前言

NVIDIA GPU 可以大大加快 Deep Learning 任务的运行速度；同时，GPU资源又是十分昂贵的，需要尽可能提高 GPU 资源的利用率。为了解决上述问题，我们利用 Mesos 将 GPU 资源汇聚成资源池来实现资源共享，并借用 Docker 交付深度学习的 runtime 环境，很好的解决了上述问题。该平台是基于清华大学的真实需求搭建的，从6月份开始已经为清华大学的师生提供服务。

本文首先介绍了深度学习平台用到的工具如 CUDA，Caffe，Mesos，Docker 等；接着解释了整个平台的架构；然后给出了平台搭建需要解决的关键性问题及应对策略；最后罗列了未来需要克服的关键性问题。另外，由于 GPU+Docker 还没有通用的标准，在实际操作中，我们使用了一些 Tricky 的做法。

在介绍深度学习平台的工具之前，我们再详细阐述下用户需求。用户本质要解决两个问题：

用户会频繁的批量部署深度学习环境，并在使用完后及时销毁环境以释放资源。遇到的难题是深度学习环境的软件包安装繁琐。

深度学习环境用到的GPU资源宝贵，用户需要GPU资源共享。

深度学习平台工具

CUDA：CUDA 是NVIDIA 开发的一个平行计算平台和编程模型。它利用GPU来提高计算性能。CUDA 运行于NVIDIA的GPU硬件之上。

Caffe：Caffe 是BVLC 开发的一个深度学习框架。在GPU mode下，Caffe 通过 CUDA 调用GPU资源。

TensorFlow: TensorFlow 是谷歌开源的一个利用数据流图进行数据运算的软件库，在 GPU mode 下，TensorFlow 也依赖于 CUDA 来使用 GPU 资源。

jupyter：jupyter 是一个进行交互式数据处理，及结果可视化的Web应用，其前身是 Python Notebook。 是数据科学家常用的工具之一。

Docker：Docker 是一种轻量的虚拟化技术，在保证基本的环境隔离前提下，它几乎可以达到裸机的性能。

Apache Mesos：Mesos 是一个分布式系统内核，它参考了Linux kernel 原理，在数据中心层对资源进行了抽象。

平台架构

这里从节点内部和集群两层介绍平台的架构。

在节点内部，我们利用nvidia-docker ( https://github.com/NVIDIA/nvidia-docker ) 来帮助容器内部的程序调用外面主机上的CUDA driver。如下图一所示，CUDA Driver 及GPU Driver安装在外部Host 上；CUDA Toolkit、其它深度学习组件及用户应用程序运行在Docker 容器中。这样既能快速配置环境，又保证了HOST不受用户应用程序污染。我会在下一章节介绍具体的设置过程。

图一 来源https://github.com/NVIDIA/nvidia-docker/wiki

在整个集群层面，利用Mesos将资源池化，用户可通过Marathon统一入口部署自己的深度学习Docker Package。如下图二所示，集群包括3个Mesos 管理(Master)节点和多个工作(slave)节点，任务分发到slave后，slave通过 executor 与 Docker daemon 通信，Docker daemon 按需从内部镜像仓库拉取并加载Docker image。对应到真实应用场景，带有深度学习依赖组件的 Docker image 将被pull&run，用户可以通过ssh或者jupyter的web入口与组件进行交互。

图二 来源https://mesosphere.com/blog/2013/09/26/docker-on-mesos/

这个方案与nvidia&mesosphere合作推出的方案http://www.nvidia.com/object/apache-mesos.html 不同，后面章节会介绍差异。

基础环境设置

节点设置

第一批机器，我们选用了 CentOS7.2 操作系统和 NVIDIA Tesla K20c 的显卡。具体的设置过程如下：

安装好显卡并 reboot 机器，然后在终端输入命令

lspci | grep –i nvidia

如果显卡安装成功，则可以获得如下类似输出。

84:00.0 3D controller: NVIDIA Corporation GK110GL [Tesla K20c] (rev a1)

安装显卡驱动, 可以在NVIDIA官方网站http://www.nvidia.com/Download/index.aspx?lang=en-us 找到相应的显卡驱动，下载并安装。这里需要注意的是，许多的Linux发行版已经预装了一个开源的video driver—Nouveau，而这个driver是与Nvidia driver冲突的，需要参考http://www.dedoimedo.com/computers/centos-7-nvidia.html或

http://www.allaboutlinux.eu/remove-nouveau-and-install-nvidia-driver-in-ubuntu-15-04/ 来禁掉Nouveau，然后才能成功安装Nvidia Driver。

如果 driver 安装成功，可以通过命令 nvidia-smi 获取如下截图三的输出

图三

安装 CUDA，在http://docs.nvidia.com/cuda/cuda-getting-started-guide-for-linux/下载CUDA安装包，CUDA的安装包比较大，依赖也非常多，以及一些必不可少的环境变量设置，这一步需要费些时间。我们在实际环境中安装了CUDA7.5，目前NVIDIA已经发布了CUDA8.0 。安装完成后，尤其需要查看 /dev/nvidia* 是否存在，一般来说，至少 /dev/nvidiactl, /dev/nvidia-uvm 和 /dev/nvidia0 是应该有的，如有缺失，可以使用该链接http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#runfile-verifications 提供的脚本来创建缺失的文件。

验证CUDA安装成功。安装完毕后，可以通过CUDA安装包自带的sample进行验证，譬如：

cd /usr/local/cuda-7.5/samples/1_Utilities/deviceQuery

make

./deviceQuery

应该可以得到如下截图四中的内容。

图四

安装 nvidia-docker，nvidia-docker 是 NVIDIA 官方为了让 NVIDIA GPU 与 Docker 容器兼容而封装的 Docker Cli – nvidia-docker。可以在https://github.com/NVIDIA/nvidia-docker/wiki#quick-start找到nvidia-docker 相应的 Ubuntu，CentOS 和 二进制安装包。对于 CentOS 来说，大致步骤如下：

# Install nvidia-docker and nvidia-docker-plugin

wget –P /tmp https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.0-rc.3/nvidia-docker-1.0.0.rc.3-1.x86_64.rpm

sudo rpm -i /tmp/nvidia-docker*.rpm && rm /tmp/nvidia-docker*.rpm

sudo systemctl start nvidia-docker

# Test nvidia-smi

nvidia-docker run --rm nvidia/cuda:7.5 nvidia-smi

如果设置正常，会得到与第3步截图同样的内容。

为了环境一致性，需要绕过 nvidia-docker 直接使用原生的 Docker 命令：

docker run `curl -s http://localhost:3476/docker/cli` --rm nvidia/cuda:7.5 nvidia-smi

或者：

docker run --volume-driver=nvidia-docker --volume=nvidia_driver_352.39:/usr/local/nvidia:ro --device=/dev/nvidiactl --device=/dev/nvidia-uvm --device=/dev/nvidia0 --rm nvidia/cuda:7.5 nvidia-smi

这里参考了 https://github.com/NVIDIA/nvidia-docker/wiki/Internals#enabling-gpu-support-in-your-application 。

集群设置

真实环境中，我们为用户部署了企业版数人云，有些技术细节不便展开。但只使用开源的 Apache Mesos 组件丝毫不会影响集群核心功能的使用。在网络上已经有很多 Apache Mesos，Marathon 和 Docker 安装配置的文章，这里不再花费篇幅介绍。最终我们应该可以得到一个workable的 Mesos 集群环境。

两个深度学习的Docker镜像

应用户要求，在https://github.com/NVIDIA/nvidia-docker 的 CUDA docker image基础之上，我又制作了两个包含更多深度学习组件的 Docker 镜像 2breakfast/caffe-sshd:0.14 和2breakfast/deeplearning:allinone ， 你可以在 https://hub.docker.com/r/2breakfast/caffe-sshd/ 和 https://hub.docker.com/r/2breakfast/deeplearning/ 找到相应的 docker image 及 Dockerfile 链接。

2breakfast/caffe-sshd:0.14

包含 caffe，sshd 服务。用户可以ssh到相应的docker容器里面使用caffe。可以直接通过命令来测试该image：

docker run --volume-driver=nvidia-docker --volume=nvidia_driver_352.39:/usr/local/nvidia:ro --device=/dev/nvidiactl --device=/dev/nvidia-uvm --device=/dev/nvidia0 --rm 2breakfast/caffe-sshd:0.14 caffe device_query -gpu all

如果运行正常，可以大致得到如下结果：

2breakfast/deeplearning:allinone

除上述 caffe，sshd 之外，又打包了 Tensorflow, theano, jupyter 等。

通过Marathon发布2breakfast/deeplearning:allinone

下面是获取相应 json 文件并在Marathon 上进行部署的命令。

wget https://raw.githubusercontent.com/vitan/deeplearning-dockerfile/master/deploy-deeplearning.json

curl -k -XPOST -d @deploy-deeplearning.json -H "Content-Type: application/json" http://MARATHON_IP_ADDRESS:8080/v2/apps

部署成功后，可以通过 marathon ui 给出的访问地址，ssh 登录到容器内部来使用深度学习组件。譬如:

ssh –p 13452 root@10.1.0.170

密码：password ，即可访问。目前容器的默认ssh account：root ， password：password 。

另外，jupyter web服务并不是默认启动，需要用户手动启动它。

小结：遗留问题

用户数据存储及隔离

在运行深度学习算法时，不可避免需要操纵数据。目前的方案是：主机目录 /mnt/data 映射到了容器目录 /mnt/data ，用户需要将持久化保持的数据放到该目录的某个文件下。而主机目录 /mnt/data 是个 nfs 目录，集群节点通过nfs将 /mnt/data 中的数据汇聚到了同一台 server，该 server 上的相应目录是一个 ceph block。

该方案最大的问题是 /mnt/data 目录里面的文件没有隔离，只能要求用户建立各自的 home 目录来放置自己的文件。未来计划通过 LDAP 账户集成，将数人云企业版账户和ceph目录上的account 打通，在 ceph 上为不同的 LDAP 账户建立不同的 home 目录并设置相应读写权限，实现隔离。

3476 端口占用

nvidia-docker 会启动一个 web 服务并占用每个节点的端口3476，这就需要集群保留端口3476资源。在我们的场景中，直接使用 localhost:3476获取信息 , 未来考虑将其设置为 unix://**nvidia-docker.sock。

让 Mesos 像管理 CPU 资源一样来管理 GPU 资源

Mesos在1.0版本https://github.com/apache/mesos/blob/master/docs/gpu-support.md 实现了对GPU资源的管理。其参考了nvidia-docker 的做法，将许多设置内置到了mesos中，未来考虑enable这部分功能以简化配置。

作者简介  周伟涛

数人云首席架构师，曾就职于开源解决方案供应商 Red Hat， 红帽认证工程师， Mesos contributor，高级 Python 开发工程师。 是国内较早一批接触使用Docker，Mesos，Swarm 等技术的开发者。