可体验到
- 在Kubernetes中创建共享存储
- 基于Kubeflow Pipelines的机器学习工作流
前置知识
- Kubernetes Volume
- 创建NAS存储
- 了解Python语言
- 手写数字识别训练
创建外网NAS
-
首先你要有一个专有网络VPC
通常只要你购置了一个ECS云服务器，便会有一个VPC，你的云服务器便是在对应得VPC网络里面（如果你之后购置得NAS创建得专有网络挂载点所用得VPC和你的云服务器在同一个区域，并且使用同一个专有网络，便可以直接挂载）
-
接着你需要购买一个NAS
这边笔者在华北2区（北京）购买了一个NAS。(存储包是需要额外购置得，新买得NAS一般没有存储包，可以自行购买合适得存储包)
点击管理进去创建挂载点，转下一步 -
创建专有网络挂载点
这一步创建专有网络类型得挂载点，VPC选择之前第一步指定的VPC。
-
申请一个弹性公网IP
申请完之后记得购买共享带宽
-
购买NAT网关
购买网关的时候VPC ID 就使用第一步中指定的VPC。
-
配置NAT网关
- 绑定弹性公网IP，就绑定前面购置的弹性公网IP
- 创建一个DNAT配置项，其中私网IP地址指定为NAS挂载点的IP（如何获取NAS挂载点的IP，参见通过NAT网关实现从用户IDC机房或者跨地域挂载文件系统）。端口指定为所有
-
测试
上面的配置如果一切正常，就可以在其它云平台的服务器上用公网IP挂载这个NAS了
mount -t nfs 公网IP:/ /mnt
开发Pipeline
目前提交运行pipelines有2种方法，本质都是使用sdk编译pipelines组件：
- 在notebook中使用sdk提交pipelines至服务中心，直接可以在ui中查看pipelines实验运行进度。
- 将pipelines组件打成zip包通过ui上传至服务中心，同样可以在ui查看实验运行进度。
kubeflow虽然开源了一段时间，但是一些功能与google云平台耦合依然较重，官方提供的例子在本地k8s集群中使用有诸多坑，也不方便新手理解。下面我将以tensorflow经典的手写数字识别算法为例，在本地k8s集群实践pipelines。
划分业务流程制作业务镜像
为了方便理解pipelines流程组件，我在这里将实验流程分成了数据加载、模型训练、测试数据预测三个环节（实际工作中你可以依据自己的喜好划分流程）
各流程的组件结构如下图所示：
在构建pipelines前先简单介绍一下三个环节的业务代码：
数据加载环节(load_data.py)：
from __future__ import absolute_import, division, print_function, \
unicode_literals
import argparse
import numpy as np
# load data
def load_data(path):
with np.load(path) as f:
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
return (x_train, y_train), (x_test, y_test)
# do data transform
def transform(output_dir, file_name):
x_train_name = 'x_train.npy'
x_test_name = 'x_test.npy'
y_train_name = 'y_train.npy'
y_test_name = 'y_test.npy'
(x_train, y_train), (x_test, y_test) = load_data(output_dir + file_name)
print("### loading data done.")
x_train, x_test = x_train / 255.0, x_test / 255.0
np.save(output_dir + x_train_name, x_train)
np.save(output_dir + x_test_name, x_test)
np.save(output_dir + y_train_name, y_train)
np.save(output_dir + y_test_name, y_test)
print("### data transform done.")
with open(output_dir + 'train_test_data.txt', 'w') as f:
f.write(output_dir + x_train_name + ',')
f.write(output_dir + x_test_name + ',')
f.write(output_dir + y_train_name + ',')
f.write(output_dir + y_test_name)
print("### write train and test data name to: train_test_data.txt done.")
def parse_arguments():
"""Parse command line arguments."""
parser = argparse.ArgumentParser(description='Kubeflow MNIST load data script')
parser.add_argument('--data_dir', type=str, required=True, help='local file dir')
parser.add_argument('--file_name', type=str, required=True, help='local file to be input')
args = parser.parse_args()
return args
def run():
args = parse_arguments()
transform(args.data_dir, args.file_name)
if __name__ == '__main__':
run()
这个环节的业务代码主要实现了：
从本地读取源数据 -> 特征变换 -> 分割训练集 -> 存储数据集到本地
- 代码中使用argparse，用户可以通过rest api的方式传入路径和数据参数运行代码。
- 代码后续的运行将在容器中进行，在这里使用NFS挂载k8s集群路径作为文件存储的固定地址。
- 代码中将分割数据集的绝对路径写入train_test_data.txt 为的是方便后续环节引用，同时便于与后续环节构成流程关系。
测试数据预测环节(predict.py)：
from __future__ import absolute_import, division, print_function, \
unicode_literals
import argparse
import numpy as np
import pandas as pd
import tensorflow as tf
def predict(output_dir, model_file, data_file):
"""
all file use absolute dir
:param output_dir:
:param model_file: `model.txt` absolute dir
:param data_file: `train_test_data.txt` absolute dir
:return:
"""
with open(model_file, 'r') as f:
line = f.readline()
model = tf.keras.models.load_model(line)
with open(data_file, 'r') as f:
line = f.readline()
data_list = line.split(',')
with open(data_list[1], 'rb') as f:
x_test = np.load(f)
with open(data_list[3], 'rb') as f:
y_test = np.load(f)
pre = model.predict(x_test)
model.evaluate(x_test, y_test)
df = pd.DataFrame(data=pre,
columns=["prob_0", "prob_1", "prob_2", "prob_3", "prob_4", "prob_5", "prob_6", "prob_7", "prob_8",
"prob_9"])
y_real = pd.DataFrame(data=y_test, columns=["real_number"])
result = pd.concat([df, y_real], axis=1)
result.to_csv(output_dir + 'result.csv')
print("### save predict result file: result.csv")
with open(output_dir + 'result.txt', 'w') as f:
f.write(output_dir + 'result.csv')
print("### write result path and name to: result.txt done.")
def parse_arguments():
"""Parse command line arguments."""
parser = argparse.ArgumentParser(description='Kubeflow MNIST predict model script')
parser.add_argument('--data_dir', type=str, required=True, help='local file dir')
parser.add_argument('--model_file', type=str, required=True, help='a file write trained model absolute dir')
parser.add_argument('--data_file', type=str, required=True, help='la file write train and test data absolute dir')
args = parser.parse_args()
return args
def run():
args = parse_arguments()
predict(args.data_dir, args.model_file, args.data_file)
if __name__ == '__main__':
run()
这个环节的业务代码主要实现了：
依据train环节生成的 model.txt文件获取模型文件地址 -> 测试数据集预测 -> 模型性能评估 -> 保留预测结果文件
- 代码中使用argparse，用户可以通过rest api的方式传入路径和数据参数运行代码。
- 使用模型预测测试数据集，预测结果存储到集群挂载卷
制作业务代码镜像
构建pipelines组件前需要将业务代码打包成docker镜像，在这里以 load_data 组件为例介绍一下打包业务代码镜像:
准备好dockerfile：包含业务代码、打包依赖的基础镜像、程序入口
FROM tensorflow/tensorflow:1.14.0-py3
ADD load_data.py .
ENTRYPOINT ["python", "load_data.py"]
使用dockerfile打包业务代码镜像(build_image.sh):
#!/usr/bin/env bash
docker build -t mnist-load_data:v0.0.1 .
tips：依赖的tensorflow基础镜像，大家去dockerhub不限版本随意拉取一个就好了
更多工程细节和流程结构参考本例项目地址：https://www.aiqianji.com/openoker/mnist_stage.git
A.在notebook中提交pipelines
在notebook中可以使用pipelines python SDK实现编译pipelines同时将pipelines提交运行，构建pipelines组件代码如下(client.py)：
import kfp
from kfp import compiler
import kfp.dsl as dsl
import kfp.notebook
import kfp.gcp as gcp
client = kfp.Client()
from kubernetes import client as k8s_client
EXPERIMENT_NAME = 'mnist_op'
exp = client.create_experiment(name=EXPERIMENT_NAME)
class load_dataOp(dsl.ContainerOp):
"""load raw data from tensorflow, do data transf
