【转载】 TensorflowOnSpark：1)Standalone集群初体验

原文地址：

https://blog.csdn.net/jiangpeng59/article/details/72867368

作者：PJ-Javis
来源：CSDN

------------------------------------------------------------------------------------------------------

1.实验环境

Centos7+Python2.7+Java8+Spark1.6+Hadoop2.7+Tensorflow0.12.1

Spark和Hadoop的集群搭建网上教程比较多，这里以最简洁的方法配置集群，针对tensorflow添加的额外配置，我会进行强调(其实地上本没有坑，跌的人多了，也便成了Keng)

1>系统环境环境变量

export JAVA_HOME=/hadoop/jdk1.8.0_65
export HADOOP_HOME=/hadoop/hadoop-2.7.0
export SPARK_HOME=/hadoop/spark-1.6.0
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$SPARK_HOME/bin
CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

在/etc/profile或者~/.bashrc中配置都行，CLASSPATH不能少(Keng1)

2>hadoop集群

需修改的配置文件都在$HADOOP_HOME/hadoop-2.7.0/etc/hadoop目录下

(1)修改hadoop-env.sh 文件

export JAVA_HOME=/hadoop/jdk1.8.0_65 

(2)修改core-site.xml

<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://master:9000</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/hadoop/hadoop-2.7.0/tmp</value>
    </property>
</configuration>

注意这里我把hdfs的namenode也设置在master节点上，hadoop.tmp.dir为hadoop的绝对路径

(3)修改文件hdfs-site.xml

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>2</value>
     </property>
        <property>
        <name>dfs.namenode.name.dir</name>
         <value>/hadoop/hadoop-2.7.0/dfs/name</value>
    </property>
        <property>
                <name>dfs.datanode.data.dir</name>
                <value>/hadoop/hadoop-2.7.0/dfs/data</value>
        </property>
</configuration>  

(4)修改slaves文件,配置DataNode节点地址

这里的hosts我已经配置好，所以输入你对应的hostname就行了

slave01
slave02
slave03

(5)格式化namenode并启动hdfs

hdfs namenode -format
$HADOOP_HOME/sbin/start-dfs.sh

3>Spark集群

Spark集群Standalone的配置非常简单，修改2个文件即可，在此之前记得重命名去掉template

(1)配置spark-env.sh

export JAVA_HOME=/hadoop/jdk1.8.0_65
export HADOOP_CONF_DIR=/hadoop/hadoop-2.7.0/etc/hadoop
export HADOOP_HDFS_HOME=/hadoop/hadoop-2.7.0
SPARK_MASTER_IP=master
SPARK_WORKER_CORES=4
SPARK_WORKER_MEMORY=12G
SPARK_EXECUTOR_MEMORY=8G

核数和内存根据自己的机器进行设置，环境变量HADOOP_CONF_DIR和HADOOP_HDFS_HOME不能少(Keng2)

(2)配置slaves

slave01
slave02
slave03

(3)启动spark集群

$SPARK_HOME/sbin/start-all.sh

Worker Id     Cores     Memory
worker1     4 (0 Used)     12.0 GB (0.0 B Used)
worker2     4 (0 Used)     12.0 GB (0.0 B Used)
worker3     4 (0 Used)     12.0 GB (0.0 B Used)

集群总共3个worker-instance，每个worker4核12G，总12核，所有的环境配置均和master节点一致(Keng3)

2.Tensorflow安装

雅虎目前开源的框架是基于python2.7和Tensorflow0.12.1的，目前Tensorflow版本为1.2，但是考虑到兼容性，我们还是使用推荐的版本进行测试。

安装Tensorflow0.12.1

pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp27-none-linux_x86_64.whl

测试tf，无异常说明安装成功

import tensorflow as tf

3.下载TensorflowOnSpark源码

git clone https://github.com/yahoo/TensorFlowOnSpark.git
cd TensorFlowOnSpark
export TFoS_HOME=$(pwd)

这里使用git进行下载，最后我会所有用到资源的百度云链接。顺便提一句，TensorflowOnSpark最近好像更新了，但是指导文档貌似有点问题，下面会进行说明。

[root@master TensorFlowOnSpark]# ls
examples  LICENSE  README.md  scripts  setup.cfg  setup.py  tensorflow  tensorflowonspark  tfspark.zip

下载成功后，你会得到类似上面的文件夹，tfspark.zip是我们生成的python库文件，之后提交Spark的时候用到，其就是把tensorflowonspark所有文件进行了打包，在TensorFlowOnSpark目录运行如下的命令进行打包(Keng4)

zip -r tfspark.zip tensorflowonspark/*

Spark集群测试

1>转换MNIST数据文件

${SPARK_HOME}/bin/spark-submit \
--master=local[*]  \
${TFoS_HOME}/examples/mnist/mnist_data_setup.py \
--output examples/mnist/csv \
--format csv

该命令的功能是把之前下载的.gz文件转换为对应的scv文件，网上有人说要修改源码才能正常运行，能偷懒的地方绝不放过。可以先看下mnist_data_setup.py的源码

def writeMNIST(sc, input_images, input_labels, output, format, num_partitions):
    """Writes MNIST image/label vectors into parallelized files on HDFS"""
    # load MNIST gzip into memory
    with open(input_images, 'rb') as f:
    images = numpy.array(mnist.extract_images(f))
    imageRDD = sc.parallelize(images.reshape(shape[0], shape[1] * shape[2]), num_partitions)
 
if not args.read:
    # Note: these files are inside the mnist.zip file
    writeMNIST(sc, "mnist/train-images-idx3-ubyte.gz", "mnist/train-labels-idx1-ubyte.gz", args.output + "/train", args.format, args.num_partitions)
    writeMNIST(sc, "mnist/t10k-images-idx3-ubyte.gz", "mnist/t10k-labels-idx1-ubyte.gz", args.output + "/test", args.format, args.num_partitions)

使用python的IO流读取gz文件数据，显然gz文件肯定本地而非hdfs上，因此为了兼容源码，可以把mnist放在$PARK_HOME/bin下，然后使用本地模式进行数据转换即可

里面的内容和之前tensorflow介绍的一样是一个[,28*28]的向量，这里就是784个数为一行。

2>训练模型

${SPARK_HOME}/bin/spark-submit \
--master=spark://master:7077 \
--conf spark.executorEnv.LD_LIBRARY_PATH="${JAVA_HOME}/jre/lib/amd64/server" \
--conf spark.executorEnv.CLASSPATH="$($HADOOP_HOME/bin/hadoop classpath --glob):${CLASSPATH}" \
--py-files ${TFoS_HOME}/examples/mnist/spark/mnist_dist.py,${TFoS_HOME}/tfspark.zip \
--conf spark.cores.max=12 \
--conf spark.task.cpus=4 \
${TFoS_HOME}/examples/mnist/spark/mnist_spark.py \
--cluster_size 3 \
--images examples/mnist/csv/train/images \
--labels examples/mnist/csv/train/labels \
--format csv \
--mode train \
--model mnist_model

这里是个天Keng，
-No.1_作者更新git，在指导文档中居然没有再提及tfspark.zip，这叫我这个Python菜鸟情何以堪
-No.2_因为本人的Spark集群和作者的不一样，这里建议设置spark.cores.max(集群总核数)和spark.task.cpus(worker节点分配核数)满足

否则会出现无尽等待的情况：

2017-06-05 09:20:06,132 INFO (MainThread-23875) waiting for 1 reservations
..........

-No.3_这个Keng有点深，之前不知道是什么原因，执行命后会出现卡住的情况，百度到如下解决方案：

需要改一下mnist_dist.py的第109行，把logdir=logdir 改成 logdir=None

虽然解决了卡主的情况，但是训练完成后，不知道mnist_model去哪了？本地和hdfs都找不到，继续执行测试集，发现准确度几乎是0%(⊙﹏⊙)…之后查看worker的error日志，发现该信息一直都存在

INFO:tensorflow:Waiting for model to be ready.  Ready_for_local_init_op:  None, ready: Variables not initialized: hid_w, hid_b, sm_w, sm_b, Variable, hid_w/Adagrad, hid_b/Adagrad, sm_w/Adagrad, sm_b/Adagrad
2017-06-05 05:00:55,324 INFO (MainThread-31600) Waiting for model to be ready.  Ready_for_local_init_op:  None, ready: Variables not initialized: hid_w, hid_b, sm_w, sm_b, Variable, hid_w/Adagrad, hid_b/Adagrad, sm_w/Adagrad, sm_b/Adagrad

最终在github上找到了解决方法，原来python在写hdfs文件的时候，找不到对应的jar包，在提交的时候添加如下的配置信息

--conf spark.executorEnv.LD_LIBRARY_PATH="${JAVA_HOME}/jre/lib/amd64/server" \
--conf spark.executorEnv.CLASSPATH="$($HADOOP_HOME/bin/hadoop classpath --glob):${CLASSPATH}" \

最终可以解决卡住的情况，终于在hdfs上面和model相遇了O(∩_∩)O~

3>模型测试

如此多的Keng 做铺垫，测试的时候终于一气呵成了！

${SPARK_HOME}/bin/spark-submit \
--master spark://master:7077 \
--conf spark.executorEnv.LD_LIBRARY_PATH="${JAVA_HOME}/jre/lib/amd64/server" \
--conf spark.executorEnv.CLASSPATH="$($HADOOP_HOME/bin/hadoop classpath --glob):${CLASSPATH}" \
--py-files ${TFoS_HOME}/tfspark.zip,${TFoS_HOME}/examples/mnist/spark/mnist_dist.py \
--conf spark.cores.max=12 \
--conf spark.task.cpus=4 \
--conf spark.executorEnv.JAVA_HOME="$JAVA_HOME" \
${TFoS_HOME}/examples/mnist/spark/mnist_spark.py \
--cluster_size 3 \
--images examples/mnist/csv/test/images \
--labels examples/mnist/csv/test/labels \
--mode inference \
--format csv \
--model mnist_model \
--output predictions

部分结果如下：

[root@slave01 ~]# hadoop fs -cat /user/root/predictions/part-00000
2017-06-05T05:48:00.385513 Label: 7, Prediction: 7
2017-06-05T05:48:00.385574 Label: 2, Prediction: 2
2017-06-05T05:48:00.385591 Label: 1, Prediction: 1
2017-06-05T05:48:00.385625 Label: 0, Prediction: 0
2017-06-05T05:48:00.385639 Label: 4, Prediction: 4
2017-06-05T05:48:00.385653 Label: 1, Prediction: 1
2017-06-05T05:48:00.385667 Label: 4, Prediction: 4
2017-06-05T05:48:00.385680 Label: 9, Prediction: 9
2017-06-05T05:48:00.385697 Label: 5, Prediction: 6
2017-06-05T05:48:00.385711 Label: 9, Prediction: 9
2017-06-05T05:48:00.385724 Label: 0, Prediction: 0
2017-06-05T05:48:00.385736 Label: 6, Prediction: 6
2017-06-05T05:48:00.385749 Label: 9, Prediction: 9
2017-06-05T05:48:00.385762 Label: 0, Prediction: 0
2017-06-05T05:48:00.385775 Label: 1, Prediction: 1
2017-06-05T05:48:00.385788 Label: 5, Prediction: 5

解铃还须系铃人，问题来于Git解决于Git
tf百度资源：http://pan.baidu.com/s/1bpEhPHP

参考:
https://github.com/yahoo/TensorFlowOnSpark/issues/33

------------------------------------------------------------------------------------------------------