[![license](https://img.shields.io/badge/license-Apache2.0-blue.svg?style=flat)](./LICENSE)
[![Release Version](https://img.shields.io/badge/release-1.4-red.svg)]()
[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg)]()
**XLearning**是一款支持多种机器学习、深度学习框架的调度系统。基于Hadoop Yarn完成了对TensorFlow、MXNet、Caffe、Theano、PyTorch、Keras、XGBoost等常用框架的集成,同时具备良好的扩展性和兼容性。
[**English Document**](./README.md)
## 架构设计
![architecture](./doc/img/xlearning.png)
XLearning系统包括三种组件:
- **Client**:XLearning客户端,负责启动作业及获取作业执行状态;
- **ApplicationMaster(AM)**:负责输入数据分片、启动及管理Container、执行日志保存等;
- **Container**:作业的实际执行者,负责启动Worker或PS(Parameter Server)进程,监控并向AM汇报进程状态,上传作业的输出等。对于TensorFlow类型作业,还负责启动TensorBoard服务。
## 功能特性
### 1 支持多种深度学习框架
支持TensorFlow、MXNet分布式和单机模式,支持所有的单机模式的深度学习框架,如Caffe、Theano、PyTorch等。对于同一个深度学习框架支持多版本和自定义版本。
### 2 基于HDFS的统一数据管理
训练数据和模型结果统一采用HDFS进行存储,用户可通过`--input-strategy`或`xlearning.input.strategy`指定输入数据所采用的读取方式。目前,XLearning支持如下三种HDFS输入数据读取方式:
- **Download**: AM根据用户在提交脚本中所指定的输入数据参数,遍历对应HDFS路径下所有文件,以文件为单位将输入数据平均分配给不同Worker。在Worker中的执行程序对应进程启动之前,Worker会根据对应的文件分配信息将需要读取的HDFS文件下载到本地指定路径;
- **Placeholder**: 与Download模式不同,Worker不会直接下载HDFS文件到本地指定路径,而是将所分配的HDFS文件列表通过环境变量`INPUT_FILE_LIST`传给Worker中的执行程序对应进程。执行程序从环境变量`os.environ["INPUT_FILE_LIST"]`中获取需要处理的文件列表,直接对HDFS文件进行读写等操作。该模式要求深度学习框架具备读取HDFS文件的功能,或借助第三方模块库如pydoop等。
- **InputFormat**: XLearning集成有MapReduce中的InputFormat功能。在AM中,根据“split size”对所提交脚本中所指定的输入数据进行分片,并均匀的分配给不同Worker。在Worker中,根据所分配到的分片信息,以用户指定的InputFormat类读取数据分片,并通过管道将数据传递给Worker中的执行程序进程。
同输入数据读取类似,用户可通过`--output-strategy`或`xlearning.output.strategy`指定输出结果的保存方式。XLearning支持如下两种结果输出保存模式:
- **Upload**: 执行程序结束后,Worker根据提交脚本中输出数据参数,将本地输出路径保存文件上传至对应HDFS路径。为方便用户在训练过程中随时将本地输出上传至HDFS,XLearning系统在作业执行Web界面提供对输出模型的当前状态主动保存的功能,详情请见“可视化界面”说明部分;
- **OutputFormat**: XLearning集成有MapReduce中的OutputFormat功能。在训练过程中,Worker根据指定的OutputFormat类,将结果输出至HDFS。
更多详细说明见[**数据管理说明**](./doc/datamanage_cn.md)
### 3 可视化界面
作业运行界面大致分为四部分:
- **All Containers**:显示当前作业所含Container列表及各Container对应信息,如Contianer ID、所在机器(Container Host)、所属类型(Container Role)、当前执行状态(Container Status)、开始时间(Start Time)、结束时间(Finish Time)、执行进度(Reporter Progress)。其中,点击Container ID超链接可查看该Container运行的详细日志;
- **View TensorBoard**:当作业类型为TensorFlow时,可点击该链接直接跳转到TensorBoard页面;
- **Save Model**:当作业提交脚本中“--output”参数不为空时,用户可通过`Save Model`按钮,在作业执行过程中,将本地输出当前模型训练结果上传至HDFS。上传成功后,显示目前已上传的模型列表;
- **Worker Metrix**:显示各worker执行所占用的资源信息。
如下图所示:
![yarn1](./doc/img/yarn1.png)
### 4 原生框架代码的兼容性
TensorFlow分布式模式支持“ClusterSpec”自动分配构建,单机模式和其他深度学习框架代码不用做任何修改即可迁移到XLearning上。
## 编译&部署指南
### 1 编译环境依赖
- jdk >= 1.7
- Maven >= 3.3
### 2 编译方法
在源码根目录下,执行:
`mvn package`
完成编译后,在源码根目录下的target目录中会生成发布包`xlearning-1.1-dist.tar.gz`。该发布包解压后的主要目录结构如下:
- bin:作业提交脚本
- lib:XLearning jar包及所依赖jar包
- conf:XLearning配置文件
- sbin:XLearning History Server启动脚本
- data:运行示例所需输入数据和文件
- examples:运行示例
### 3 部署环境依赖
- CentOS 7.2
- Java >= 1.7
- Hadoop = 2.6,2.7,2.8
- [可选]各计算节点具有所需学习平台的依赖环境,如TensorFlow、numpy、Caffe等。
### 4 XLearning客户端部署方法
在XLearning发布包根目录$XLEARNING_HOME下的conf目录中,分别配置如下文件:
- xlearning-env.sh:设置相关环境变量,如:
+ JAVA\_HOME
+ HADOOP\_CONF\_DIR
- xlearning-site.xml:详细系统配置说明请见[**配置参数**](./doc/configure_cn.md)部分。
- log4j.properties:配置日志级别
### 5 XLearning History Server启动方法 [可选]
- 执行`$XLEARNING_HOME/sbin/start-history-server.sh`
## 运行示例
在XLearning客户端,使用`$XLEARNING_HOME/bin/xl-submit`提交脚本将作业提交至Yarn集群。
以TensorFlow作业提交为例:
### 1 上传训练数据至hdfs路径
将发布包解压后的data文件夹上传至hdfs,如:
cd $XLEARNING_HOME
hadoop fs -put data /tmp/
### 2 提交运行
cd $XLEARNING_HOME/examples/tensorflow
$XLEARNING_HOME/bin/xl-submit \
--app-type "tensorflow" \
--app-name "tf-demo" \
--input /tmp/data/tensorflow#data \
--output /tmp/tensorflow_model#model \
--files demo.py,dataDeal.py \
--launch-cmd "python demo.py --data_path=./data --save_path=./model --log_dir=./eventLog --training_epochs=10" \
--worker-memory 10G \
--worker-num 2 \
--worker-cores 3 \
--ps-memory 1G \
--ps-num 1 \
--ps-cores 2 \
--queue default \
提交脚本各参数含义如下:
参数名称 | 含义
---------------- | ---------------
app-name | 作业名称为 "tf-demo"
app-type | 作业类型为 "tensorflow"
input | 输入文件,HDFS路径:/tmp/data/tensorflow,对应本地路径./data
output | 输出文件,HDFS路径:/tmp/tensorflow_model,对应本地路径./model
files | 需要传给各container的本地文件,包括 demo.py、dataDeal.py
launch-cmd | 训练执行命令
worker-memory | worker内存使用为10G
worker-num | worker数目为2
worker-cores | worker使用CPU核数为3
ps-memory | parameterServer内存使用为1G
ps-num | parameterServer数目为1
ps-cores | parameterServer使用CPU核数为2
queue | 作业提交队列
更多相关参数详细说明请见[**运行提交参数**](./doc/submit_cn.md)部分。
## FAQ
[**XLearning常见问题**](./doc/faq_cn.md)
## Authors
[@Yuance Li](http://github.com/liyuance), [@Wen OuYang](http://github.com/ouyangwen-it), [@Runying Jia](http://github.com/jiarunying), [@YuHan Jia](http://github.com/jiayuhan-it), [@Lei Wang](http://github.com/wangleibefree)
## 联系我们
Mail:
QQ群:588356340
![qq](./doc/img/qq.jpg)