从0制作自定义镜像用于创建训练作业（tensorflow gpu）-九游平台

场景描述

本示例使用linux x86_64架构的主机，操作系统ubuntu-18.04，通过编写dockerfile文件制作自定义镜像。

目标：构建安装如下软件的容器镜像，并在modelarts平台上使用gpu规格资源运行训练作业。

• ubuntu-18.04
• cuda-11.2
• python-3.7.13
• mlnx ofed-5.4
• tensorflow gpu-2.10.0

操作流程

使用自定义镜像创建训练作业时，需要您熟悉docker软件的使用，并具备一定的开发经验。详细步骤如下所示：

1. 前提条件
2. step1 创建obs桶和文件夹
3. step2 创建数据集并上传至obs
4. step3 准备训练脚本并上传至obs
5. step4 准备镜像主机
6. step5 制作自定义镜像
7. step6 上传镜像至swr服务
8. step7 在modelarts上创建训练作业

前提条件

已注册华为账号并开通华为云，且在使用modelarts前检查账号状态，账号不能处于欠费或冻结状态。

step1 创建obs桶和文件夹

在obs服务中创建桶和文件夹，用于存放样例数据集以及训练代码。需要创建的文件夹列表如表1所示，示例中的桶名称“test-modelarts” 和文件夹名称均为举例，请替换为用户自定义的名称。

创建obs桶和文件夹的操作指导请参见创建桶和新建文件夹。

请确保您使用的obs与modelarts在同一区域。

step2 创建数据集并上传至obs

使用网站，下载“mnist.npz”文件并上传至obs桶的“obs://test-modelarts/tensorflow/data/”文件夹下。

step3 准备训练脚本并上传至obs

准备本案例所需的训练脚本mnist.py，并上传至obs桶的“obs://test-modelarts/tensorflow/code/”文件夹下。

mnist.py文件内容如下：

import argparse
import tensorflow as tf
parser = argparse.argumentparser(description='tensorflow quick start')
parser.add_argument('--data_url', type=str, default="./data", help='path where the dataset is saved')
args = parser.parse_args()
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data(args.data_url)
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.sequential([
  tf.keras.layers.flatten(input_shape=(28, 28)),
  tf.keras.layers.dense(128, activation='relu'),
  tf.keras.layers.dropout(0.2),
  tf.keras.layers.dense(10)
])
loss_fn = tf.keras.losses.sparsecategoricalcrossentropy(from_logits=true)
model.compile(optimizer='adam',
              loss=loss_fn,
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)

step4 准备镜像主机

准备一台linux x86_64架构的主机，操作系统使用ubuntu-18.04。您可以准备相同规格的弹性云服务器ecs或者应用本地已有的主机进行自定义镜像的制作。

购买ecs服务器的具体操作请参考购买并登录linux弹性云服务器。“cpu架构”选择“x86计算”，“镜像”选择“公共镜像”，推荐使用ubuntu18.04的镜像。

step5 制作自定义镜像

目标：构建安装好如下软件的容器镜像，并使用modelarts训练服务运行。

• ubuntu-18.04
• cuda-11.1
• python-3.7.13
• mlnx ofed-5.4
• mindspore gpu-1.8.1

此处介绍如何通过编写dockerfile文件制作自定义镜像的操作步骤。

1. 安装docker。

   以linux x86_64架构的操作系统为例，获取docker安装包。您可以使用以下指令安装docker。关于安装docker的更多指导内容参见。

   curl -fssl get.docker.com -o get-docker.sh
   sh get-docker.sh

   如果docker images命令可以执行成功，表示docker已安装，此步骤可跳过。

2. 确认docker engine版本。执行如下命令。

   docker version | grep -a 1 engine

   命令回显如下。

    engine:
     version:          18.09.0

   

   推荐使用大于等于该版本的docker engine来制作自定义镜像。

3. 准备名为context的文件夹。

   mkdir -p context

4. 准备可用的pip源文件pip.conf。本示例使用华为开源镜像站提供的pip源，其pip.conf文件内容如下。

   [global]
   index-url = https://repo.huaweicloud.com/repository/pypi/simple
   trusted-host = repo.huaweicloud.com
   timeout = 120

   

   在华为开源镜像站https://mirrors.huaweicloud.com/home中，搜索pypi，也可以查看pip.conf文件内容。

5. 下载tensorflow_gpu-2.10.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl文件。

   使用网站https://pypi.org/project/tensorflow-gpu/2.10.0/#files，下载tensorflow_gpu-2.10.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl文件。

6. 下载miniconda3安装文件。

   使用地址https://repo.anaconda.com/miniconda/miniconda3-py37_4.12.0-linux-x86_64.sh，下载miniconda3 py37 4.12.0安装文件（对应python 3.7.13）。

7. 编写容器镜像dockerfile文件。
   在context文件夹内新建名为dockerfile的空文件，并将下述内容写入其中。

   # 容器镜像构建主机需要连通公网
   # 基础容器镜像, https://github.com/nvidia/nvidia-docker/wiki/cuda
   #
   # https://docs.docker.com/develop/develop-images/multistage-build/#use-multi-stage-builds
   # require docker engine >= 17.05
   #
   # builder stage
   from nvidia/cuda:11.2.2-cudnn8-runtime-ubuntu18.04 as builder
   # 基础容器镜像的默认用户已经是 root
   # user root
   # 使用华为开源镜像站提供的 pypi 配置
   run mkdir -p /root/.pip/
   copy pip.conf /root/.pip/pip.conf
   # 复制待安装文件到基础容器镜像中的 /tmp 目录
   copy miniconda3-py37_4.12.0-linux-x86_64.sh /tmp
   copy tensorflow_gpu-2.10.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl /tmp
   # https://conda.io/projects/conda/en/latest/user-guide/install/linux.html#installing-on-linux
   # 安装 miniconda3 到基础容器镜像的 /home/ma-user/miniconda3 目录中
   run bash /tmp/miniconda3-py37_4.12.0-linux-x86_64.sh -b -p /home/ma-user/miniconda3
   # 使用 miniconda3 默认 python 环境 (即 /home/ma-user/miniconda3/bin/pip) 安装 tensorflow whl
   run cd /tmp && \
       /home/ma-user/miniconda3/bin/pip install --no-cache-dir \
       /tmp/tensorflow_gpu-2.10.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
   run cd /tmp && \
       /home/ma-user/miniconda3/bin/pip install --no-cache-dir keras==2.10.0
   # 构建最终容器镜像
   from nvidia/cuda:11.2.2-cudnn8-runtime-ubuntu18.04
   copy mlnx_ofed_linux-5.4-3.5.8.0-ubuntu18.04-x86_64.tgz /tmp
   # 安装 vim / curl / net-tools / mlnx ofed（依然使用华为开源镜像站）
   run cp -a /etc/apt/sources.list /etc/apt/sources.list.bak && \
       sed -i "s@http://.*archive.ubuntu.com@http://repo.huaweicloud.com@g" /etc/apt/sources.list && \
       sed -i "s@http://.*security.ubuntu.com@http://repo.huaweicloud.com@g" /etc/apt/sources.list && \
       echo > /etc/apt/apt.conf.d/00skip-verify-peer.conf "acquire { https::verify-peer false }" && \
       apt-get update && \
       apt-get install -y vim curl net-tools iputils-ping && \
       # mlnx ofed
       apt-get install -y python libfuse2 dpatch libnl-3-dev autoconf libnl-route-3-dev pciutils libnuma1 libpci3 m4 libelf1 debhelper automake graphviz bison lsof kmod libusb-1.0-0 swig libmnl0 autotools-dev flex chrpath libltdl-dev && \
       cd /tmp && \
       tar -xvf mlnx_ofed_linux-5.4-3.5.8.0-ubuntu18.04-x86_64.tgz && \
       mlnx_ofed_linux-5.4-3.5.8.0-ubuntu18.04-x86_64/mlnxofedinstall --user-space-only --basic --without-fw-update -q && \
       cd - && \
       rm -rf /tmp/* && \
       apt-get clean && \
       mv /etc/apt/sources.list.bak /etc/apt/sources.list && \
       rm /etc/apt/apt.conf.d/00skip-verify-peer.conf
   # 增加 ma-user 用户 (uid = 1000, gid = 100)
   # 注意到基础容器镜像已存在 gid = 100 的组，因此 ma-user 用户可直接使用
   run useradd -m -d /home/ma-user -s /bin/bash -g 100 -u 1000 ma-user
   # 从上述 builder stage 中复制 /home/ma-user/miniconda3 目录到当前容器镜像的同名目录
   copy --chown=ma-user:100 --from=builder /home/ma-user/miniconda3 /home/ma-user/miniconda3
   # 设置容器镜像默认用户与工作目录
   user ma-user
   workdir /home/ma-user
   # 设置容器镜像预置环境变量
   # 请务必设置 pythonunbuffered=1, 以免日志丢失
   env path=/home/ma-user/miniconda3/bin:$path \
       ld_library_path=/usr/local/cuda/lib64:/usr/lib/x86_64-linux-gnu:$ld_library_path \
       pythonunbuffered=1

   关于dockerfile文件编写的更多指导内容参见。

8. 下载mlnx_ofed_linux-5.4-3.5.8.0-ubuntu18.04-x86_64.tgz。

   进入，单击“download”，“version”选择“5.4-3.5.8.0-lts”，“osdistributionversion”选择“ubuntu 18.04”，“architecture”选择“x86_64”，下载mlnx_ofed_linux-5.4-3.5.8.0-ubuntu18.04-x86_64.tgz。

9. 将上述dockerfile文件、 miniconda3 安装文件等放置在context文件夹内，context文件夹内容如下。

   context
   ├── dockerfile
   ├── mlnx_ofed_linux-5.4-3.5.8.0-ubuntu18.04-x86_64.tgz
   ├── miniconda3-py37_4.12.0-linux-x86_64.sh
   ├── pip.conf
   └── tensorflow_gpu-2.10.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl

10. 构建容器镜像。在dockerfile文件所在的目录执行如下命令构建容器镜像tensorflow:2.10.0-ofed-cuda11.2。

    1	dockerbuild.-ttensorflow:2.10.0-ofed-cuda11.2

    构建过程结束时出现如下构建日志说明镜像构建成功。

    successfully tagged tensorflow:2.10.0-ofed-cuda11.2

step6 上传镜像至swr服务

1. 登录容器镜像服务控制台，选择区域，要和modelarts区域保持一致，否则无法选择到镜像。
2. 单击右上角“创建组织”，输入组织名称完成组织创建。请自定义组织名称，本示例使用“deep-learning”，下面的命令中涉及到组织名称“deep-learning”也请替换为自定义的值。
3. 单击右上角“登录指令”，获取登录访问指令，本文选择复制临时登录指令。
4. 以root用户登录本地环境，输入复制的swr临时登录指令。
5. 上传镜像至容器镜像服务镜像仓库。
   1. 使用docker tag命令给上传镜像打标签。

      #region和domain信息请替换为实际值，组织名称deep-learning也请替换为自定义的值。
      sudo docker tag tensorflow:2.10.0-ofed-cuda11.2 swr.{region-id}.{domain}/deep-learning/tensorflow:2.10.0-ofed-cuda11.2
      #此处以华为云cn-north-4为例
      sudo docker tag tensorflow:2.10.0-ofed-cuda11.2 swr.cn-north-4.myhuaweicloud.com/deep-learning/tensorflow:2.10.0-ofed-cuda11.2

   2. 使用docker push命令上传镜像。

      #region和domain信息请替换为实际值，组织名称deep-learning也请替换为自定义的值。
      sudo docker push swr.{region-id}.{domain}/deep-learning/tensorflow:2.10.0-ofed-cuda11.2
      #此处以华为云cn-north-4为例
      sudo docker push swr.cn-north-4.myhuaweicloud.com/deep-learning/tensorflow:2.10.0-ofed-cuda11.2

6. 完成镜像上传后，在“容器镜像服务控制台>我的镜像”页面可查看已上传的自定义镜像。

   “swr.cn-north-4.myhuaweicloud.com/deep-learning/tensorflow:2.10.0-ofed-cuda11.2”即为此自定义镜像的“swr_url”。

step7 在modelarts上创建训练作业

1. 登录modelarts管理控制台，检查当前账号是否已完成访问授权的配置。如未完成，请参考快速配置modelarts委托授权。针对之前使用访问密钥授权的用户，建议清空授权，然后使用委托进行授权。
2. 在左侧导航栏中选择“模型训练 > 训练作业”，默认进入“训练作业”列表。
3. 在“创建训练作业”页面，填写相关参数信息，然后单击“下一步”。
   • 创建方式：选择“自定义算法”。
   • 镜像来源：选择“自定义”。
   • 镜像地址：step5 制作自定义镜像中创建的镜像。“swr.cn-north-4.myhuaweicloud.com/deep-learning/tensorflow:2.10.0-ofed-cuda11.2”。
   • 代码目录：设置为obs中存放启动脚本文件的目录，例如：“obs://test-modelarts/tensorflow/code/”，训练代码会被自动下载至训练容器的“${ma_job_dir}/code”目录中，“code”为obs存放代码路径的最后一级目录，可以根据实际修改。
   • 启动命令：“python ${ma_job_dir}/code/mnist.py” ，此处的“code”为用户自定义的obs存放代码路径的最后一级目录，可以根据实际修改。
   • 训练输入：单击“增加训练输入”，参数名称设置为“data_path”，选择obs中存放“mnist.npz”的目录，例如“obs://test-modelarts/tensorflow/data/mnist.npz”，获取方式设置为“超参”。
   • 资源池：选择公共资源池。
   • 资源类型：选择gpu规格。
   • 计算节点个数：1个。
   • 永久保存日志：打开。
   • 作业日志路径：设置为obs中存放训练日志的路径。例如：“obs://test-modelarts/mindspore-gpu/log/”。
4. 在“规格确认”页面，确认训练作业的参数信息，确认无误后单击“提交”。
5. 训练作业创建完成后，后台将自动完成容器镜像下载、代码目录下载、执行启动命令等动作。

   训练作业一般需要运行一段时间，根据您的训练业务逻辑和选择的资源不同，训练时长将持续几十分钟到几小时不等。训练作业执行成功后，日志信息如下所示。

   图1 gpu规格运行日志信息