-0-ff0w90/1Pending013s module8-tf-paint-2-1-master-260j-0-l4o7r0/1Pending010s module8-tf-paint-2-2-master-jtjb-0-5l84q0/1Pending09s
注意：由於群集中可用的GPU資源，某些pod正在等待處理。如果群集中有3個GPU，則在給定時間最多隻能有3個TFJob(每個TFJob請求了一塊gpu)並行訓練。
通過TensorBoard儘早識別最優的超引數組合
TensorBoard Service也會在Helm install執行時自動完成建立，您可以使用該Service的External-IP連線到TensorBoard。
$ kubectl get service NAMETYPECLUSTER-IPEXTERNAL-IPPORT(S)AGE module8-tensorboardLoadBalancer10.0.142.217<PUBLIC IP>80:30896/TCP5m
通過瀏覽器訪問TensorBoard的Public IP地址，你會看到類似如下的頁面（TensorBoard需要一點時間才能顯示影象。）
在這裡我們可以看到一些超引數對應的模型比其他模型表現更好。例如，所有learning rate為0.1對應的模型全部產生全黑影象，模型效果極差。幾分鐘後，我們可以看到兩個表現最好的超引數組合是：
- hidden layers = 5，learning rate = 0.01
- hidden layers = 7，learning rate = 0.001
此時，我們可以立刻Kill掉其他表現差的模型訓練，釋放寶貴的gpu資源。
總結
通過本文簡單利用Helm進行Hyperparameter Sweep的使用方法介紹，希望能幫助大家更高效的進行超引數調優。
本文來自雲棲社群合作伙伴“開源中國”
本文作者：局長