像Google一样构建机器学习系统 - 在阿里云上搭建Kubeflow Pipelines

作者 必嘫，阿里云容器技术专家

介绍

机器学习的工程复杂度，除了来自于常见的软件开发问题外，还和机器学习数据驱动的特点相关，这就带来了其工作流程链路更长，数据版本失控，实验难以跟踪、结果难以重现，模型迭代成本巨大等一系列问题。为了解决这些机器学习特有的问题，很多企业构建了内部机器学习平台来管理机器学习生命周期，其中最有名的是Google的Tensorflow Extended，Facebook的FBLearner Flow，Uber的Michelangelo，遗憾的是这些平台都需要绑定在公司内部的基础设施之上，无法彻底开源。而这些机器学习平台的骨架就是机器学习工作流系统，它可以让数据科学家灵活定义自己的机器学习流水线，重用已有的数据处理和模型训练能力，进而更好的管理机器学习生命周期。

谈到机器学习工作流平台，Google的工程经验非常丰富，它的TensorFlow Extended机器学习平台支撑了Google的搜索，翻译，视频等核心业务；更重要的是其对机器学习领域工程效率问题的理解深刻，

Google的Kubeflow团队于2018年底开源了Kubeflow Pipelines(KFP), KFP的设计与Google内部机器学习平台TensorFlow Extended一脉相承，唯一的区别是KFP运行在Kubenretes的平台上，TFX是运行在Borg之上的。

什么是Kubeflow Pipelines

Kubeflow Pipelines平台包括：

• 能够运行和追踪实验的管理控制台

• 能够执行多个机器学习步骤的工作流引擎（Argo）

• 用来自定义工作流的SDK，目前只支持Python

而Kubeflow Pipelines的目标在于：

• 端到端的任务编排: 支持编排和组织复杂的机器学习工作流，该工作流可以被直接触发，定时触发，也可以由事件触发，甚至可以实现由数据的变化触发

• 简单的实验管理: 帮助数据科学家尝试众多的想法和框架，以及管理各种试验。并实现从实验到生产的轻松过渡。

• 通过组件化方便重用: 通过重用Pipelines和组件快速创建端到端解决方案，无需每次从0开始的重新构建。

在阿里云上运行Kubeflow Pipeline

看到Kubeflow Piplines的能力，大家是不是都摩拳擦掌，想一睹为快？但是目前国内想使用Kubeflow Pipeline有两个挑战：

1. Pipelines需要通过Kubeflow部署；而Kubeflow默认组件过多，同时通过Ksonnet部署Kubeflow也是很复杂的事情。

2. Pipelines本身和谷歌云平台有深度耦合，无法在运行其他云平台上或者裸金属服务器的环境。

为了方便国内的用户安装Kubeflow Pipelines，阿里云容器服务团队提供了基于Kustomize的Kubeflow Pipelines部署方案。和普通的Kubeflow基础服务不同，Kubeflow Pipelines需要依赖于mysql和minio这些有状态服务，也就需要考虑如何持久化和备份数据。在本例子中，我们借助阿里云SSD云盘作为数据持久化的方案，分别自动的为mysql和minio创建SSD云盘。

您可以在阿里云上尝试一下单独部署最新版本Kubeflow Pipelines。

前提条件

• 您需要安装kustomize

  https://github.com/kubernetes-sigs/kustomize.git

在Linux和Mac OS环境，可以执行

在Windows环境，

可以下载kustomize_2.0.3_windows_amd64.exe

https://github.com/kubernetes-sigs/kustomize/releases/download/v2.0.3/kustomize_2.0.3_windows_amd64.exe

• 在阿里云容器服务创建Kubernetes集群, 可以参考 文档

  https://github.com/AliyunContainerService/ai-starter/blob/master/docs/setup/CREATE_CLUSTER.md
  

部署过程

1.通过ssh访问Kubernetes集群，具体方式可以参考文档。

https://help.aliyun.com/document_detail/86491.html

2.下载源代码

3.安全配置

3.1 配置TLS证书。如果没有TLS证书，可以通过下列命令生成

如果您有TLS证书，请分别将私钥和证书保存到kubeflow-aliyun/overlays/ack-auto-clouddisk/tls.key和kubeflow-aliyun/overlays/ack-auto-clouddisk/tls.crt下

3.2 配置admin的登录密码

4.首先利用kustomize生成部署yaml

5.查看所在的Kubernetes集群节点所在的地域和可用区,并且根据其所在节点替换可用区，假设您的集群所在可用区为cn-hangzhou-g,可以执行下列命令

建议您检查一下/tmp/ack-auto-clouddisk.yaml修改是否已经设置

6.将容器镜像地址由gcr.io替换为registry.aliyuncs.com

建议您检查一下/tmp/ack-auto-clouddisk.yaml修改是否已经设置

7.调整使用磁盘空间大小, 比如需要调整磁盘空间为200G

8.验证pipelines的yaml文件

kubectl create --validate=true --dry-run=true -f /tmp/ack-auto-clouddisk.yaml

9.利用kubectl部署pipelines

kubectl create -f /tmp/ack-auto-clouddisk.yaml

10.查看访问pipelines的方式，我们通过ingress暴露pipelines服务，在本例子中，访问ip是112.124.193.271。而Pipelines管理控制台的链接是：https://112.124.193.271/pipeline/

11.访问pipelines管理控制台

如果使用自签发证书，会提示此链接非私人链接，请点击显示详细信息， 并点击访问此网站。

请输入步骤2.2中的用户名admin和设定的密码

这时就可以使用pipelines管理和运行训练任务了。

Q&A

1.为什么这里要使用阿里云的SSD云盘？

这是由于阿里云的SSD云盘可以设置定期的自动备份，保证pipelines中的元数据不会丢失。

2.如何进行云盘备份?

如果您想备份云盘的内容，可以为云盘 手动创建快照 或者 为硬盘设置自动快照策略 按时自动创建快照。

3.如何清理Kubeflow Piplines部署？

这里的清理工作分为两个部分：

• 删除Kubeflow Pipelines的组件

  kubectl delete -f /tmp/ack-auto-clouddisk.yaml
  

• 通过释放云盘分别释放mysql和minio存储对应的两个云盘

4.如何使用现有云盘作为数据库存储，而避免自动创建云盘？

请参考文档

https://github.com/AliyunContainerService/kubeflow-aliyun/tree/master/overlays/ack-manual-clouddisk

总结

本文为您初步介绍了Kubeflow Pipelines的背景和其所要解决的问题，以及如何在阿里云上通过Kustomize快速构建一套服务于机器学习的Kubeflow Pipelines，后续我们会分享如何利用Kubeflow Pipelines开发一个完整的机器学习流程。

更多精彩

阿里云发布 Redis 5.0 缓存服务：全新 Stream 数据类型带来不一样缓存体验

 【阿里小程序云30问】问你所问，答你所惑

【资料合集】2019阿里云峰会•北京回顾合集：PDF下载

如果觉得本文还不错，点击好看一下！

点此阅读作者更多好文！