Apache Ignite上的TensorFlow！分布式內(nèi)存數(shù)據(jù)源

任何深度學(xué)習(xí)都是從數(shù)據(jù)開始。這是非常關(guān)鍵的一點。沒有數(shù)據(jù)，我們就無法訓(xùn)練模型，也無法評估模型質(zhì)量，更無法做出預(yù)測。因此，數(shù)據(jù)源非常重要。在做研究、構(gòu)建新的神經(jīng)網(wǎng)絡(luò)架構(gòu)，以及做實驗時，我們習(xí)慣使用最簡單的本地數(shù)據(jù)源，通常是不同格式的文件。這種方法確實非常有效。但在某種情況下，我們需要更加接近生產(chǎn)環(huán)境。這時，簡化和加速生產(chǎn)數(shù)據(jù)饋送，以及能夠處理大數(shù)據(jù)就變得非常重要。這也正是 Apache Ignite 大展身手的時候。

Apache Ignite是以內(nèi)存為中心的分布式數(shù)據(jù)庫，也是事務(wù)性、分析性和流式工作負(fù)載的緩存和處理平臺，可以實現(xiàn) PB 級的內(nèi)存速度。借助 Apache Ignite 和 TensorFlow 之間的現(xiàn)有集成，您可以將 Apache Ignite 用作神經(jīng)網(wǎng)絡(luò)訓(xùn)練和推理的數(shù)據(jù)源，也可以將其用作分布式訓(xùn)練的檢查點存儲空間和集群管理器。

分布式內(nèi)存數(shù)據(jù)源

作為以內(nèi)存為中心的分布式數(shù)據(jù)庫，Apache Ignite可以提供快速數(shù)據(jù)訪問。讓您能夠擺脫硬盤限制，在分布式集群中存儲和處理您需要的所有數(shù)據(jù)。您可以通過使用 Ignite Dataset 來利用 Apache Ignite 的這些優(yōu)勢。

請注意，Apache Ignite 不只是數(shù)據(jù)庫或數(shù)據(jù)倉庫與 TensorFlow 之間 ETL 管道的一個步驟，它還是一個HTAP（混合事務(wù) / 分析處理）系統(tǒng)。通過選擇 Apache Ignite 和 TensorFlow，您會獲得一個用于事務(wù)和分析處理的單一系統(tǒng)，同時還可以使用操作和歷史數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練和推理。

以下基準(zhǔn)測試結(jié)果表明，Apache Ignite 非常適合用于單節(jié)點數(shù)據(jù)存儲用例。如果存儲空間和客戶端位于同一節(jié)點，則通過使用 Apache Ignite，您可以實現(xiàn)每秒超過 850 MB 的吞吐量。如果存儲空間位于與客戶端相關(guān)的遠(yuǎn)程節(jié)點，則吞吐量約為每秒 800 MB。

當(dāng)存在一個本地 Apache Ignite 節(jié)點時 Ignite Dataset 的吞吐量。執(zhí)行該基準(zhǔn)測試時使用的是 2 個 Xeon E5–2609 v4 1.7GHz 處理器，配備 16Gb 內(nèi)存和每秒 10 Gb 的網(wǎng)絡(luò)（1MB 的行和 20MB 的頁面大小）

另一個基準(zhǔn)測試表明 Ignite Dataset 如何與分布式 Apache Ignite 集群協(xié)作。這是 Apache Ignite 作為 HTAP 系統(tǒng)的默認(rèn)用例，它使您能夠在每秒 10 Gb 的網(wǎng)絡(luò)集群上為單個客戶端實現(xiàn)每秒超過 1 GB 的讀取吞吐量。

分布式 Apache Ignite 集群具備不同數(shù)量的節(jié)點（從 1 到 9）時 Ignite Dataset 的吞吐量。執(zhí)行該基準(zhǔn)測試時使用的是 2 個 Xeon E5–2609 v4 1.7GHz 處理器，配備 16Gb 內(nèi)存和每秒 10 Gb 的網(wǎng)絡(luò)（1MB 的行和 20MB 的頁面大?。?/p>

測試后的用例如下：Apache Ignite 緩存（以及第一組測試中數(shù)量不同的分區(qū)和第二組測試中的 2048 個分區(qū)）由 10000 個大小為 1MB 的行填充，然后 TensorFlow 客戶端使用 Ignite Dataset 讀取所有數(shù)據(jù)。所有節(jié)點均以 2 個 Xeon E5–2609 v4 1.7GHz 處理器表示，配備 16Gb 內(nèi)存和每秒 10Gb 的網(wǎng)絡(luò)連接。每個節(jié)點使用默認(rèn) 配置運行 Apache Ignite。

注：配置 鏈接

https://github.com/apache/ignite/blob/master/examples/config/example-default.xml

您可以很輕松地將 Apache Ignite 同時用作帶有結(jié)構(gòu)化查詢語言 (SQL) 界面的傳統(tǒng)數(shù)據(jù)庫和 TensorFlow 數(shù)據(jù)源。

apache-ignite/bin/ignite.shapache-ignite/bin/sqlline.sh -u "jdbc:ignite:thin://localhost:10800/"

CREATE TABLE KITTEN_CACHE (ID LONG PRIMARY KEY, NAME VARCHAR);INSERT INTO KITTEN_CACHE VALUES (1, 'WARM KITTY');INSERT INTO KITTEN_CACHE VALUES (2, 'SOFT KITTY');INSERT INTO KITTEN_CACHE VALUES (3, 'LITTLE BALL OF FUR');

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasettf.enable_eager_execution()dataset = IgniteDataset(cache_name="SQL_PUBLIC_KITTEN_CACHE")for element in dataset: print(element)

{'key': 1, 'val': {'NAME': b'WARM KITTY'}}{'key': 2, 'val': {'NAME': b'SOFT KITTY'}}{'key': 3, 'val': {'NAME': b'LITTLE BALL OF FUR'}}

結(jié)構(gòu)化對象

使用Apache Ignite，您可以存儲任何類型的對象。這些對象可以具備任何層次結(jié)構(gòu)。Ignite Dataset 能夠處理此類對象。

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasettf.enable_eager_execution()dataset = IgniteDataset(cache_name="IMAGES")for element in dataset.take(1): print(element)

{ 'key': 'kitten.png', 'val': { 'metadata': { 'file_name': b'kitten.png', 'label': b'little ball of fur', width: 800, height: 600 }, 'pixels': [0, 0, 0, 0, ..., 0] }}

如果您使用 Ignite Dataset，則神經(jīng)網(wǎng)絡(luò)訓(xùn)練和其他計算所需的轉(zhuǎn)換都可以作為tf.data管道的一部分來完成。

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasettf.enable_eager_execution()dataset = IgniteDataset(cache_name="IMAGES").map(lambda obj: obj['val']['pixels'])for element in dataset: print(element)

[0, 0, 0, 0, ..., 0]

分布式訓(xùn)練

作為機器學(xué)習(xí)框架，TensorFlow 可以為分布式神經(jīng)網(wǎng)絡(luò)訓(xùn)練、推理及其他計算提供原生支持。分布式神經(jīng)網(wǎng)絡(luò)訓(xùn)練的主要理念是能夠在每個數(shù)據(jù)分區(qū)（根據(jù)水平分區(qū)）上計算損失函數(shù)的梯度（例如，誤差的平方），然后對梯度求和，以得出整個數(shù)據(jù)集的損失函數(shù)梯度。借助這種能力，我們可以在數(shù)據(jù)存儲位置的節(jié)點上計算梯度，減少梯度，最后更新模型參數(shù)。這樣，您就無需在節(jié)點間傳輸數(shù)據(jù)，從而避免了網(wǎng)絡(luò)瓶頸。

Apache Ignite 在分布式集群中使用水平分區(qū)存儲數(shù)據(jù)。在創(chuàng)建 Apache Ignite 緩存（或基于 SQL 的表格）時，我們可以指定將要在此對數(shù)據(jù)進行分區(qū)的分區(qū)數(shù)量。例如，如果一個 Apache Ignite 集群由 100 臺機器組成，我們創(chuàng)建了一個有 1000 個分區(qū)的緩存，則每臺機器將要維護 10 個數(shù)據(jù)分區(qū)。

Ignite Dataset 允許使用分布式神經(jīng)網(wǎng)絡(luò)訓(xùn)練（使用 TensorFlow）和 Apache Ignite 分區(qū)的這兩個方面。Ignite Dataset 是一個可以在遠(yuǎn)程工作器上執(zhí)行的計算圖操作。遠(yuǎn)程工作器可以通過為工作器進程（例如 IGNITE_DATASET_HOST、IGNITE_DATASET_PORT 或 IGNITE_DATASET_PART）設(shè)置相應(yīng)的環(huán)境變量來替換 Ignite Dataset 的參數(shù)（例如主機、端口或分區(qū)）。使用這種替換方法，我們可以為每個工作器分配一個特定分區(qū)，這樣一個工作器處理一個分區(qū)，同時可以與單個數(shù)據(jù)集透明協(xié)作。

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasetdataset = IgniteDataset("IMAGES")# Compute gradients locally on every worker node.gradients = []for i in range(5): with tf.device("/job:WORKER/task:%d" % i): device_iterator = tf.compat.v1.data.make_one_shot_iterator(dataset) device_next_obj = device_iterator.get_next() gradient = compute_gradient(device_next_obj) gradients.append(gradient)# Aggregate them on master node.result_gradient = tf.reduce_sum(gradients)with tf.Session("grpc://localhost:10000") as sess: print(sess.run(result_gradient))

借助 Apache Ignite，您還可以使用 TensorFlow 高級Estimator API來進行分布式訓(xùn)練。此功能以所謂的 TensorFlow 分布式訓(xùn)練的 獨立客戶端模式 為基礎(chǔ)，Apache Ignite 在其中發(fā)揮數(shù)據(jù)源和集群管理器的作用。與此相關(guān)的內(nèi)容，我們將在下一篇文章中全面介紹。

注：獨立客戶端模式 鏈接

https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/distribute#standalone-client-mode

檢查點存儲

除數(shù)據(jù)庫功能外，Apache Ignite 還有一個名為IGFS的分布式文件系統(tǒng)。IGFS 可以提供與 Hadoop HDFS 類似的功能，但僅限于內(nèi)部存儲。事實上，除自有 API 外，IGFS 還采用了 Hadoop FileSystem API，并且可以透明地插接到 Hadoop 或 Spark 部署中。Apache Ignite 上的 TensorFlow 支持 IGFS 與 TensorFlow 集成。該集成基于 TensorFlow 端的 自定義文件系統(tǒng)插件 和 Apache Ignite 端的IGFS Native API。它有許多用例，例如：

可以將狀態(tài)檢查點保存到 IGFS 中，以獲得可靠性和容錯性

訓(xùn)練過程可以通過將事件文件寫入 TensorBoard 監(jiān)視的目錄來與 TensorBoard 通信。即使 TensorBoard 在不同的進程或機器中運行，IGFS 也允許進行此通信

注：自定義文件系統(tǒng)插件 鏈接

https://www.tensorflow.org/guide/extend/filesystem

IGFS Native API 鏈接

https://ignite.apache.org/features/igfs.html

此功能于 TensorFlow 1.13 中發(fā)布，并將在 TensorFlow 2.0 中作為tensorflow/io的一部分發(fā)布。

注：tensorflow/io 鏈接

https://github.com/tensorflow/io

SSL 連接

通過 Apache Ignite，您可以使用SSL和身份驗證來保護數(shù)據(jù)傳送渠道。Ignite Dataset 支持具備和不具備身份驗證的 SSL 連接。如需更多信息，請參閱Apache Ignite SSL/TLS文檔（https://apacheignite.readme.io/docs/ssltls）。

import tensorflow as tffrom tensorflow.contrib.ignite import IgniteDatasettf.enable_eager_execution()dataset = IgniteDataset(cache_name="IMAGES", certfile="client.pem", cert_password="password", username="ignite", password="ignite")

Windows 支持

Ignite Dataset 完全兼容 Windows 系統(tǒng)。您可以在 Windows 工作站和 Linux/MacOS 系統(tǒng)上將其用作 TensorFlow 的一部分。

試用

以下示例將幫助您輕松開始使用此模塊。

Ignite Dataset

要試用 Ignite Dataset，最簡單的方法是使用 Apache Ignite 和加載好的MNIST數(shù)據(jù)運行Docker容器，然后使用 Ignite Dataset 與其交互。您可以在 Docker Hub：dmitrievanthony/ignite-with-mnist上找到此容器。您需要在機器上啟動此容器：

docker run -it -p 10800:10800 dmitrievanthony/ignite-with-mnist

注：MNIST 鏈接

http://yann.lecun.com/exdb/mnist/

dmitrievanthony/ignite-with-mnist 鏈接

https://hub.docker.com/r/dmitrievanthony/ignite-with-mnist/

然后您可以按照以下方法使用它：

IGFS

TensorFlow 的 IGFS 支持功能于 TensorFlow 1.13 中發(fā)布，并將在 TensorFlow 2.0 中作為tensorflow/io的一部分發(fā)布。如要通過 TensorFlow 試用 IGFS，最簡單的方法是使用 Apache Ignite 和 IGFS 來運行Docker容器，然后使用 TensorFlowtf.gfile與其交互。您可以在 Docker Hub：dmitrievanthony/ignite-with-igfs上找到此容器。您可以在自己的機器上運行此容器：

docker run -it -p 10500:10500 dmitrievanthony/ignite-with-igfs

然后您可以按照以下方法使用它：

import tensorflow as tfimport tensorflow.contrib.ignite.python.ops.igfs_opswith tf.gfile.Open("igfs:///hello.txt", mode='w') as w: w.write("Hello, world!")with tf.gfile.Open("igfs:///hello.txt", mode='r') as r: print(r.read())

Hello, world!

限制

目前，Ignite Dataset 需要假設(shè)緩存中的所有對象都具有相同的結(jié)構(gòu)（同類型對象），并且緩存中至少包含一個檢索架構(gòu)所需的對象。另一個限制與結(jié)構(gòu)化對象有關(guān)，Ignite Dataset 不支持通用唯一識別碼 (UUID)、地圖和可能是對象結(jié)構(gòu)組成部分的對象數(shù)組。所有這些限制都是進一步開發(fā)的主題。

即將發(fā)布的 TensorFlow 2.0

TensorFlow 2.0 中即將發(fā)布的新變更會將此功能分離到tensorflow/io模塊。之后，您將可以更加靈活地使用此功能。這些示例將略有改動，我們的文檔和示例也會反映這一點。