您好,登錄后才能下訂單哦!
本篇內(nèi)容主要講解“Kubeflow的使用方法”,感興趣的朋友不妨來(lái)看看。本文介紹的方法操作簡(jiǎn)單快捷,實(shí)用性強(qiáng)。下面就讓小編來(lái)帶大家學(xué)習(xí)“Kubeflow的使用方法”吧!
本文根據(jù) https://github.com/openthings/kubeflow/blob/master/user_guide.md 翻譯。
本文地址 https://my.oschina.net/u/2306127/blog/1808582,By openthings,2018.05.23.
Kubeflow(https://github.com/kubeflow)是基于Kubernetes(https://kubernets.io,容器編排與管理服務(wù)軟件)和TensorFlow(https://tensorflow.org,深度學(xué)習(xí)庫(kù))的機(jī)器學(xué)習(xí)流程工具,使用Ksonnet進(jìn)行應(yīng)用包的管理。
本文簡(jiǎn)要介紹Kubeflow的部署和交互操作的基本概念和方法,對(duì)于Kubernetes、Tensorflow和Ksonnet 的了解對(duì)于本文內(nèi)容的理解將很有幫助,點(diǎn)擊下面的鏈接查看相關(guān)的內(nèi)容。
Kubernetes
Tensorflow
Ksonnet
對(duì)部署Kubeflow和運(yùn)行一個(gè)簡(jiǎn)單的訓(xùn)練任務(wù)的手把手教的例子,可以看這個(gè)教程( tutorial)。
Kubernetes>=1.8, see here,安裝攻略 https://my.oschina.net/u/2306127/blog/1628082
ksonnet version 0.9.2. (查看 below 有對(duì)為什么使用ksonnet的解釋)
我們將使用Ksonnet來(lái)部署kubeflow到Kubernetes集群上,支持本地的和GKE、Azure中的集群。
初始化一個(gè)目錄,包含有ksonnet application。
ks init my-kubeflow
安裝Kubeflow packages到Ksonnet application中。
這里有一些安裝腳本,https://github.com/openthings/kubernetes-tools/tree/master/kubeflow
# For a list of releases see: # https://github.com/kubeflow/kubeflow/releases VERSION=v0.1.2 cd my-kubeflow ks registry add kubeflow github.com/kubeflow/kubeflow/tree/${VERSION}/kubeflow ks pkg install kubeflow/core@${VERSION} ks pkg install kubeflow/tf-serving@${VERSION} ks pkg install kubeflow/tf-job@${VERSION}
創(chuàng)建Kubeflow core component. 這個(gè)core component 包括:
JupyterHub
TensorFlow job controller
ks generate core kubeflow-core --name=kubeflow-core # Enable collection of anonymous usage metrics # Skip this step if you don't want to enable collection. # Or set reportUsage to false (the default). ks param set kubeflow-core reportUsage true ks param set kubeflow-core usageId $(uuidgen)
Ksonnet 允許參數(shù)化 Kubeflow的部署,可以按照需求設(shè)定。我們定義兩個(gè)環(huán)境變量:nocloud和cloud。
ks env add nocloud ks env add cloud
環(huán)境變量 nocloud
用于 minikube和其它的標(biāo)準(zhǔn) k8s clusters,環(huán)境變量 cloud
用于GKE和Azure。
如果使用 GKE, 我們配置云計(jì)算環(huán)境的參數(shù)來(lái)使用 GCP的特征,如下:
ks param set kubeflow-core cloud gke --env=cloud
如果集群創(chuàng)建在 Azure 上,使用 AKS/ACS:
ks param set kubeflow-core cloud aks --env=cloud
如果創(chuàng)建時(shí)使用acs-engine來(lái)代替:
ks param set kubeflow-core cloud acsengine --env=cloud
然后我們?cè)O(shè)置 ${KF_ENV}
為 cloud
或 nocloud
,從而反映我們?cè)诒窘坛讨惺褂玫沫h(huán)境。
$ KF_ENV=cloud|nocloud
缺水情況下,Kubeflow沒(méi)有持久化我們?cè)贘upyter notebook所做的工作。
如果容器被銷毀或重新創(chuàng)建,所有的內(nèi)容,包括 notebooks 和其它的文件都會(huì)被刪除。
為了持久化這些文件,用戶需要一個(gè)缺省的 StorageClass,在 persistent volumes 中定義。
可以運(yùn)行下面的命令來(lái)檢查是否有了一個(gè) storage class。
kubectl get storageclass
有了缺省的storage class定義的用戶,可以使用jupyterNotebookPVCMount參數(shù)去創(chuàng)建一個(gè)volume,將被掛載到notebook之中。
ks param set kubeflow-core jupyterNotebookPVCMount /home/jovyan/work
這里我們掛載卷到 /home/jovyan/work
,因?yàn)閚otebook一直以用戶jovyan來(lái)執(zhí)行。
選中的目錄將被存儲(chǔ)到集群的缺省存儲(chǔ)上(典型地是永久磁盤)。
創(chuàng)建部署的命名空間(namespace)并且設(shè)為換的一部分??梢詫amespace設(shè)為更適合你自己的kubernetes cluster的名稱,如下。
NAMESPACE=kubeflow kubectl create namespace ${NAMESPACE} ks env set ${KF_ENV} --namespace ${NAMESPACE}
然后應(yīng)用該components到我們的Kubernetes cluster。
ks apply ${KF_ENV} -c kubeflow-core
任何時(shí)候,可以使用 ks show
探查特定的 ksonnet component在kubernetes的對(duì)象定義。
ks show ${KF_ENV} -c kubeflow-core
當(dāng)啟用時(shí),Kubeflow將使用 spartakus 報(bào)告匿名數(shù)據(jù),這是Kubernetes的一個(gè)匯報(bào)工具。Spartakus不會(huì)報(bào)告任何個(gè)人信息。查看 here 得到更多細(xì)節(jié)。這是完全志愿的行為,也可以可選將其關(guān)閉,如下所示:
ks param set kubeflow-core reportUsage false # Delete any existing deployments of spartakus kubectl delete -n ${NAMESPACE} deploy spartakus-volunteer
為了明確開(kāi)啟用法報(bào)告,設(shè)置 reportUsage 為 true
,如下所示:
ks param set kubeflow-core reportUsage true # Delete any existing deployments of spartakus kubectl delete -n ${NAMESPACE} deploy spartakus-volunteer
報(bào)告數(shù)據(jù)是你對(duì)Kubeflow的顯著貢獻(xiàn)之一,所以請(qǐng)考慮將其開(kāi)啟。這些數(shù)據(jù)允許我們改善Kubeflow項(xiàng)目并且?guī)椭鶮ubeflow上開(kāi)展工作的企業(yè)評(píng)估其持續(xù)的投資。
你可以改進(jìn)數(shù)據(jù)質(zhì)量,通過(guò)給每一個(gè)Kubeflow deployment 一個(gè)單獨(dú)的ID。
ks param set kubeflow-core usageId $(uuidgen)
這里的 kubeflow-core component 部署JupyterHub和對(duì)應(yīng)的load balancer service,查看狀態(tài)使用下面的 kubectl 命令行:
kubectl get svc -n=${NAMESPACE} NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE ... tf-hub-0 ClusterIP None <none> 8000/TCP 1m tf-hub-lb ClusterIP 10.11.245.94 <none> 80/TCP 1m ...
缺水情況下,我們使用ClusterIPs來(lái)訪問(wèn)JupyterHub UI,在下面情況會(huì)有所改變:
NodePort (for non-cloud) ,通過(guò)指示:
ks param set kubeflow-core jupyterHubServiceType NodePort ks apply ${KF_ENV}
LoadBalancer (for cloud) ,通過(guò)指示:
ks param set kubeflow-core jupyterHubServiceType LoadBalancer ks apply ${KF_ENV}
但是,這將使 Jupyter notebook 開(kāi)放予Internet網(wǎng)絡(luò)(有潛在的安全風(fēng)險(xiǎn))。
本地連接到 Jupyter Notebook 可以使用:
PODNAME=`kubectl get pods --namespace=${NAMESPACE} --selector="app=tf-hub" --output=template --template="{{with index .items 0}}{{.metadata.name}}{{end}}"` kubectl port-forward --namespace=${NAMESPACE} $PODNAME 8000:8000
然后,到瀏覽器中打開(kāi) http://127.0.0.1:8000,如果設(shè)置了代理,需要對(duì)該地址關(guān)閉 。
將看到一個(gè)提示窗口。
使用任何username/password登錄。
點(diǎn)擊 "Start My Server" 按鈕,將會(huì)打開(kāi)一個(gè)對(duì)話框。
選擇鏡像為CPU 或 GPU 類型,在 Image一項(xiàng)有菜單列出預(yù)構(gòu)建的Docker鏡像。也可以直接輸入Tensorflow的鏡像名稱,用于運(yùn)行。
分配內(nèi)存、CPU、GPU和其他的資源,根據(jù)需求而定。 (1 CPU 和 2Gi 內(nèi)存已經(jīng)是一個(gè)好的起點(diǎn),可以滿足初始練習(xí)的需要。)
分配 GPUs, 需要確認(rèn)你的集群中有可用數(shù)量的 GPUs,GPU將會(huì)被容器實(shí)例獨(dú)占使用,如果資源不夠,該實(shí)例將會(huì)一直掛起,處于Pending狀態(tài)。
檢查是否有足夠的nvidia gpus可用: kubectl get nodes "-o=custom-columns=NAME:.metadata.name,GPU:.status.allocatable.nvidia\.com/gpu"
如果 GPUs 可用,你可以調(diào)度你的服務(wù)器到 GPU node,通過(guò)指定下面的json, 在 Extra Resource Limits
section: {"nvidia.com/gpu": "1"}
點(diǎn)擊 Spawn
這里 ${USERNAME} 是你 login時(shí)用到的名稱。
GKE users,如果你有 IAP turned on the pod,將會(huì)名稱有所不同:
jupyter-accounts-2egoogle-2ecom-3USER-40DOMAIN-2eEXT
如果登陸為像 USER@DOMAIN.EXT, pod 被命名為:
該鏡像將近 10 GBs,下載需要比較長(zhǎng)的時(shí)間,取決于網(wǎng)絡(luò)情況。
檢查 pod 的狀態(tài),通過(guò):
kubectl -n ${NAMESPACE} describe pods jupyter-${USERNAME}
完成后,將會(huì)打開(kāi) Jupyter Notebook 初始界面。
上面提供的容器鏡像可以用于 Tensorflow models的訓(xùn)練,使用Jupyter即可操作。該鏡像包含所有需要的plugins, 包括 Tensorboard,可以用于對(duì)模型進(jìn)行豐富的可視化和探查分析。
未來(lái)測(cè)試安裝情況,我們運(yùn)行一個(gè)基本的hello world應(yīng)用 (來(lái)自 mnist_softmax.py )
from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) import tensorflow as tf x = tf.placeholder(tf.float32, [None, 784]) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x, W) + b) y_ = tf.placeholder(tf.float32, [None, 10]) cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) train_step = tf.train.GradientDescentOptimizer(0.05).minimize(cross_entropy) sess = tf.InteractiveSession() tf.global_variables_initializer().run() for _ in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
粘貼上面的例子到新的 Python 3 Jupyter notebook,然后 shift+enter 執(zhí)行代碼。這里會(huì)得到基于測(cè)試數(shù)據(jù)的 0.9014 結(jié)果精度。
需要注意的是,運(yùn)行大多數(shù) cloud providers時(shí),public IP address 將會(huì)暴露到internet,并且缺省是沒(méi)有安全控制的endpoint。為了產(chǎn)品級(jí)部署,需要使用 SSL 和 authentication, 參考 documentation。
我們將每一個(gè)部署的模型都作為APP中的 component 。
在云計(jì)算中創(chuàng)建一個(gè)模型的component:
MODEL_COMPONENT=serveInception MODEL_NAME=inception MODEL_PATH=gs://kubeflow-models/inception ks generate tf-serving ${MODEL_COMPONENT} --name=${MODEL_NAME} ks param set ${MODEL_COMPONENT} modelPath ${MODEL_PATH}
(或者) 創(chuàng)建一個(gè)model的component 在 nfs 上,了解和參考 components/k8s-model-server
,如下:
MODEL_COMPONENT=serveInceptionNFS MODEL_NAME=inception-nfs MODEL_PATH=/mnt/var/nfs/general/inception MODEL_STORAGE_TYPE=nfs NFS_PVC_NAME=nfs ks generate tf-serving ${MODEL_COMPONENT} --name=${MODEL_NAME} ks param set ${MODEL_COMPONENT} modelPath ${MODEL_PATH} ks param set ${MODEL_COMPONENT} modelStorageType ${MODEL_STORAGE_TYPE} ks param set ${MODEL_COMPONENT} nfsPVC ${NFS_PVC_NAME}
部署model component。Ksonnet將選擇你的環(huán)境中的已存在的參數(shù) (e.g. cloud, nocloud),然后定制化結(jié)果部署為合適的:
ks apply ${KF_ENV} -c ${MODEL_COMPONENT}
之前, 一些pods和services已經(jīng)創(chuàng)建在你的集群中。你可以查詢kubernetes得到服務(wù)endpoint:
kubectl get svc inception -n=${NAMESPACE} NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE ... inception LoadBalancer 10.35.255.136 ww.xx.yy.zz 9000:30936/TCP 28m ...
在這里,你可以使用的 inception_client 為 ww.xx.yy.zz:9000
在gs://kubeflow-models/inception 的model 是可以公開(kāi)訪問(wèn)的。但是,如果你的環(huán)境沒(méi)有配置google cloud credential,TF serving 將無(wú)法讀取model,查看 issue 獲取樣本。為了設(shè)置google cloud credential,你需要環(huán)境變量 GOOGLE_APPLICATION_CREDENTIALS
指向credential 文件,或者運(yùn)行 gcloud auth login
. 查看 doc 獲取更多詳細(xì)說(shuō)明。
Seldon-core 提供了任意機(jī)器學(xué)習(xí)運(yùn)行時(shí)的部署,將其 packaged in a Docker container。
安裝seldon package:
ks pkg install kubeflow/seldon
創(chuàng)建 core components:
ks generate seldon seldon
Seldon 允許復(fù)雜的 runtime graphs用于模型推理的部署。一個(gè) end-to-end整合的例子參見(jiàn) kubeflow-seldon example。更多的細(xì)節(jié)參考 seldon-core documentation。
注意:在提交訓(xùn)練任務(wù)之前,你首先需要有一個(gè) deployed kubeflow to your cluster。提交訓(xùn)練任務(wù)時(shí),首先確認(rèn) TFJob
custom resource 是可用的。
我們將每一個(gè)TensorFlow job作為APP中的 component 看待。
為訓(xùn)練任務(wù)創(chuàng)建 component:
JOB_NAME=myjob ks generate tf-job ${JOB_NAME} --name=${JOB_NAME}
為了配置這個(gè) job需要設(shè)置一系列的參數(shù)。為了查看參數(shù)列表,運(yùn)行:
ks prototype describe tf-job
參數(shù)設(shè)置使用 ks param
,設(shè)置 Docker image 使用:
IMAGE=gcr.io/tf-on-k8s-dogfood/tf_sample:d4ef871-dirty-991dde4 ks param set ${JOB_NAME} image ${IMAGE}
你可以編輯 params.libsonnet
文件,直接設(shè)置參數(shù)。
警告 由于escaping序列問(wèn)題,目前命令行的設(shè)置參數(shù)不能工作 (參見(jiàn) ksonnet/ksonnet/issues/235)。因此,設(shè)置參數(shù)需要直接編輯 params.libsonnet
文件。
ks apply ${KF_ENV} -c ${JOB_NAME}
監(jiān)視任務(wù)執(zhí)行情況,參見(jiàn) TfJob docs.
ks delete ${KF_ENV} -c ${JOB_NAME}
Kubeflow 附帶了一個(gè) ksonnet prototype ,適合運(yùn)行 TensorFlow CNN Benchmarks。
創(chuàng)建component:
CNN_JOB_NAME=mycnnjob ks generate tf-cnn ${CNN_JOB_NAME} --name=${CNN_JOB_NAME}
提交任務(wù):
ks apply ${KF_ENV} -c ${CNN_JOB_NAME}
查看運(yùn)行情況 (注意 tf-cnn job 也是 tfjobs. 參考 TfJob docs)
kubectl get -o yaml tfjobs ${CNN_JOB_NAME}
刪除任務(wù):
ks delete ${KF_ENV} -c ${CNN_JOB_NAME}
該 prototype提供了一系列參數(shù)控制任務(wù)的運(yùn)行 (如使用 GPUs,分布式運(yùn)行等...)。查看參數(shù)運(yùn)行:
ks prototype describe tf-cnn
注意:在提交任務(wù)之前,你需要有一個(gè)部署好Kubeflow的集群(參見(jiàn) deployed kubeflow to your cluster)。提交,確保 PyTorchJob
custom resource 可用。
我們將每一個(gè)PyTorch任務(wù)看作為APP中的 component 。
為工作任務(wù)創(chuàng)建一個(gè) component。
JOB_NAME=myjob ks generate pytorch-job ${JOB_NAME} --name=${JOB_NAME}
為了配置工作任務(wù),需要設(shè)置一系列的參數(shù)。 顯示參數(shù)使用:
ks prototype describe pytorch-job
參數(shù)設(shè)置使用 ks param
,設(shè)置Docker image 使用:
IMAGE=<your pytorch image> ks param set ${JOB_NAME} image ${IMAGE}
也可以編輯文件 params.libsonnet
來(lái)直接設(shè)置參數(shù)。
警告 由于escaping序列問(wèn)題,目前命令行的設(shè)置參數(shù)不能工作 (參見(jiàn) ksonnet/ksonnet/issues/235)。因此,設(shè)置參數(shù)需要直接編輯 params.libsonnet
文件。
運(yùn)行工作任務(wù):
ks apply ${KF_ENV} -c ${JOB_NAME}
刪除工作任務(wù):
ks delete ${KF_ENV} -c ${JOB_NAME}
數(shù)據(jù)科學(xué)家經(jīng)常要求一個(gè) POSIX 兼容的文件系統(tǒng):
例如,大多數(shù)HDF5 libraries 要求 POSIX,對(duì)于GCS或S3的object store無(wú)法工作。
當(dāng)共享 POSIX 文件系統(tǒng)被掛載到 notebook 環(huán)境,數(shù)據(jù)科學(xué)家可以在同一數(shù)據(jù)集上協(xié)同工作。
這里將展示如何部署Kubeflow來(lái)達(dá)到這個(gè)要求。
設(shè)置磁盤參數(shù),以分號(hào)隔開(kāi),設(shè)置你想要掛載的 Google persistent disks。
這些磁盤必須在你的集群的同一個(gè) zone 上。
這些磁盤需要通過(guò) gcloud 或 Cloud console手動(dòng)創(chuàng)建。
這些磁盤不能被引用到任何已存在的 VM 或 POD上。
創(chuàng)建磁盤:
gcloud --project=${PROJECT} compute disks create --zone=${ZONE} ${PD_DISK1} --description="PD to back NFS storage on GKE." --size=1TB gcloud --project=${PROJECT} compute disks create --zone=${ZONE} ${PD_DISK2} --description="PD to back NFS storage on GKE." --size=1TB
配置環(huán)境來(lái)使用這些磁盤:
ks param set --env=cloud kubeflow-core disks ${PD_DISK1},${PD_DISK2}
部署環(huán)境。
ks apply cloud
啟動(dòng)Juptyer,你將可以看見(jiàn)你的 NFS volumes 掛載為 /mnt/${DISK_NAME}
。在Juptyer cell中運(yùn)行:
!df
將看到如下的輸出:
https://github.com/jlewi/deepvariant_on_k8s Filesystem 1K-blocks Used Available Use% Mounted on overlay 98884832 8336440 90532008 9% / tmpfs 15444244 0 15444244 0% /dev tmpfs 15444244 0 15444244 0% /sys/fs/cgroup 10.11.254.34:/export/pvc-d414c86a-e0db-11e7-a056-42010af00205 1055841280 77824 1002059776 1% /mnt/jlewi-kubeflow-test1 10.11.242.82:/export/pvc-33f0a5b3-e0dc-11e7-a056-42010af00205 1055841280 77824 1002059776 1% /mnt/jlewi-kubeflow-test2 /dev/sda1 98884832 8336440 90532008 9% /etc/hosts shm 65536 0 65536 0% /dev/shm tmpfs 15444244 0 15444244 0% /sys/firmware
這里 jlewi-kubeflow-test1
和 jlewi-kubeflow-test2
是 PDs的名稱。
在 Minikube ,Virtualbox/VMware drivers是已知在 KVM/KVM2 driver 和 TensorFlow Serving之間的問(wèn)題. 該問(wèn)題跟蹤在 kubernetes/minikube#2377。
我們建議增加 Minikube分配的資源總量,如下:
minikube start --cpus 4 --memory 8096 --disk-size=40g
Minikube 缺省分配 2048Mb RAM給虛擬機(jī),對(duì)于 JupyterHub是不夠的。
最大的磁盤容量需要滿足 Kubeflow's Jupyter images,包含額外的庫(kù)超過(guò)10G以上。
如果遇到j(luò)upyter-xxxx pod 進(jìn)入Pending 狀態(tài),獲取描述信息:
Warning FailedScheduling 8s (x22 over 5m) default-scheduler 0/1 nodes are available: 1 Insufficient memory.
然后嘗試重新創(chuàng)建 Minikube cluster (重新使用Ksonnet應(yīng)用 Kubeflow) ,并指定更多的資源。
如果你運(yùn)行的集群開(kāi)啟了RBAC(參考 RBAC enabled),,運(yùn)行Kubeflow可能遇到如下的錯(cuò)誤:
ERROR Error updating roles kubeflow-test-infra.jupyter-role: roles.rbac.authorization.k8s.io "jupyter-role" is forbidden: attempt to grant extra privileges: [PolicyRule{Resources:["*"], APIGroups:["*"], Verbs:["*"]}] user=&{your-user@acme.com [system:authenticated] map[]} ownerrules=[PolicyRule{Resources:["selfsubjectaccessreviews"], APIGroups:["authorization.k8s.io"], Verbs:["create"]} PolicyRule{NonResourceURLs:["/api" "/api/*" "/apis" "/apis/*" "/healthz" "/swagger-2.0.0.pb-v1" "/swagger.json" "/swaggerapi" "/swaggerapi/*" "/version"], Verbs:["get"]}] ruleResolutionErrors=[]
該錯(cuò)誤指示沒(méi)有足夠的權(quán)限。在大多數(shù)情況下,解決這個(gè)問(wèn)題通過(guò)創(chuàng)建合適的 clusterrole binding 然后重新部署kubeflow:
kubectl create clusterrolebinding default-admin --clusterrole=cluster-admin --user=your-user@acme.com
替換 your-user@acme.com
為在錯(cuò)誤信息提示的用戶名。
如果你使用 GKE, 你可以參考 GKE's RBAC docs 去了解如何設(shè)置 RBAC,通過(guò) IAM on GCP來(lái)實(shí)現(xiàn)。
如果你 spawning jupyter notebooks遇到麻煩,檢查該 pod 是否已經(jīng)被調(diào)度運(yùn)行:
kubectl -n ${NAMESPACE} get pods
查看啟動(dòng)juypter的pod名稱。
如果使用username/password auth,Jupyter pod 將被命名:
jupyter-${USERNAME}
如果你使用 IAP on GKE,pod 將被命名為:
jupyter-accounts-2egoogle-2ecom-3USER-40DOMAIN-2eEXT
這里 USER@DOMAIN.EXT 是在使用IAP時(shí)的Google account。
一旦你知道pod的名稱:
kubectl -n ${NAMESPACE} describe pods ${PODNAME}
查看events ,可以看到試圖schedule pod的錯(cuò)誤原因。
無(wú)法schedule pod的常見(jiàn)原因是集群上沒(méi)有足夠的資源可用。
如果部署 Kubeflow 在 OpenShift 環(huán)境( 是對(duì) Kubernetes的封裝),你需要調(diào)整 security contexts,為了ambassador 和 jupyter-hub 部署的運(yùn)行。
oc adm policy add-scc-to-user anyuid -z ambassador oc adm policy add-scc-to-user anyuid -z jupyter-hub
一旦安全策略設(shè)置好,你需要?jiǎng)h除失敗的pods 然后允許在 project deployment時(shí)可以重新創(chuàng)建。
你需要調(diào)整 tf-job-operator service 張好的權(quán)限,以使TFJobs能夠運(yùn)行。如下運(yùn)行一個(gè)TFJobs:
oc adm policy add-role-to-user cluster-admin -z tf-job-operator
Docker for Mac 社區(qū)版帶有Kubernetes支持 (1.9.2) ,可以從edge channel啟用。如果決定私用 Kubernetes environment on Mac,部署 Kubeflow時(shí)可能遇到如下的問(wèn)題:
ks apply default -c kubeflow-core ERROR Attempting to deploy to environment 'default' at 'https://127.0.0.1:8443', but cannot locate a server at that address
該錯(cuò)誤是因?yàn)镈ocker for Mac安裝時(shí)設(shè)置的缺省集群為 https://localhost:6443
.,一個(gè)選項(xiàng)是直接編輯創(chuàng)建的 environments/default/spec.json
文件設(shè)置 "server" 變量為正確的位置,然后重試部署。不過(guò),更好的方式是使用希望的kube config來(lái)創(chuàng)建Ksonnet app。
kubectl config use-context docker-for-desktop ks init my-kubeflow
因?yàn)?ksonnet 使用 Github 拉取 kubeflow,除非用戶指定Github API token,將會(huì)快速消耗最大的 API 匿名調(diào)用限量,為了解決該問(wèn)題,可以創(chuàng)建 Github API token,參考這里 guide,,然后將該token 賦給GITHUB_TOKEN 環(huán)境變量。
export GITHUB_TOKEN=<< token >>
Kubeflow 要求版本 0.9.2 或更高,查看 see here。如果你運(yùn)行 ks apply
使用的老版本ksonnet,將得到錯(cuò)誤 Unknown variable: env
,如下所示:
ks apply ${KF_ENV} -c kubeflow-core ERROR Error reading /Users/xxx/projects/devel/go/src/github.com/kubeflow/kubeflow/my-kubeflow/environments/nocloud/main.jsonnet: /Users/xxx/projects/devel/go/src/github.com/kubeflow/kubeflow/my-kubeflow/components/kubeflow-core.jsonnet:8:49-52 Unknown variable: env namespace: if params.namespace == "null" then env.namespace else params.namespace
檢查ksonnet 版本,如下:
ks version
如果 ksonnet版本低于 v0.9.2, 請(qǐng)升級(jí)并按照 user_guide 重新創(chuàng)建app。
Ksonnet 是一個(gè)命令行工具,使管理包含多個(gè)部件的復(fù)雜部署變得更為容易,設(shè)計(jì)為與kubectl各自完成特定的操作。
Ksonnet 允許我們從參數(shù)化的模版中創(chuàng)建 Kubernetes manifests。這使參數(shù)化 Kubernetes manifests 用于特定的場(chǎng)景變得容易。在上面的例子中,我們?yōu)?TfServing 創(chuàng)建了manifests,為model提供用戶化的URI。
我蠻喜歡ksonnet的一個(gè)原因是,對(duì)待 environment (如dev, test, staging, prod) 作為頭等的概念。對(duì)于每一個(gè)環(huán)境,我們部署同樣的 components只需要對(duì)特定環(huán)境有一些很小的定制化修改。我們認(rèn)為這對(duì)于通常的工作流來(lái)說(shuō)是非常友好的一種映射。例如,該特征讓在本地沒(méi)有GPU的情況下運(yùn)行任務(wù),使代碼運(yùn)行通過(guò),然后將其移到帶有大量GPU可規(guī)模伸縮的云計(jì)算環(huán)境之中。
到此,相信大家對(duì)“Kubeflow的使用方法”有了更深的了解,不妨來(lái)實(shí)際操作一番吧!這里是億速云網(wǎng)站,更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢,關(guān)注我們,繼續(xù)學(xué)習(xí)!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。