如何在Kubernetes上玩转TensorFlow

Tensorflow作为深度学习领域逐渐成熟的项目，以其支持多种开发语言，支持多种异构平台，提供强大的算法模型，被越来越多的开发者使用。但在使用的过程中，尤其是GPU集群的时候，我们或多或少将面临以下问题：资源隔离。Tensorflow（以下简称tf）中并没有租户的概念，何如在集群中建立租户的概念，做到资源的有效隔离成为比较重要的问题；缺乏GPU调度。

接下来将对三个模块进行重点介绍。在容器中执行任务的时候，我们可以通过三种方式获取执行任务的代码和训练需要的数据：将代码和数据做成新的镜像；将代码和数据通过卷的形式挂载到容器中；从存储系统中获取代码和数据；前两种方式不太适合用户经常修改代码的场景，最后一种场景可以解决修改代码的问题，但是它也有下拉代码和数据需要时间的缺点。综合考虑后，我们采取第三种方式。

最后打包成cifar10-multigpu.tar.gz并上传到s3后，就可以提交任务。在提交任务的时候，需要指定提前预估一下执行任务需要的配额：cpu核数、内存大小以及gpu个数（默认不提供），当然也可以按照我们提供的初始配额来调度任务。比如，按照下面格式来将配额信息、s3地址信息以及执行模式填好后，执行send_task.py我们就可以提交一次任务。

对于单机模式，task模块的任务比较简单，直接调用python的client接口启动container。container里面主要做了两件事情，initcontainer负责从s3中下载事先上传好的文件，container负责启动tf任务，最后将日志和模型文件上传到s3里，完成一次tf单机任务。对于分布式模式，情况要稍微复杂些。下面先简单介绍一下tensforlow分布式框架。

我们在执行分布式任务的时候，需要指定clusterspec信息，如下面的任务，执行该任务需要一个ps和两个worker，我们先需要手动配置ps和worker，才能开始任务。这样必然会带来麻烦。如何解决clusterspec，成为了一个必须要解决的问题。

所以在提交分布式任务的时候，task需要autospec模块的帮助，收集container的ip后，才能真正启动任务。