如何在Kubernetes集群中利用GPU进行AI训练

Author: xidianwangtao@gmail.com

注意事项

截止Kubernetes 1.8版本：

对GPU的支持还只是实验阶段，仍停留在Alpha特性，意味着还不建议在生产环境中使用Kubernetes管理和调度GPU资源。
只支持NVIDIA GPUs。
Pods不能共用同一块GPU，即使同一个Pod内不同的Containers之间也不能共用同一块GPU。这是Kubernetes目前对GPU支持最难以接受的一点。因为一块PU价格是很昂贵的，一个训练进程通常是无法完全利用满一块GPU的，这势必会造成GPU资源的浪费。
每个Container请求的GPU数要么为0，要么为正整数，不允许为为分数，也就是说不支持只请求部分GPU。
无视不同型号的GPU计算能力，如果你需要考虑这个，那么可以考虑使用NodeAffinity来干扰调度过程。
只支持docker作为container runtime，才能使用GPU，如果你使用rkt等，那么你可能还要再等等了。

逻辑图

目前，Kubernetes主要负责GPU资源的检测和调度，真正跟NVIDIA Driver通信的还是docker，因此整个逻辑结构图如下：

让kubelet发现GPU资源并可被调度

请确认Kubernetes集群中的GPU服务器已经安装和加载了NVIDIA Drivers，可以使用nvidia-docker-plugin来确认是否已加载Drivers。
- 如何安装，请参考nvidia-docker 2.0 installation。
- 如何确定NVIDIA Drivers Ready呢？执行命令 kubectl get node $GPU_Node_Name -o yaml查看该Node的信息，如果看到.status.capacity.alpha.kubernetes.io/nvidia-gpu: $Gpu_num，则说明kubelet已经成功通过driver识别到了本地的GPU资源。
请确认kube-apiserver, kube-controller-manager, kube-scheduler, kubelet, kube-proxy每个组件的--feature-gatesflag中都包含Accelerators=true(虽然实际上不是每个组件都需要配置这一项，比如kube-proxy)

注意在BIOS里面检查你的UEFI是否开启，如果开启的话请立马关掉它，否则nvidia驱动可能会安装失败。

关注Nvidia k8s-device-plugin

如果你使用的是Kubernetes 1.8,那么也可以利用kubernetes device plugin这一Alpha特性，让第三方device plugin发现和上报资源信息给kubelet，Nividia有对应的plugin，请参考nvidia k8s-device-plugin。nvidia k8s-device-plugin通过DaemonSet方式部署到GPUs Server中，下面是其yaml描述文件内容：

apiVersion: extensions/v1beta1
kind: DaemonSet
metadata:
  name: nvidia-device-plugin-daemonset
spec:
  template:
    metadata:
      labels:
        name: nvidia-device-plugin-ds
    spec:
      containers:
      - image: nvidia-device-plugin:1.0.0
        name: nvidia-device-plugin-ctr
        imagePullPolicy: Never
        env:
          - name: NVIDIA_VISIBLE_DEVICES
            value: ALL
          - name: NVIDIA_DRIVER_CAPABILITIES
            value: utility,compute
        volumeMounts:
          - name: device-plugin
            mountPath: /var/lib/kubelet/device-plugins
      volumes:
        - name: device-plugin
          hostPath:
            path: /var/lib/kubelet/device-plugins

关于Kubernetes Device Plugin，后面有机会我再单独写一篇博文来深入分析。

如何在Pod中使用GPU

不同于cpu和memory，你必须强制显式申明你打算使用的GPU number，通过在container的resources.limits中设置alpha.kubernetes.io/nvidia-gpu为你想要使用的GPU数，通过设置为1就已经足够了，应该没多少训练场景一个worker需要独占几块GPU的。

kind: Pod
apiVersion: v1
metadata:
  name: gpu-pod
spec:
  containers:
  - name: gpu-container-1
    image: gcr.io/google_containers/pause:2.0
    resources:
      limits:
        alpha.kubernetes.io/nvidia-gpu: 1
    volumeMounts:
    - mountPath: /usr/local/nvidia
      name: nvidia
  volumes:
  - hostPath:
    path: /var/lib/nvidia-docker/volumes/nvidia_driver/384.98
    name: nvidia

注意，需要将主机上的nvidia_driver通过hostpath挂载到容器内的/usr/local/nvidia

有些同学或许已经有疑问了：为啥没看到设置resources.requests,直接设置resources.limits?

熟悉Kubernetes中LimitRanger和Resource QoS的同学应该就发现了，这种对GPU resources的设置是属于QoS为Guaranteed，也就是说：

你可以只显式设置limits，不设置requests，那么requests其实就等于limits。
你可以同时显示设置limits和requests，但两者必须值相等。
你不能只显示设置requests，而不设置limits，这种情况属于Burstable。

注意，在Kubernetes 1.8.0 Release版本中，存在一个bug：设置GPU requests小于limits是允许的，具体issue可以参考Issue 1450，代码已经合并到v1.8.0-alpha.3中，请使用时注意。下面是对应的修改代码。

pkg/api/v1/validation/validation.go

func ValidateResourceRequirements(requirements *v1.ResourceRequirements, fldPath *field.Path) field.ErrorList {
	...
		// Check that request <= limit.
		limitQuantity, exists := requirements.Limits[resourceName]
		if exists {
			// For GPUs, not only requests can't exceed limits, they also can't be lower, i.e. must be equal.
			if quantity.Cmp(limitQuantity) != 0 && !v1helper.IsOvercommitAllowed(resourceName) {
				allErrs = append(allErrs, field.Invalid(reqPath, quantity.String(), fmt.Sprintf("must be equal to %s limit", resourceName)))
			} else if quantity.Cmp(limitQuantity) > 0 {
				allErrs = append(allErrs, field.Invalid(reqPath, quantity.String(), fmt.Sprintf("must be less than or equal to %s limit", resourceName)))
			}
		} else if resourceName == v1.ResourceNvidiaGPU {
			allErrs = append(allErrs, field.Invalid(reqPath, quantity.String(), fmt.Sprintf("must be equal to %s request", v1.ResourceNvidiaGPU)))
		}
	}

	return allErrs
}

关于Kubernetes Resource QoS的更多知识，请参考我的另一篇博文：Kubernetes Resource QoS机制解读。

使用NodeAffinity增强GPU调度

前面提到，Kubernetes默认不支持GPU硬件的区别和差异化调度，如果你需要这种效果，可以通过NodeAffinity来实现，或者使用NodeSelector来实现（不过，NodeAffinity能实现NodeSelector，并且强大的多，NodeSelector应该很快会Deprecated。）

首先，给GPU服务器打上对应的Label，你有两种方式：
- 在kubelet启动flag中添加--node-labels='alpha.kubernetes.io/nvidia-gpu-name=$NVIDIA_GPU_NAME'，当然alpha.kubernetes.io/nvidia-gpu-name你可以换成其他你自定义的key，但要注意可读性。这种方式，需要重启kubelet才能生效，属于静态方式。
- 通过rest client修改对应的Node信息，加上对应的Label。比如执行kubectl label node $GPU_Node_Name alpha.kubernetes.io/nvidia-gpu-name=$NVIDIA_GPU_NAME，这是实时生效的，可随时增加删除，属于动态方式。
然后，在需要使用指定GPU硬件的Pod Spec中添加对应的NodeAffinity Type为requiredDuringSchedulingIgnoredDuringExecution的相关内容，参考如下：

kind: pod
apiVersion: v1
metadata:
  annotations:
    scheduler.alpha.kubernetes.io/affinity: >
      {
        "nodeAffinity": {
          "requiredDuringSchedulingIgnoredDuringExecution": {
            "nodeSelectorTerms": [
              {
                "matchExpressions": [
                  {
                    "key": "alpha.kubernetes.io/nvidia-gpu-name",
                    "operator": "In",
                    "values": ["Tesla K80", "Tesla P100"]
                  }
                ]
              }
            ]
          }
        }
      }
spec:
  containers:
  - name: gpu-container-1
    resources:
      limits:
        alpha.kubernetes.io/nvidia-gpu: 1
      volumeMounts:
      - mountPath: /usr/local/nvidia
        name: nvidia
   volumes:
   - hostPath:
   path: /var/lib/nvidia-docker/volumes/nvidia_driver/384.98
   name: nvidia

其中Tesla K80, Tesla P100都是NVIDIA GPU的型号。

使用CUDA Libs

通常，CUDA Libs安装在GPU服务器上，那么使用GPU的Pod可以通过volume type为hostpath的方式使用CUDA Libs。

kind: Pod
apiVersion: v1
metadata:
  name: gpu-pod
spec:
  containers:
  - name: gpu-container-1
    image: gcr.io/google_containers/pause:2.0
    resources:
      limits:
        alpha.kubernetes.io/nvidia-gpu: 1
    volumeMounts:
    - mountPath: /usr/local/nvidia
      name: nvidia
  volumes:
  - hostPath:
    path: /var/lib/nvidia-docker/volumes/nvidia_driver/384.98
    name: nvidia

在TensorFlow中进行GPU训练

参考如何落地TensorFlow on Kubernetes将TensorFlow跑在Kubernetes集群中，并且能创建Distributed TensorFlow集群启动训练。

不同的是，在worker对应的Job yaml中按照上面的介绍:

将docker image换成tensorflow:1.3.0-gpu;
给container加上GPU resources limits, 去掉cpu和memory的相关resources requests设置;
并挂载对应的CUDA libs，然后在训练脚本中就能使用/device:GPU:1, /device:GPU:2, ...进行加速训练了。

由于我现在没有闲置的GPU服务器可以用来做实验（都在线上服役中），所以暂时还没有Demo可以展示，还没有采坑的经验可以分享给大家。

参考及扩展阅读

https://kubernetes.io/docs/tasks/manage-gpus/scheduling-gpus/
https://github.com/NVIDIA/nvidia-docker
https://github.com/NVIDIA/k8s-device-plugin