0691-1.4.0-GPU环境下CDSW运行TensorFlow案例

Fayson的github： https://github.com/fayson/cdhproject

推荐关注微信公众号：“Hadoop实操”，ID：gh_c4c535955d0f

1 文档编写目的

介绍如何在CDSW中安装集成CUDA9.2版本的tensorflow模块，以及在GPU环境下运行tensorflow案例。代码参考上一篇文章《0690-TensorFlow之车牌识别案例》，CDSW的GPU的支持与CUDA编译参考之前的文章《如何在CDSW中使用GPU运行深度学习》和《0490-如何为GPU环境编译CUDA9.2的TensorFlow1.8与1.12》。

2 CDSW配置

要在cdsw中运用GPU，首先需要将GPU资源交给CDSW管理

要在cdsw中运用GPU，首先需要将GPU资源交给CDSW管理

1. 打开Cloudera Manager中CDSW的配置

搜索gpu，设置以下属性：

NVIDIA_GPU_ENABLE：设为TRUE，开启CDSW对GPU的支持。

NVIDIA_LIBRARY_PATH：NVIDIA驱动程序库的完整路径。

2. 重启CDSW

3. 查看CDSW的UI界面

可以看到CDSW已经可以使用GPU资源

（上图中使用0GPU2G内存2GPU开启了一个SESSION）

3 定制镜像

创建一个工程之后，在容器内安装自编译的tensorflow模块时，会遇到无法安装一些依赖的问题：

因此，需要定制镜像。

1. 登录CDSW平台查看使用的基础镜像名称

点击“Admin”

点击“engine”，查看基础镜像名称

上图标注部分即为CDSW的基础镜像（docker.repository.cloudera/cdsw/engine:5）由Docker的Repository和Tag组成。

2. 命令行查看CDSW基础镜像：

sudo docker images

3. 使用下面命令启动容器

sudo docker run -it --network='host' docker.repository.cloudera.com/cdsw/engine:5 /bin/bash

4. 安装模块

将tensorflow安装包及相关依赖包从宿主机中拉取到容器内：

scp -r root@ip:/root/tensorflow-1.8.0 .

查看tensorflow-1.8.0中的内容如下，包含tensorflow模块安装包及相关依赖包，以及案例中需要用到的image模块。

各依赖包的安装顺序，已经整理在了两个脚本之中，如上图中的install_tensorflow_1_8.sh以及install_image.sh中，直接运行这两个脚本即可。

sh install_tensorflow_1_8.sh
sh install_image.sh

脚本如下：

install_tensorflow_1.8.sh:

#!/bin/bash
yum -y install python-pip
rpm -ivh ./python-wheel-0.24.0-2.el7.noarch.rpm
cd html5lib-0.9999999
python setup.py install
cd ../termcolor-1.1.0
python setup.py install
cd ../gast-0.2.0
python setup.py install
cd ../
pip install pbr-5.1.1-py2.py3-none-any.whl
pip install Werkzeug-0.14.1-py2.py3-none-any.whl
pip install astor-0.7.1-py2.py3-none-any.whl
pip install enum34-1.1.6-py2-none-any.whl
cd absl-py-0.6.1
python setup.py install
cd ../
pip install backports.weakref-1.0.post1-py2.py3-none-any.whl
pip install bleach-1.5.0-py2.py3-none-any.whl
pip install funcsigs-1.0.2-py2.py3-none-any.whl
pip install futures-3.2.0-py2-none-any.whl
pip install grpcio-1.17.1-cp27-cp27mu-manylinux1_x86_64.whl
pip install Markdown-3.0.1-py2.py3-none-any.whl
pip install mock-2.0.0-py2.py3-none-any.whl
pip install numpy-1.15.4-cp27-cp27mu-manylinux1_x86_64.whl
pip install protobuf-3.6.1-cp27-cp27mu-manylinux1_x86_64.whl
pip install six-1.12.0-py2.py3-none-any.whl
pip install tensorboard-1.8.0-py2-none-any.whl
pip install tensorflow-1.8.0-cp27-none-linux_x86_64.whl

install_image.sh

#!/bin/bash
pip install Pillow-5.4.1-cp27-cp27mu-manylinux1_x86_64.whl
pip install pytz-2018.9-py2.py3-none-any.whl
pip install Django-1.11.18-py2.py3-none-any.whl
pip install image-1.5.27-py2.py3-none-any.whl

5. 导入驱动依赖库

GPU版的tensorflow在使用时需要导入驱动相关的依赖包，比如libcuda.so.1,libcusovel.so.9.2等，因此，需要将宿主机中相关的库拉取到容器当中，拉取的依赖有两个，一是/usr/local/cuda9.2/lib64,二是/usr/lib64/nvidia

先拉取/usr/local/cuda9.2

scp -r root@ip:/usr/local/cuda9.2  /usr/local

当CDSW启动容器时，容器中的LD_LIBRARY_PATH默认包含/usr/local/cuda/lib64，因此，此处做一个软连接：

ln -s /usr/local/cuda9.2  /usr/local/cuda

再将/usr/lib64/nvidia下的文件全部拉取也放在/usr/local/cuda/lib64下

scp -r root@ip:/usr/lib64/nvidia/*  /usr/local/cuda/lib64/

6. 保存镜像

此时不要退出上述打开的镜像，再开一个连接窗口，连接到宿主机，使用下面命令查看：

docker ps | more

记住这个container ID

再使用下面命令保存容器为新的镜像：

docker commit containerId repository:tag

至此，镜像已经定制完成，可在CDSW使用该镜像来启动容器了。

4 配置定制镜像

1. 登录CDSW平台，点击“Admin”

点击“engine”，在下图中位置添加定制的镜像

5 验证镜像

1. 打开一个session
   
   点击“configure”,选择自定制的镜像：

返回上一步，选择python2,以及资源中加选2GPU。

点击“launce Session”，启动session。

2. 上传案例代码及数据集。

3. 在交互窗口使用下面命令运行案例

!python train-license-province.py train

可以看到，正常训练完成

使用下方的命令进行预测：

!python train-license-province.py predict

从上述结果可以看出，可以正常运行，并且已正常识别出GPU，从下面的GPU使用率中，可以看到tensorflow调用了GPU进行运算：

训练城市代号：

!python train-license-letters.py train

预测城市：

!python train-license-letters.py predict

训练车牌编号：

!python train-license-digits.py train

预测车牌编号：

!python train-license-digits.py predict

从上述预测结果来看，预测准确。