提起机器学习，尤其是深度学习，大家可能会对诸如Tensorflow，Pytorch，Caffee的工具耳熟能详。但其实在实际的机器学习的生命周期中，训练模型（上述工具主要解决的问题）只是整个机器学习生命周期的很小一部分。

数据如何准备？模型训练好了如何部署？如何上云？如何上规模Scale？等等挑战随之而来。随着机器学习的广泛应用，许多工具响应而生，以解决模型部署的问题。例如：

• Oracle 的 graphpipe
• Databricks 的 mlflow
• Google的 kubeflow

我们今天就来看一看Google推出的Kubeflow。Kubeflow，顾名思义，是Kubernetes + Tensorflow，是Google为了支持自家的Tensorflow的部署而开发出的开源平台，当然它同时也支持Pytorch和基于Python的SKlearn等其它机器学习的引擎。与其它的产品相比较，因为是基于强大的Kubernetes之上构建，Kubeflow的未来和生态系统更值得看好。

Kukeflow主要提供在生产系统中简单的大规模部署机器学习的模型的功能，利用Kubernetes，它可以做到：

• 简单，可重复，可移植的部署
• 利用微服务提供松耦合的部署和管理
• 按需扩大规模

Kubeflow是基于K8S的机器学习工具集，它提供一系列的脚本和配置，来管理K8S的组件。Kubeflow基于K8s的微服务架构，其核心组件包括：

• Jupyterhub  多租户Nootbook服务
• Tensorflow/Pytorch/MPI/MXnet/Chainer  主要的机器学习引擎
• Seldon 提供在K8s上对于机器学习模型的部署
• Argo 基于K8s的工作流引擎
• Ambassador  API Gateway
• Istio 提供微服务的管理，Telemetry收集
• Ksonnet  K8s部署工具

基于K8s，扩展其它能力非常方便，Kubeflow提供的其它扩展包括：

• Pachyderm 基于容器和K8s的数据流水线 （git for data）
• Weaveworks flux 基于git的配置管理
• ... ...

我们可以看出，基于K8s，Kubeflow利用已有的生态系统来构微服务，可以说充分体现了微服务的高度扩展性。

我们下面就来看看Kubeflow是如何整合了这些组件，来提供机器学习模型部署的功能的。

JupyterHub

Jupyter Notebook是深受数据科学家喜爱的开发工具，它提供出色的交互和实时反馈。JupyterHub提供一个使用Juypter Notebook的多用户使用环境，它包含以下组件：

• 多用户Hub
• 可配置的HTTP代理
• 多个但用户Notebook server

运行以下的命令通过port-forward访问jyputer hub

kubectl port-forward tf-hub-0 8000:8000 -n <ns>

第一次访问，可以创建一个notebook的实例。创建的实例可以选择不同的镜像，可以实现对GPU的支持。同时需要选择配置资源的参数。

创建好的jupyterlab （JupyterLab是新一代的Juypter Notebook）的界面如下：

不过我还是比较习惯传统的notebook界面。Lab的优点是可以开Console，这个不错。（Lab也支持打开传统的notebook界面）

Kubeflow在notebook镜像中集成了Tensorboard，可以方便的对tensflow的程序进行可视化和调试。

在jyputerlab的Console中，输入下面的命令开启Tensorboard：

tensorboard --logdir <logdir>

$ tensorboard --logdir /tmp/logs
2018-09-15 20:30:21.186275: I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
W0915 20:30:21.204606 Reloader tf_logging.py:121] Found more than one graph event per run, or there was a metagraph containing a graph_def, as well as one or more graph events.  Overwriting the graph with the newest event.
W0915 20:30:21.204929 Reloader tf_logging.py:121] Found more than one metagraph event per run. Overwriting the metagraph with the newest event.
W0915 20:30:21.205569 Reloader tf_logging.py:121] Found more than one graph event per run, or there was a metagraph containing a graph_def, as well as one or more graph events.  Overwriting the graph with the newest event.
TensorBoard 1.8.0 at http://jupyter-admin:6006 (Press CTRL+C to quit)

访问tensorboard也需要port-forward，这里user是创建notebook的用户名，kubeflow为为一个实例创建一个Pod。缺省的tensorboard的端口是6006。

kubectl port-forward jupyter-<user> 6006:6006 -n <ns>

Tensorflow 训练

为了支持在Kubernete中进行分布式的Tensorflow的训练，Kubeflow开发了K8s的CDR，TFJob （tf-operater）。

如上图所示，分布式的Tensorflow支持0到多个以下的进程：

• Chief  负责协调训练任务
• Ps Parameter servers，参数服务器，为模型提供分布式的数据存储
• Worker 负责实际训练模型的任务. 在某些情况下 worker 0 可以充当Chief的责任.
• Evaluator 负责在训练过程中进行性能评估

下面的yaml配置是Kubeflow提供的一个CNN Benchmarks的例子。

---
apiVersion: kubeflow.org/v1alpha2
kind: TFJob
metadata:
  labels:
    ksonnet.io/component: mycnnjob
  name: mycnnjob
  namespace: kubeflow
spec:
  tfReplicaSpecs:
    Ps:
      template:
        spec:
          containers:
          - args:
            - python
            - tf_cnn_benchmarks.py
            - --batch_size=32
            - --model=resnet50
            - --variable_update=parameter_server
            - --flush_stdout=true
            - --num_gpus=1
            - --local_parameter_device=cpu
            - --device=cpu
            - --data_format=NHWC
            image: gcr.io/kubeflow/tf-benchmarks-cpu:v20171202-bdab599-dirty-284af3
            name: tensorflow
            workingDir: /opt/tf-benchmarks/scripts/tf_cnn_benchmarks
          restartPolicy: OnFailure
      tfReplicaType: PS
    Worker:
      replicas: 1
      template:
        spec:
          containers:
          - args:
            - python
            - tf_cnn_benchmarks.py
            - --batch_size=32
            - --model=resnet50
            - --variable_update=parameter_server
            - --flush_stdout=true
            - --num_gpus=1
            - --local_parameter_device=cpu
            - --device=cpu
            - --data_format=NHWC
            image: gcr.io/kubeflow/tf-benchmarks-cpu:v20171202-bdab599-dirty-284af3
            name: tensorflow
            workingDir: /opt/tf-benchmarks/scripts/tf_cnn_benchmarks
          restartPolicy: OnFailure

在Kubeflow中运行这个例子，会创建一个TFjob。可以使用Kubectl来管理，监控这个Job的运行。

# 监控当前状态
kubectl get -o yaml tfjobs <jobname> -n <ns>

# 查看事件
kubectl describe tfjobs <jobname> -n <ns>

# 查看运行日志
kubectl logs mycnnjob-[ps|worker]-0 -n <ns>

Tensoflow 服务（Serving）

Serving就是指当模型训练好了以后，提供一个稳定的接口，供用户调用，来应用该模型。

基于Tensorflow的Serving功能，Kubeflow提供一个Tensorflow模型服务器（model server）的Ksonnet模块来提供模型服务的功能。

Kukeflow支持使用S3，Google Cloud或者NFS来存贮模型。并支持利用Istio来收集Telemetry。

其它机器学习引擎的支持

虽说Tensorflow是自家的机器学习引擎，但是Google的Kubeflow也提供了对其它不同引擎的支持，包含：

• Pytorch  PyTorch是由Facebook的人工智能研究小组开发，基于Torch的开源Python机器学习库。
• MXnet Apache MXNet是一个现代化的开源深度学习软件框架，用于训练和部署深度神经网络。它具有可扩展性，允许快速模型培训，并支持灵活的编程模型和多种编程语言 MXNet库是可移植的，可以扩展到多个GPU和多台机器。
• Chainer  Chainer是一个开源深度学习框架，纯粹用Python编写，基于Numpy和CuPy Python库。 该项目由日本风险投资公司Preferred Networks与IBM，英特尔，微软和Nvidia合作开发。 Chainer因其早期采用“按运行定义”方案以及其在大规模系统上的性能而闻名。Kubeflow对Chainer的支持要到下一个版本。现在还在Beta。
• MPI  使用MPI来训练Tensorflow。这部分看到的资料比较少。

这些都是用Kubernetes CDRs的形式来支持的，用户只要利用KS创建对应的组件来管理就好了。

Seldon Serving

既然要支持不同的机器学习引擎，当然也不能只提供基于Tensforflow的模型服务，为了提供其它模型服务的能力，Kubeflow集成了Seldon。

Seldon Core是基于K8s的开源的机器学习模型部署平台。

机器学习部署面临许多挑战。 Seldon Core希望帮助应对这些挑战。它的高级目标是：

• 允许数据科学家使用任何机器学习工具包或编程语言创建模型。我们计划最初涵盖以下工具/语言：
  • 基于Python的模型包括
    • Tensorflow模型
    • Sklearn模特
  • Spark模型
  • H2O模型
  • R模型
• 在部署时通过REST和gRPC自动公开机器学习模型，以便轻松集成到需要预测的业务应用程序中。
• 允许将复杂的运行时推理图部署为微服务。这些图可以包括：
  • 模型 - 可执行机器学习模型的运行时推理
  • 路由器 - 将API请求路由到子图。示例：AB测试，多武装强盗。
  • 组合器 - 结合子图的响应。示例：模型集合
  • 变形器 - 转换请求或响应。示例：转换要素请求。
• 处理已部署模型的完整生命周期管理：
  • 更新运行时图表，无需停机
  • 缩放
  • 监控
  • 安全

除了提供单模型服务的功能，Seldon还支持AB测试，异常检测等等。

模型部署好了之后，通过API Gateway暴露的endpoint来访问和使用模型。

http://<ambassadorEndpoint>/seldon/<deploymentName>/api/v0.1/predictions

 

Argo

argo是一个开源的基于容器的工作流引擎，并实现为一个K8S的CRD。

• 用容器实现工作流的每一个步骤
• 用DAG的形式描述多个任务之间的关系的依赖
• 支持机器学习和数据处理中的计算密集型任务
• 无需复杂配置就可以在容器中运行CICD

用容器来实现工作流已经不是什么新鲜事了，codeship就是用容器来实现CICD的每一步。所以Argo很适合CICD。

下图就是一个Argo工作流的例子：

机器学习同样可以抽象为一个或者多个工作流。Kubeflow继承了Argo来作为其机器学习的工作流引擎。

可以通过Kubectl proxy来访问Kubeflow中的Argo UI。 http://localhost:8001/api/v1/namespaces/kubeflow/services/argo-ui/proxy/workflows

现阶段，并没有实际的Argo工作流来运行机器学习的例子。但是Kubeflow在使用Argo来做自己的CICD系统。

 

Pachyderm

Pychyderm是容器化的数据池，提供像git一样的数据版本系统管理，并提供一个数据流水线，来构建你的数据科学项目。

 

总结

Kubeflow利用Google自家的两大利器Kubernete和Tensorflow，强强联手，来提供一个数据科学的工具箱和部署平台。我们可以看到他有很多优点：

• 云优化 - 基于K8s，可以说，所有功能都很容易的在云上扩展。诸如多租户功能，动态扩展，对AWS/GCP的支持等等
• 利用微服务架构，扩展性强，基于容器，加入心得组件非常容易
• 出色的DevOps和CICD支持，使用Ksonnet/argo，部署和管理组件和CICD都变得非常轻松
• 多核心支持，除了我们本文提到的深度学习引擎，Kubeflow很容易扩展新的引擎，例如Caffe2正在开发中。
• GPU支持

同时我们也可以看到Kubeflow的一些问题：

• 组件比较多，缺乏协调，更像是一推工具集合。希望能有一个整合流畅的工作流，能统一各个步骤。
• 文档还需改善

当然，kubeflow的当前版本是0.2.5，我相信，未来Kubeflow会有很好的发展。

 

参考：

• kubeflow
• open mpi
• Kubeflow: Cloud-native machine learning with Kubernetes
• Bringing Your Data Pipeline Into The Machine Learning Era
• Introducing Argo — A Container-Native Workflow Engine for Kubernetes
• Introducing Seldon Deploy
• jupyterhub 文档
• MPI AND SCALABLE DISTRIBUTED MACHINE LEARNING
• Chainer 使复杂神经网络变的简单
• pachyderm 文档
• https://github.com/fnproject/fn-helm/issues/21