AI教程网 - 未来以来,拥抱AI;新手入门,从AI教程网开始......

使用Kubeflow构建机器学习流水线

AI前沿 AI君 8℃

此前的文章中,我已经向你介绍了Kubeflow,这是一个为团队设置的机器学习平台,需要构建机器学习流水线。

在本文中,我们将了解如何采用现有的机器学习详细并将其变成Kubeflow的机器学习流水线,进而可以部署在Kubernetes上。在进行本次练习的时候,请考虑你该如何将现有的机器学习项目转换到Kubeflow上。

我将使用Fashion MNIST作为例子,因为在本次练习中模型的复杂性并不是我们需要解决的主要目标。对于这一简单的例子,我将流水线分为3个阶段:

  •  Git clone代码库
  •  下载并重新处理训练和测试数据
  •  训练评估

当然,你可以根据自己的用例将流水线以任意形式拆分,并且可以随意扩展流水线。

获取代码

你可以从Github上获取代码:

  1. % git clone https://github.com/benjamintanweihao/kubeflow-mnist.git 

以下是我们用来创建流水线的完整清单。实际上,你的代码很可能跨多个库和文件。在我们的例子中,我们将代码分为两个脚本,preprocessing.py和train.py。

  1. from tensorflow import keras  
  2. import argparse 
  3. import os  
  4. import pickle  
  5. def preprocess(data_dir: str):  
  6.     fashion_mnist = keras.datasets.fashion_mnist  
  7.     (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()  
  8.     train_imagestrain_images = train_images / 255.0  
  9.     test_imagestest_images = test_images / 255.0  
  10.     os.makedirs(data_dir, exist_ok=True 
  11.     with open(os.path.join(data_dir, 'train_images.pickle'), 'wb') as f:  
  12.   pickle.dump(train_images, f)  
  13.     with open(os.path.join(data_dir, 'train_labels.pickle'), 'wb') as f:  
  14.   pickle.dump(train_labels, f)  
  15.     with open(os.path.join(data_dir, 'test_images.pickle'), 'wb') as f:  
  16.         pickle.dump(test_images, f)  
  17.     with open(os.path.join(data_dir, 'test_labels.pickle'), 'wb') as f:  
  18.         pickle.dump(test_labels, f)  
  19. if __name__ == '__main__':  
  20.     parser = argparse.ArgumentParser(description='Kubeflow MNIST training script' 
  21.     parser.add_argument('--data_dir', help='path to images and labels.' 
  22.     args = parser.parse_args()  
  23.     preprocess(data_dir=args.data_dir) 

处理脚本采用单个参数data_dir。它下载并预处理数据,并将pickled版本保存在data_dir中。在生产代码中,这可能是TFRecords的存储目录。

train.py

  1. import calendar  
  2. import os  
  3. import time  
  4. import tensorflow as tf  
  5. import pickle  
  6. import argparse  
  7. from tensorflow import keras  
  8. from constants import PROJECT_ROOT  
  9. def train(data_dir: str):  
  10.     # Training 
  11.      model = keras.Sequential([  
  12.           keras.layers.Flatten(input_shape=(28, 28)),  
  13.           keras.layers.Dense(128, activation='relu'),  
  14.           keras.layers.Dense(10)])  
  15.     model.compile(optimizer='adam' 
  16.               loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),  
  17.                   metrics=['accuracy'])  
  18.     with open(os.path.join(data_dir, 'train_images.pickle'), 'rb') as f:  
  19.         train_images = pickle.load(f)  
  20.     with open(os.path.join(data_dir, 'train_labels.pickle'), 'rb') as f:  
  21.         train_labels = pickle.load(f)  
  22.     model.fit(train_images, train_labels, epochs=10 
  23.     with open(os.path.join(data_dir, 'test_images.pickle'), 'rb') as f:  
  24.         test_images = pickle.load(f)  
  25.     with open(os.path.join(data_dir, 'test_labels.pickle'), 'rb') as f:  
  26.         test_labels = pickle.load(f)  
  27.     # Evaluation  
  28.     test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2 
  29.     print(f'Test Loss: {test_loss}')  
  30.     print(f'Test Acc: {test_acc}')  
  31.     # Save model  
  32.     ts = calendar.timegm(time.gmtime())  
  33.     model_path = os.path.join(PROJECT_ROOT, f'mnist-{ts}.h5')  
  34.     tf.saved_model.save(model, model_path)  
  35.     with open(os.path.join(PROJECT_ROOT, 'output.txt'), 'w') as f:  
  36.         f.write(model_path)  
  37.         print(f'Model written to: {model_path}')  
  38. if __name__ == '__main__': 
  39.      parser = argparse.ArgumentParser(description='Kubeflow FMNIST training script' 
  40.     parser.add_argument('--data_dir', help='path to images and labels.' 
  41.     args = parser.parse_args()  
  42.     train(data_dir=args.data_dir) 

在train.py中,将建立模型,并使用data_dir指定训练和测试数据的位置。模型训练完毕并且开始执行评估后,将模型写入带有时间戳的路径。请注意,该路径也已写入output.txt。稍后将对此进行引用。

开发Kubeflow流水线

为了开始创建Kubeflow流水线,我们需要拉取一些依赖项。我准备了一个environment.yml,其中包括了kfp 0.5.0、tensorflow以及其他所需的依赖项。

你需要安装Conda,然后执行以下步骤:

  1. % conda env create -f environment.yml  
  2. % source activate kubeflow-mnist  
  3. % python preprocessing.py --data_dir=/path/to/data  
  4. % python train.py --data_dir=/path/to/data 

现在我们来回顾一下我们流水线中的几个步骤:

  •  Git clone代码库
  •  下载并预处理训练和测试数据
  •  训练并进行评估

在我们开始写代码之前,需要从宏观上了解Kubeflow流水线。

流水线由连接组件构成。一个组件的输出成为另一个组件的输入,每个组件实际上都在容器中执行(在本例中为Docker)。将发生的情况是,我们会执行一个我们稍后将要指定的Docker镜像,它包含了我们运行preprocessing.py和train.py所需的一切。当然,这两个阶段会有它们的组件。

我们还需要额外的一个镜像以git clone项目。我们需要将项目bake到Docker镜像,但在实际项目中,这可能会导致Docker镜像的大小膨胀。

说到Docker镜像,我们应该先创建一个。

Step0:创建一个Docker镜像

如果你只是想进行测试,那么这个步骤不是必须的,因为我已经在Docker Hub上准备了一个镜像。这是Dockerfile的全貌:

  1. FROM tensorflow/tensorflow:1.14.0-gpu-py3  
  2. LABEL MAINTAINER "Benjamin Tan <benjamintanweihao@gmail.com> 
  3. SHELL ["/bin/bash", "-c"]  
  4. # Set the locale  
  5. RUN echo 'Acquire {http::Pipeline-Depth "0";};' >> /etc/apt/apt.conf  
  6. RUN DEBIAN_FRONTEND="noninteractive"  
  7. RUN apt-get update  && apt-get -y install --no-install-recommends locales && locale-gen en_US.UTF-8  
  8. ENV LANG en_US.UTF-8  
  9. ENV LANGUAGE en_US:en  
  10. ENV LC_ALL en_US.UTF-8  
  11. RUN apt-get install -y --no-install-recommends \  
  12.     wget \  
  13.     git \  
  14.     python3-pip \  
  15.     openssh-client \  
  16.     python3-setuptools \  
  17.     google-perftools && \ 
  18.     rm -rf /var/lib/apt/lists/*  
  19. # install conda  
  20. WORKDIR /tmp  
  21. RUN wget --quiet https://repo.anaconda.com/miniconda/Miniconda3-4.7.12-Linux-x86_64.sh -O ~/miniconda.sh && \  
  22.     /bin/bash ~/miniconda.sh -b -p /opt/conda && \  
  23.     rm ~/miniconda.sh && \  
  24.     ln -s /opt/conda/etc/profile.d/conda.sh /etc/profile.d/conda.sh && \  
  25.     echo ". /opt/conda/etc/profile.d/conda.sh" >> ~/.bashrc  
  26. # build conda environments  
  27. COPY environment.yml /tmp/kubeflow-mnist/conda/  
  28. RUN /opt/conda/bin/conda update -n base -c defaults conda  
  29. RUN /opt/conda/bin/conda env create -f /tmp/kubeflow-mnist/conda/environment.yml  
  30. RUN /opt/conda/bin/conda clean -afy  
  31. # Cleanup  
  32. RUN rm -rf /workspace/{nvidia,docker}-examples && rm -rf /usr/local/nvidia-examples && \  
  33.     rm /tmp/kubeflow-mnist/conda/environment.yml  
  34. # switch to the conda environment  
  35. RUN echo "conda activate kubeflow-mnist" >> ~/.bashrc  
  36. ENV PATH /opt/conda/envs/kubeflow-mnist/bin:$PATH  
  37. RUN /opt/conda/bin/activate kubeflow-mnist  
  38. # make /bin/sh symlink to bash instead of dash:  
  39. RUN echo "dash dash/sh boolean false" | debconf-set-selections && \  
  40.     DEBIAN_FRONTEND=noninteractive dpkg-reconfigure dash  
  41. # Set the new Allocator  
  42. ENV LD_PRELOAD /usr/lib/x86_64-linux-gnu/libtcmalloc.so. 

关于Dockerfile值得关注的重要一点是Conda环境是否设置完成并准备就绪。要构建镜像:

  1. % docker build -t your-user-name/kubeflow-mnist . -f Dockerfile  
  2. % docker push your-user-name/kubeflow-mnist 

那么,现在让我们来创建第一个组件!

在pipeline.py中可以找到以下代码片段。

Step1:Git Clone

在这一步中,我们将从远程的Git代码库中执行一个git clone。特别是,我想要向你展示如何从私有仓库中进行git clone,因为这是大多数企业的项目所在的位置。当然,这也是一个很好的机会来演示Rancher中一个很棒的功能,它能简单地添加诸如SSH密钥之类的密钥。

使用Rancher添加密钥

访问Rancher界面。在左上角,选择local,然后选择二级菜单的Default:

然后,选择Resources下的Secrets

你应该看到一个密钥的列表,它们正在被你刚刚选择的集群所使用。点击Add Secret:

使用你在下图中所看到的值来填写该页面。如果kubeflow没有在命名空间栏下展示出来,你可以通过选择Add to a new namespace并且输入kubeflow简单地创建一个。

确保Scope仅是个命名空间。如果将Scope设置为所有命名空间,那么将使得在Default项目中的任意工作负载都能够使用你的ssh密钥。

在Secret Values中,key是id_rsa,值是id_rsa的内容。完成之后,点击Save。

如果一些进展顺利,你将会看到下图的内容。现在你已经成功地在kubeflow命名空间中添加了你的SSH密钥,并且无需使用kubectl!

既然我们已经添加了我们的SSH key,那么是时候回到代码。我们如何利用新添加的SSH密钥来访问私有git仓库?

  1. def git_clone_darkrai_op(repo_url: str):  
  2.     volume_op = dsl.VolumeOp(  
  3.         name="create pipeline volume" 
  4.         resource_name="pipeline-pvc" 
  5.         modes=["ReadWriteOnce"],  
  6.         size="3Gi" 
  7.     )  
  8.     image = 'alpine/git:latest'  
  9.     commands = [  
  10.         "mkdir ~/.ssh",  
  11.         "cp /etc/ssh-key/id_rsa ~/.ssh/id_rsa",  
  12.         "chmod 600 ~/.ssh/id_rsa",  
  13.         "ssh-keyscan bitbucket.org >> ~/.ssh/known_hosts",  
  14.         f"git clone {repo_url} {PROJECT_ROOT}",  
  15.         f"cd {PROJECT_ROOT}"]  
  16.     op = dsl.ContainerOp(  
  17.         name='git clone' 
  18.         imageimage=image, 
  19.          command=['sh'],  
  20.         arguments=['-c', ' && '.join(commands)],  
  21.         container_kwargs={'image_pull_policy': 'IfNotPresent'},  
  22.         pvolumes={"/workspace": volume_op.volume}  
  23.     )  
  24.     # Mount Git Secrets  
  25.     op.add_volume(V1Volume(name='ssh-key-volume' 
  26.                            secret=V1SecretVolumeSource(secret_name='ssh-key-secret')))  
  27.     op.add_volume_mount(V1VolumeMount(mount_path='/etc/ssh-key'name='ssh-key-volume'read_only=True))  
  28.     return op 

首先,创建一个Kubernetes volume,预定义大小为3Gi。其次,将image变量指定为我们将要使用的alpine/git Docker镜像。之后是在Docker容器中执行的命令列表。这些命令实质上是设置SSH密钥的,以便于流水线可以从私有仓库git clone,或者使用git://URL来代替 https://。

该函数的核心是下面一行,返回一个dsl.ContainerOp。

command和arguments指定了执行镜像之后需要执行的命令。

最后一个变量十分有趣,是pvolumes,它是Pipeline Volumes简称。它创建一个Kubernetes volume并允许流水线组件来共享单个存储。该volume被挂载在/workspace上。那么这个组件要做的就是把仓库git clone到/workspace中。

使用Secrets

再次查看命令和复制SSH密钥的位置。

流水线volume在哪里创建呢?当我们将所有组件都整合到一个流水线中时,就会看到创建好的volume。我们在/etc/ssh-key/上安装secrets:

  1. op.add_volume_mount(V1VolumeMount(mount_path='/etc/ssh-key'name='ssh-key-volume'read_only=True)) 

请记得我们将secret命名为ssh-key-secret:

  1. op.add_volume(V1Volume(name='ssh-key-volume' 
  2.                            secret=V1SecretVolumeSource(secret_name='ssh-key-secret'))) 

通过使用相同的volume名称ssh-key-volume,我们可以把一切绑定在一起。

Step2:预处理

  1. def preprocess_op(image: str, pvolume: PipelineVolume, data_dir: str):  
  2.     return dsl.ContainerOp(  
  3.         name='preprocessing' 
  4.         imageimage=image,  
  5.         command=[CONDA_PYTHON_CMD, f"{PROJECT_ROOT}/preprocessing.py"],  
  6.         arguments=["--data_dir", data_dir],  
  7.         container_kwargs={'image_pull_policy': 'IfNotPresent'},  
  8.         pvolumes={"/workspace": pvolume}  
  9.     ) 

正如你所看到的, 预处理步骤看起来十分相似。

image指向我们在Step0中创建的Docker镜像。

这里的command使用指定的conda python简单地执行了preprocessing.py脚本。变量data_dir被用于执行preprocessing.py脚本。

在这一步骤中pvolume将在/workspace里有仓库,这意味着我们所有的脚本在这一阶段都是可用的。并且在这一步中预处理数据会存储在/workspace下的data_dir中。

Step3:训练和评估

  1. def train_and_eval_op(image: str, pvolume: PipelineVolume, data_dir: str, ):  
  2.     return dsl.ContainerOp(  
  3.         name='training and evaluation' 
  4.         imageimage=image,  
  5.         command=[CONDA_PYTHON_CMD, f"{PROJECT_ROOT}/train.py"],  
  6.         arguments=["--data_dir", data_dir],  
  7.         file_outputs={'output': f'{PROJECT_ROOT}/output.txt'},  
  8.         container_kwargs={'image_pull_policy': 'IfNotPresent'},  
  9.         pvolumes={"/workspace": pvolume}  
  10.     ) 

最后,是时候进行训练和评估这一步骤。这一步唯一的区别在于file_outputs变量。如果我们再次查看train.py,则有以下代码段:

  1. with open(os.path.join(PROJECT_ROOT, 'output.txt'), 'w') as f:  
  2.      f.write(model_path)  
  3.      print(f'Model written to: {model_path}') 

我们正在将模型路径写入名为output.txt的文本文件中。通常,可以将其发送到下一个流水线组件,在这种情况下,该参数将包含模型的路径。

将一切放在一起

要指定流水线,你需要使用dsl.pipeline来注释流水线功能:

  1. @dsl.pipeline(  
  2.     name='Fashion MNIST Training Pipeline' 
  3.     description='Fashion MNIST Training Pipeline to be executed on KubeFlow.'  
  4.  
  5. def training_pipeline(image: str = 'benjamintanweihao/kubeflow-mnist' 
  6.                       repo_url: str = 'https://github.com/benjamintanweihao/kubeflow-mnist.git' 
  7.                       data_dir: str = '/workspace'):  
  8.     git_clone = git_clone_darkrai_op(repo_urlrepo_url=repo_url)  
  9.     preprocess_data = preprocess_op(imageimage=image,  
  10.                                     pvolume=git_clone.pvolume,  
  11.                                     data_dirdata_dir=data_dir)  
  12.     _training_and_eval = train_and_eval_op(imageimage=image,  
  13.                                            pvolume=preprocess_data.pvolume,  
  14.                                            data_dirdata_dir=data_dir)  
  15. if __name__ == '__main__':  
  16.     import kfp.compiler as compiler  
  17.     compiler.Compiler().compile(training_pipeline, __file__ + '.tar.gz') 

还记得流水线组件的输出是另一个组件的输入吗?在这里,git clone、container_op的pvolume将传递到preprocess_cp。

最后一部分将pipeline.py转换为可执行脚本。最后一步是编译流水线:

  1. % dsl-compile --py pipeline.py --output pipeline.tar.gz 

上传并执行流水线

现在要进行最有趣的部分啦!第一步,上传流水线。点击Upload a pipeline:

接下来,填写Pipeline Name和Pipeline Description,然后选择Choose file并且指向pipeline.tar.gz以上传流水线。

下一页将会展示完整的流水线。我们所看到的是一个流水线的有向无环图,在本例中这意味着依赖项会通往一个方向并且它不包含循环。点击蓝色按钮Create run 以开始训练。

大部分字段已经已经填写完毕。请注意,Run parameters与使用@ dsl.pipeline注释的training_pipeline函数中指定的参数相同:

最后,当你点击蓝色的Start按钮时,整个流水线就开始运转了!你点击每个组件并查看日志就能够知道发生了什么。当整个流水线执行完毕时,在所有组件的右方会有一个绿色的确认标志,如下所示:

结论

如果你从上一篇文章开始就一直在关注,那么你应该已经安装了Kubeflow,并且应该能体会到大规模管理机器学习项目的复杂性。

在这篇文章中,我们先介绍了为Kubeflow准备一个机器学习项目的过程,然后是构建一个Kubeflow流水线,最后是使用Kubeflow接口上传并执行流水线。这种方法的奇妙之处在于,你的机器学习项目可以是简单的,也可以是复杂的,只要你愿意,你就可以使用相同的技术。

因为Kubeflow使用Docker容器作为组件,你可以自由地加入任何你喜欢的工具。而且由于Kubeflow运行在Kubernetes上,你可以让Kubernetes处理机器学习工作负载的调度。

我们还了解了一个我喜欢的Rancher功能,它十分方便,可以轻松添加secrets。立刻,你就可以轻松地组织secrets(如SSH密钥),并选择将其分配到哪个命名空间,而无需为Base64编码而烦恼。就像Rancher的应用商店一样,这些便利性使Kubernetes的工作更加愉快,更不容易出错。

当然,Rancher提供的服务远不止这些,我鼓励你自己去做一些探索。我相信你会偶然发现一些让你大吃一惊的功能。Rancher作为一个开源的企业级Kubernetes管理平台,Run Kubernetes Everywhere一直是我们的愿景和宗旨。开源和无厂商锁定的特性,可以让用户轻松地在不同的基础设施部署和使用Rancher。此外,Rancher极简的操作体验也可以让用户在不同的场景中利用Rancher提升效率,帮助开发人员专注于创新,而无需在繁琐的小事中浪费精力。

作者:佚名_开源中国
原文链接:https://my.oschina.net/u/3330830/blog/4317075

转载请注明:www.ainoob.cn » 使用Kubeflow构建机器学习流水线

喜欢 (0)or分享 (0)