博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
TensorFlow on Kubernetes性能瓶颈定位
阅读量:6859 次
发布时间:2019-06-26

本文共 10943 字,大约阅读时间需要 36 分钟。

hot3.png

Author:

当前性能问题描述

  1. 增加worker数,一定范围内能带来较好的性能提升,但是继续增加worker数时,训练性能提升不明显;
  2. 增加ps数,一定范围内能带来较好的性能提升,但是继续增加ps数时,训练性能提升不明显;

可能原因:

  1. 与ps和worker的分布情况强相关:

    • 目前的调度策略,主要根据服务器的cpu和内存使用情况进行均衡调度,尽量使得集群中每台服务器的cpu和内存使用率相当。这种情况下,ps和worker的调度存在一定程度的随机性。
    • 如果调度时,每台包含worker的服务器都有对应一个ps,那么训练性能会更高?如果有,性能提升多少呢?
  2. K8S中的worker从HDFS集群中读取训练数据时存在IO瓶颈?可能网络上的或者是HDFS本身的配置,需要通过HDFS集群的监控来进一步排查。

下面,是针对第一种“可能原因:与ps和worker的分布情况强相关“ 设计的测试场景和用例:

场景1:将每个worker所在的服务器都有对应的ps。

测试用例

用例ID 服务器数 worker数 ps数 说明
1 1 10 1 一台服务器部署了10个worker和1个ps
2 5 50 5 5台服务器分别部署了10个worker和1个p
3 10 100 10 10台服务器分别部署了10个worker和1个p
4 20 200 20 20台服务器分别部署了10个worker和1个p

TensorFlow tasks调度设计图

输入图片说明

调度实现

  • 场景1的TensorFlow对象模板***scene1.jinja***
# scene1.jinja —— 对象模板{%- set name = "##NAME##" -%}{%- set worker_replicas = ##WN## -%}{%- set ps_replicas = ##PN## -%}{%- set script = "##SCRIPT##" -%}{%- set case = "##CASE##" -%}{%- set port = 2222 -%}{%- set log_host_dir = "/var/log/tensorflow" -%}{%- set log_container_dir = "/var/log" -%}{%- set image = "registry.vivo.xyz:4443/bigdata_release/tensorflow1.3.0" -%}{%- set replicas = {"worker": worker_replicas, "ps": ps_replicas} -%}{%- macro worker_hosts() -%}  {%- for i in range(worker_replicas) -%}    {%- if not loop.first -%},{%- endif -%}    {
{ name }}-worker-{
{ i }}:{
{ port }} {%- endfor -%}{%- endmacro -%}{%- macro ps_hosts() -%} {%- for i in range(ps_replicas) -%} {%- if not loop.first -%},{%- endif -%} {
{ name }}-ps-{
{ i }}:{
{ port }} {%- endfor -%}{%- endmacro -%}{%- for i in range( begin_index, end_index ) -%}{%- if task_type == "worker" %}---kind: ServiceapiVersion: v1metadata: name: {
{ name }}-{
{ task_type }}-{
{ i }} namespace: {
{ name }}spec: clusterIP: None selector: name: {
{ name }} job: {
{ task_type }} task: "{
{ i }}" ports: - port: {
{ port }} targetPort: 2222---kind: JobapiVersion: batch/v1metadata: name: {
{ name }}-{
{ task_type }}-{
{ i }} namespace: {
{ name }}spec: template: metadata: labels: name: {
{ name }} job: {
{ task_type }} task: "{
{ i }}" spec: imagePullSecrets: - name: harborsecret' affinity: nodeAffinity: requiredDuringSchedulingIgnoredDuringExecution: nodeSelectorTerms: - matchExpressions: - key: "CASE" operator: In values: - "{
{ case }}" - key: "INDEX" operator: In values: - "{
{ i // 10 }}" - key: "SCENCE" operator: In values: - "1" containers: - name: {
{ name }}-{
{ task_type }}-{
{ i }} image: {
{ image }} resources: requests: memory: "4Gi" cpu: "300m" ports: - containerPort: 2222 command: ["/bin/sh", "-c", "export CLASSPATH=.:/usr/lib/jvm/java-1.8.0/lib/tools.jar:$(/usr/lib/hadoop-2.6.1/bin/hadoop classpath --glob); wget -r -nH -np --cut-dir=1 -R 'index.html*,*gif' {
{ script }}; cd ./{
{ name }}; sh ./run.sh {
{ ps_hosts() }} {
{ worker_hosts() }} {
{ task_type }} {
{ i }} {
{ ps_replicas }} {
{ worker_replicas }}"] restartPolicy: OnFailure{%- endif -%}{%- if task_type == "ps" -%}---kind: ServiceapiVersion: v1metadata: name: {
{ name }}-{
{ task_type }}-{
{ i }} namespace: {
{ name }}spec: clusterIP: None selector: name: {
{ name }} job: {
{ task_type }} task: "{
{ i }}" ports: - port: {
{ port }} targetPort: 2222---kind: DeploymentapiVersion: extensions/v1beta1metadata: name: {
{ name }}-{
{ task_type }}-{
{ i }} namespace: {
{ name }}spec: replicas: 1 template: metadata: labels: name: {
{ name }} job: {
{ task_type }} task: "{
{ i }}" spec: imagePullSecrets: - name: harborsecret affinity: nodeAffinity: requiredDuringSchedulingIgnoredDuringExecution: nodeSelectorTerms: - matchExpressions: - key: "CASE" operator: In values: - "{
{ case }}" - key: "INDEX" operator: In values: - "{
{ i }}" - key: "SCENCE" operator: In values: - "1" containers: - name: {
{ name }}-{
{ task_type }}-{
{ i }} image: {
{ image }} resources: requests: memory: "4Gi" cpu: "2" ports: - containerPort: 2222 command: ["/bin/sh", "-c","export CLASSPATH=.:/usr/lib/jvm/java-1.8.0/lib/tools.jar:$(/usr/lib/hadoop-2.6.1/bin/hadoop classpath --glob); wget -r -nH -np --cut-dir=1 -R 'index.html*,*gif' {
{ script }}; cd ./{
{ name }}; sh ./run.sh {
{ ps_hosts() }} {
{ worker_hosts() }} {
{ task_type }} {
{ i }} {
{ ps_replicas }} {
{ worker_replicas }}"] restartPolicy: Always{%- endif -%}{%- endfor -%}
  • Label Nodes

选择对应的节点打上对应的Label。

kubectl label node $node_name SCENCE=1 CASE=? INDEX=?

测试结果

用例2的测试截图:

输入图片说明

场景2:将所有ps和所有worker都强制进行物理隔离。

测试用例

用例ID 服务器数 worker数 ps数 说明
1 2 10 1 一台服务器部署10个worker,另外一台部署1个ps
2 10 20 5 5台服务器分别部署10个worker,5台服务器分别部署1个ps
3 20 50 10 10台服务器分别部署10个worker,10台服务器分别部署1个ps
4 40 200 20 20台服务器分别部署10个worker,20台服务器分别部署1个ps

TensorFlow tasks调度设计图

输入图片说明

调度实现

  • 场景2的TensorFlow对象模板***scene2.jinja***
# scene2.jinja —— 对象模板{%- set name = "##NAME##" -%}{%- set worker_replicas = ##WN## -%}{%- set ps_replicas = ##PN## -%}{%- set script = "##SCRIPT##" -%}{%- set case = "##CASE##" -%}{%- set port = 2222 -%}{%- set log_host_dir = "/var/log/tensorflow" -%}{%- set log_container_dir = "/var/log" -%}{%- set image = "registry.vivo.xyz:4443/bigdata_release/tensorflow1.3.0" -%}{%- set replicas = {"worker": worker_replicas, "ps": ps_replicas} -%}{%- macro worker_hosts() -%}  {%- for i in range(worker_replicas) -%}    {%- if not loop.first -%},{%- endif -%}    {
{ name }}-worker-{
{ i }}:{
{ port }} {%- endfor -%}{%- endmacro -%}{%- macro ps_hosts() -%} {%- for i in range(ps_replicas) -%} {%- if not loop.first -%},{%- endif -%} {
{ name }}-ps-{
{ i }}:{
{ port }} {%- endfor -%}{%- endmacro -%}{%- for i in range( begin_index, end_index ) -%}{%- if task_type == "worker" %}---kind: ServiceapiVersion: v1metadata: name: {
{ name }}-{
{ task_type }}-{
{ i }} namespace: {
{ name }}spec: clusterIP: None selector: name: {
{ name }} job: {
{ task_type }} task: "{
{ i }}" ports: - port: {
{ port }} targetPort: 2222---kind: JobapiVersion: batch/v1metadata: name: {
{ name }}-{
{ task_type }}-{
{ i }} namespace: {
{ name }}spec: template: metadata: labels: name: {
{ name }} job: {
{ task_type }} task: "{
{ i }}" spec: imagePullSecrets: - name: harborsecret' affinity: nodeAffinity: requiredDuringSchedulingIgnoredDuringExecution: nodeSelectorTerms: - matchExpressions: - key: "CASE" operator: In values: - "{
{ case }}" - key: "INDEX" operator: In values: - "{
{ i // 10 }}" - key: "SCENCE" operator: In values: - "2" - key: "TYPE" operator: In values: - "worker" containers: - name: {
{ name }}-{
{ task_type }}-{
{ i }} image: {
{ image }} resources: requests: memory: "4Gi" cpu: "300m" ports: - containerPort: 2222 command: ["/bin/sh", "-c", "export CLASSPATH=.:/usr/lib/jvm/java-1.8.0/lib/tools.jar:$(/usr/lib/hadoop-2.6.1/bin/hadoop classpath --glob); wget -r -nH -np --cut-dir=1 -R 'index.html*,*gif' {
{ script }}; cd ./{
{ name }}; sh ./run.sh {
{ ps_hosts() }} {
{ worker_hosts() }} {
{ task_type }} {
{ i }} {
{ ps_replicas }} {
{ worker_replicas }}"] restartPolicy: OnFailure{%- endif -%}{%- if task_type == "ps" -%}---kind: ServiceapiVersion: v1metadata: name: {
{ name }}-{
{ task_type }}-{
{ i }} namespace: {
{ name }}spec: clusterIP: None selector: name: {
{ name }} job: {
{ task_type }} task: "{
{ i }}" ports: - port: {
{ port }} targetPort: 2222---kind: DeploymentapiVersion: extensions/v1beta1metadata: name: {
{ name }}-{
{ task_type }}-{
{ i }} namespace: {
{ name }}spec: replicas: 1 template: metadata: labels: name: {
{ name }} job: {
{ task_type }} task: "{
{ i }}" spec: imagePullSecrets: - name: harborsecret affinity: nodeAffinity: requiredDuringSchedulingIgnoredDuringExecution: nodeSelectorTerms: - matchExpressions: - key: "CASE" operator: In values: - "{
{ case }}" - key: "INDEX" operator: In values: - "{
{ i }}" - key: "SCENCE" operator: In values: - "2" - key: "TYPE" operator: In values: - "ps" containers: - name: {
{ name }}-{
{ task_type }}-{
{ i }} image: {
{ image }} resources: requests: memory: "4Gi" cpu: "2" ports: - containerPort: 2222 command: ["/bin/sh", "-c","export CLASSPATH=.:/usr/lib/jvm/java-1.8.0/lib/tools.jar:$(/usr/lib/hadoop-2.6.1/bin/hadoop classpath --glob); wget -r -nH -np --cut-dir=1 -R 'index.html*,*gif' {
{ script }}; cd ./{
{ name }}; sh ./run.sh {
{ ps_hosts() }} {
{ worker_hosts() }} {
{ task_type }} {
{ i }} {
{ ps_replicas }} {
{ worker_replicas }}"] restartPolicy: Always{%- endif -%}{%- endfor -%}
  • Label Nodes

选择对应的节点打上对应的Label。

kubectl label node $node_name SCENCE=1 CASE=? INDEX=? TYPE=?

测试结果

用例2的测试截图:

输入图片说明

测试结论及思考

对比两种不同场景下用例2(5个ps,50个worker)的监控数据,发现如下现象:

  • 两种场景下,虽然创建了5个ps,但是实际上只有一个ps的负载比较高,其他的ps要么cpu usage在10%以下,要么甚至几乎为0。

  • 两种场景下同样的worker number和ps number,整个tensorflow cluster消耗的cpu和内存差别很小。

测试结论

  • 分布式tensorflow中,每个worker选择哪个ps作为自己的参数服务器跟我们如何强制分布ps和worker的布局无关,由分布式tensorflow内部自己控制(跟tf.train.replica_device_setter()设置的strategy有关)。

问题思考

  • 为什么这个训练中,多个ps中只有一个ps在工作?是算法只有一个Big参数?如果是,那么默认按照Round-Robin策略只会使用一个ps,就能解释这个问题了。这需要算法的兄弟进行确认。

  • 如果将Big参数拆分成众多Small参数,使用RR或LB或Partition策略之一,应该都能利用多个ps进行参数更新明显提升训练性能。

  • 通过这次折腾,也不是一无所获,至少发现我们对于Distributed TensorFlow的内部工作原理还不甚了解,非常有必要深入到源码进行分析。

转载于:https://my.oschina.net/jxcdwangtao/blog/1579617

你可能感兴趣的文章
jQuery入门第二天
查看>>
boost中的智能指针
查看>>
Windows下Php安装mongodb扩展失败
查看>>
IntelliJ IDEA修改Output输出缓存区大小【应对:too much output to process】
查看>>
html标签的target属性应用
查看>>
正则获取HTML代码中img的src地址
查看>>
隐藏当前Activity而不关闭
查看>>
Navicat Premium 12.0.18安装与激活(转)
查看>>
LLVM与Clang的一些事儿
查看>>
问题总结
查看>>
深度解析利用ES6进行Promise封装总结
查看>>
零基础的你还在纠结怎么学习Python编程吗?
查看>>
Flask在Windows环境下的部署
查看>>
力扣(LeetCode)56
查看>>
图片懒加载通俗易懂
查看>>
浅析vue2.0的diff算法
查看>>
协方差深入解读
查看>>
使用Node.js和WebHDFS REST API访问Hadoop HDFS数据
查看>>
聊聊flink Table的Over Windows
查看>>
基本排序算法
查看>>