部署批次機器學習工作負載

自動駕駛 標準

本教學課程說明如何使用 Google Kubernetes Engine (GKE) 管理容錯批次工作負載，同時維持低成本。請參閱本教學課程，瞭解如何使用 Spot Pod 節省成本，以及如何在 GKE 上設定叢內 Redis 工作佇列。

背景

批次工作負載通常是指已定義了開始點和完成點的處理程序。如果您的架構涉及擷取、處理及輸出資料，而非使用原始資料，建議您考慮在 GKE 上使用批次工作負載。機器學習、人工智慧和高效能運算 (HPC) 等領域有不同類型的批次工作負載，例如離線模型訓練、批次預測、資料分析、實體系統模擬和影片處理。

設計容器化批次工作負載時，您可以善用下列 GKE 優勢：

• 開放標準、廣大社群和代管服務。
• 有效調度工作負載和基礎架構，並運用專屬運算資源，提高成本效益。
• 容器化技術可提供隔離和可攜性，讓您將雲端當做溢出容量使用，同時維持資料安全性。
• 爆量容量可用性，隨後快速縮減 GKE 叢集。

目標

本教學課程適合想要使用具成本效益且可擴充的架構，在 GKE 中執行批次機器學習工作負載的機器學習工程師或數據資料學家：

本教學課程包含下列步驟：

1. 建立 GKE Autopilot 叢集。您也可以在本教學課程中使用 GKE Standard 叢集。
2. 建立 Filestore NFS 磁碟區。
3. 建立叢集中的 Redis 工作佇列。
4. 將資料集轉移至 NFS 磁碟區，並排入佇列以供工作負載使用。
5. 在 GKE 叢集中執行範例批次機器學習工作負載。

費用

在本文件中，您會使用下列 Google Cloud的計費元件：

• Compute Engine
• GKE Autopilot
• Filestore

您可以使用 Pricing Calculator，根據預測用量估算費用。

初次使用 Google Cloud 的使用者可能符合免費試用期資格。

---

如要直接在 Google Cloud 控制台中，按照這項工作的逐步指南操作，請按一下「Guide me」(逐步引導)：

「Guide me」(逐步引導)

---

事前準備

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Compute Engine, GKE, and Filestore APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Compute Engine, GKE, and Filestore APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

1. In the Google Cloud console, activate Cloud Shell.

   Activate Cloud Shell

   At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.

準備環境

1. 複製本教學課程中使用的範例存放區：

   git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples
   cd kubernetes-engine-samples/batch/aiml-workloads
   

2. 建立 GKE Autopilot 叢集：

   gcloud container clusters create-auto batch-aiml \
       --location=us-central1
   

   這個步驟最多可能需要 5 分鐘才能完成。

使用網路檔案系統 (NFS) 設定資料集儲存空間

機器學習工作負載需要儲存資料集和輸出檔案的解決方案。在本節中，您將建立 Filestore 執行個體，並使用 PersistentVolume 和 PersistentVolumeClaim 提供執行個體存取權。

詳情請參閱如何設計最佳儲存空間策略，以及如何從 GKE 叢集存取 Filestore 執行個體。

建立 Filestore 執行個體

1. 建立 Filestore 執行個體：

   gcloud filestore instances create batch-aiml-filestore \
       --zone=us-central1-b \
       --tier=BASIC_HDD \
       --file-share=name="NFSVol",capacity=1TB \
       --network=name="default"
   

   此指令會指定下列選項：

   • tier：Filestore 執行個體的服務層級。 本範例使用基本層級。如要瞭解其他選項，請參閱「服務級別」。

   • network=name：Filestore 執行個體的虛擬私有雲 (VPC) 網路名稱。GKE 叢集必須與 Filestore 執行個體位於相同的虛擬私有雲網路。

   • capacity：所需磁碟區大小。請使用資源數量一節所述的其中一個支援單位指定儲存空間值。

   注意： 這個步驟最多可能需要 5 分鐘才能完成。

2. 確認 Filestore 執行個體已部署：

   gcloud filestore instances list \
       --project=PROJECT_ID \
       --zone=us-central1-b
   

   將 PROJECT_ID 替換為專案 ID。 Google Cloud

   輸出結果會與下列內容相似：

   INSTANCE_NAME: batch-aiml-filestore
   LOCATION: us-central1-b
   TIER: BASIC_HDD
   CAPACITY_GB: 1024
   FILE_SHARE_NAME: NFSVol
   IP_ADDRESS: 203.0.113.54
   STATE: READY
   CREATE_TIME: 2022-03-15T18:23:51
   

3. 請記下 IP_ADDRESS 欄位中的值，以供下一節使用。

建立 PersistentVolume

Kubernetes PersistentVolume 規格可讓 GKE 叢集連結至 Filestore 執行個體。

1. 使用 Filestore 執行個體 IP 位址更新 kubernetes-manifests/persistent-volume.yaml 檔案：

   sed -i "\
     s/<FILESTORE_IP_ADDRESS>/IP_ADDRESS/g" \
     kubernetes-manifests/persistent-volume.yaml
   

   將 IP_ADDRESS 替換為您在上一節建立 Filestore 執行個體時記下的 IP 位址。

2. 部署 PersistentVolume：

   kubectl apply -f kubernetes-manifests/persistent-volume.yaml
   

建立 PersistentVolumeClaim

Kubernetes PersistentVolumeClaim 可讓 Kubernetes Pod 和工作存取 PersistentVolume 的儲存空間資源。

部署 PersistentVolumeClaim：

kubectl apply -f kubernetes-manifests/persistent-volume-claim.yaml

使用 PersistentVolumeClaim

在 GKE 叢集上設定 PersistentVolume 和 PersistentVolumeClaim 後，您就可以設定 Redis 伺服器和批次作業，以使用 PersistentVolumeClaim。這會顯示為可掛接的儲存空間磁碟區。

檢查 kubernetes-manifests/redis-pod.yaml 和 kubernetes-manifests/workload.yaml 檔案。資訊清單設定類似於下列內容：

  spec:
  …
  containers:
  - name: workload
    image: "us-central1-docker.pkg.dev/gke-batch-aiml/batch-aiml-docker-repo/workload"
    volumeMounts:
    - mountPath: /mnt/fileserver
      name: workload-pvc
  volumes:
  - name: workload-pvc
    persistentVolumeClaim:
      claimName: fileserver-claim
      readOnly: false

在這個資訊清單中：

• spec.volumes 會指定要使用的 PersistentVolumeClaim。
• spec.containers.volumeMounts 會指定 Pod 可存取 Filestore 檔案共用區的本機檔案路徑。

設定 Redis 工作佇列

工作負載會批次處理資料，以便反覆訓練詐欺偵測模型。如要管理目前正在處理或仍在佇列中的資料集，請將 Redis 伺服器部署至 GKE 叢集。

在本教學課程中，您會啟動單一 Redis 執行個體。 如要以可擴充且備援的方式部署 Redis，請參閱「使用 Redis 和 PHP 建立多層級網頁應用程式」。

1. 部署 Redis 伺服器規格。

   kubectl apply -f kubernetes-manifests/redis-pod.yaml
   

2. 請確認 Pod 正在執行中：

   kubectl get pods
   

   輸出結果會與下列內容相似：

   NAME           READY   STATUS    RESTARTS   AGE
   redis-leader   1/1     Running   0          118s
   

   Pod 最多可能需要兩分鐘才會開始運作。

3. 將包含訓練和測試資料集的檔案轉移至 NFS 磁碟區。

   sh scripts/transfer-datasets.sh
   

   這個指令碼會將程式碼範例存放區中的檔案複製到 redis-leader Pod 上的 /mnt/fileserver/datasets/ 目錄。

4. 填入 Redis 佇列。

   sh scripts/queue-jobs.sh
   

   這個指令碼會將訓練資料集的檔案路徑推送到 Redis 資料庫中名為 datasets 的清單。工作負載會使用這個佇列來找出下一個要處理的資料集。

5. 部署服務，讓 Redis 伺服器在 GKE 叢集中可供偵測。

   kubectl apply -f ./kubernetes-manifests/redis-service.yaml
   

執行批次工作負載

到目前為止，您已準備好 GKE 叢集、Redis 工作佇列和檔案共用。現在可以執行批次工作負載。

在本節中，您會使用範例工作負載的容器映像檔，透過批次金融交易資料訓練詐欺偵測模型。訓練流程可摘要如下：

1. Redis 用戶端會在 Redis 佇列中領取工作 (資料集的檔案路徑)，並在完成後將其從佇列中移除。

2. 模型訓練管理程式類別 FraudDetectionModelTrainer 會載入新的一批資料，並視需要載入機器學習模型的儲存狀態。資料集可用來修正模型 (稱為「暖啟動」訓練的程序)。

3. 模型的新狀態，以及批次詳細資料與效能分數的報告，會儲存在 Filestore NFS 磁碟區中，您可以透過 PersistentVolumeClaim 在 GKE 叢集中存取。

如要瞭解詳情，請探索原始碼。

定義工作

以下資訊清單說明批次工作負載映像檔的 Kubernetes 工作。Kubernetes 中的 Job 控制器會建立一或多個 Pod，並確保這些 Pod 成功執行特定工作。

apiVersion: batch/v1
kind: Job
metadata:
  name: workload
spec:
  parallelism: 1
  template:
    metadata:
      name: workload
    spec:
      nodeSelector:
        cloud.google.com/gke-spot: "true"
      containers:
      - name: workload
        image: "us-docker.pkg.dev/google-samples/containers/gke/batch-ml-workload"
        volumeMounts:
        - mountPath: /mnt/fileserver
          name: workload-pvc
      volumes:
      - name: workload-pvc
        persistentVolumeClaim:
          claimName: fileserver-claim
          readOnly: false
      restartPolicy: OnFailure

注意： 如果您設定的工作負載可平行執行批次作業 (例如分類批次圖片、長時間執行資料分析等)，可以增加 parallelism 值，允許這麼多 Pod 同時執行工作，直到滿足完成條件為止。nodeSelector 規格會告知 GKE 使用 Spot Pod。

部署工作負載

1. 部署 Job：

   kubectl apply -f ./kubernetes-manifests/workload.yaml
   

2. 檢查 workload-XXX Pod 的狀態是否為 Completed：

   watch kubectl get pods
   

   這可能需要幾秒鐘的時間。按下 Ctrl+C 即可返回指令列。

   輸出結果會與下列內容相似：

   NAME             READY   STATUS      RESTARTS   AGE
   redis-leader     1/1     Running     0          16m
   workload-4p55d   0/1     Completed   0          83s
   

3. 查看 workload 工作的記錄檔：

   kubectl logs job/workload
   

   輸出結果會與下列內容相似：

   Worker with sessionID: b50f9459-ce7f-4da8-9f84-0ab5c3233a72
   Initial queue state: empty=False
   Processing dataset: datasets/training/2018-04-04.pkl
   Processing dataset: datasets/training/2018-04-03.pkl
   Processing dataset: datasets/training/2018-04-02.pkl
   Processing dataset: datasets/training/2018-04-01.pkl
   Queue empty, exiting
   

   .pkl 檔案是資料集的序列化結果，其中包含一批標示為有效或詐欺的信用卡交易。workload 工作會逐一處理這些檔案，解壓縮資料集並用於訓練機器學習模型，然後再從 Redis 佇列中將其移除。工作負載會繼續分批處理資料，直到 Redis 佇列清空為止，然後成功結束。

探索 NFS 磁碟區

工作負載運作期間會在已掛接的 NFS 磁碟區中建立檔案，叢集中的其他批次工作或線上應用程式都能存取這些檔案。

1. 列出工作負載建立的檔案：

   kubectl exec --stdin --tty redis-leader -- /bin/sh -c "ls -1 /mnt/fileserver/output"
   

   輸出內容應如下所示：

   model_cpt_2018-04-01.pkl
   model_cpt_2018-04-02.pkl
   model_cpt_2018-04-03.pkl
   model_cpt_2018-04-04.pkl
   report.txt
   

   訓練模型的查核點 (如 model_cpt_XXX.pkl 等檔案名稱) 和模型效能報告 (report.txt) 是建立於 NFS 磁碟區的 /mnt/fileserver/output 目錄中。

2. 檢查模型效能報告：

   kubectl exec --stdin --tty redis-leader -- /bin/sh -c "cat /mnt/fileserver/output/report.txt"
   

   以下是輸出內容的片段：

   Report generated on: 2022-02-09 14:19:42.303619
   Training dataset: 2018-04-04.pkl
   Model checkpoint: model_cpt_2018-04-04.pkl
   ---
   Accuracy on training data: 0.9981112277019937
   Accuracy on testing data: 0.9977204434773599
   

   檔案中詳述許多資訊，包括訓練時間、所用資料集、所達到的準確率，以及與訓練有關的模型查核點的檔案名稱。

如要進一步瞭解 NFS 磁碟區，請參閱 Filestore 指南。

清除所用資源

為避免因為本教學課程所用資源，導致系統向 Google Cloud 收取費用，請刪除含有相關資源的專案，或者保留專案但刪除個別資源。

移除個別資源

如要移除為本教學課程建立的個別資源，請執行下列指令。

1. 刪除叢集：

   gcloud container clusters delete batch-aiml \
       --location=us-central1
   

2. 刪除 Filestore 執行個體：

   gcloud filestore instances delete batch-aiml-filestore \
       --zone=us-central1-b
   

刪除專案

警告：刪除專案會造成以下影響：

• 專案中的所有內容都會遭到刪除。如果使用現有專案來進行本文中的任務，刪除專案將一併移除當中已完成的其他任務'。
• 自訂專案 ID 會消失。當您之前建立這個專案時，可能建立了想要在日後使用的自訂專案 ID。如要保留使用該專案 ID 的網址 (例如 appspot.com 網址)，請刪除在該專案中選取的資源，而不是刪除整個專案。

如果打算探索多種架構、教學課程或快速入門導覽課程，重複使用專案可避免超出專案配額限制。

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

後續步驟

• 查看 GKE 說明文件。

• 進一步探索永久磁碟區。

• 進一步瞭解 GKE 中的工作。

• 瞭解如何使用 Spot VM 執行容錯工作負載。

• 探索其他 Kubernetes Engine 教學課程。

• 探索 Google Cloud 的參考架構、圖表和最佳做法。歡迎瀏覽我們的雲端架構中心。