Press "Enter" to skip to content

15分钟连接Jetson Nano与K8S，轻松搭建机器学习集群

2021年4月21日

在本文中我将展示如何将Jetson Nano开发板连接到Kubernetes集群以作为一个GPU节点。我将介绍使用GPU运行容器所需的NVIDIA docker设置，以及将Jetson连接到Kubernetes集群。在成功将节点连接到集群后，我还将展示如何在Jetson Nano上使用GPU运行简单的TensorFlow 2训练会话。

 

K3s还是K8s？

 

K3s是一个轻量级Kubernetes发行版，其大小不超过100MB。在我看来，它是单板计算机的理想选择，因为它所需的资源明显减少。你可以查看我们的往期文章，了解更多关于K3s的教程和生态。在K3s生态中，有一款不得不提的开源工具K3sup，这是由Alex Ellis开发的，用于简化K3s集群安装。你可以访问Github了解这款工具：

 

https://github.com/alexellis/k3sup

 

我们需要准备什幺？

一个K3s集群——只需要一个正确配置的主节点即可
NVIDIA Jetson Nano开发板，并安装好开发者套件

如果你想了解如何在开发板上安装开发者套件，你可以查看以下文档：

 

https://developer.nvidia.com/e … write

K3sup
15分钟的时间

计划步骤

 

 

    1. 设置NVIDIA docker

 

    1. 添加Jetson Nano到K3s集群

 

    1. 运行一个简单的MNIST例子来展示Kubernetes pod内GPU的使用

 

 

设置NVIDIA docker

 

在我们配置Docker以使用nvidia-docker作为默认的运行时之前，我需要先解释一下为什幺要这样做。默认情况下，当用户在Jetson Nano上运行容器时，运行方式与其他硬件设备相同，你不能从容器中访问GPU，至少在没有黑客攻击的情况下不能。如果你想自己测试一下，你可以运行以下命令，应该会看到类似的结果：

 

1. [email protected]:~# echo "python3 -c 'import tensorflow'" | docker run -i
    icetekio/jetson-nano-tensorflow /bin/bash
 2. 2020-05-14 00:10:23.370761: W
    tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could
    not load dynamic library 'libcudart.so.10.2'; dlerror:
    libcudart.so.10.2: cannot open shared object file: No such file or
    directory; LD_LIBRARY_PATH:
    /usr/local/cuda-10.2/targets/aarch64-linux/lib:
 3. 2020-05-14 00:10:23.370859: I
    tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above
    cudart dlerror if you do not have a GPU set up on your machine.
 4. 2020-05-14 00:10:25.946896: W
    tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could
    not load dynamic library 'libnvinfer.so.7'; dlerror:
    libnvinfer.so.7: cannot open shared object file: No such file or
    directory; LD_LIBRARY_PATH:
    /usr/local/cuda-10.2/targets/aarch64-linux/lib:
 5. 2020-05-14 00:10:25.947219: W
    tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could
    not load dynamic library 'libnvinfer_plugin.so.7'; dlerror:
    libnvinfer_plugin.so.7: cannot open shared object file: No such file
    or directory; LD_LIBRARY_PATH:
    /usr/local/cuda-10.2/targets/aarch64-linux/lib:
 6. 2020-05-14 00:10:25.947273: W
    tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:30] Cannot dlopen
    some TensorRT libraries. If you would like to use Nvidia GPU with
    TensorRT, please make sure the missing libraries mentioned above are
    installed properly.
 7. /usr/lib/python3/dist-packages/h5py/__init__.py:36: FutureWarning:
    Conversion of the second argument of issubdtype from `float` to
    `np.floating` is deprecated. In future, it will be treated as
    `np.float64 == np.dtype(float).type`.
 8. from ._conv import register_converters as _register_converters

 

如果你现在尝试运行相同的命令，但在docker命令中添 –runtime=nvidia
参数，你应该看到类似以下的内容：

 

1. [email protected]:~# echo "python3 -c 'import tensorflow'" | docker run
    --runtime=nvidia -i icetekio/jetson-nano-tensorflow /bin/bash
 2. 2020-05-14 00:12:16.767624: I
    tensorflow/stream_executor/platform/default/dso_loader.cc:48]
    Successfully opened dynamic library libcudart.so.10.2
 3. 2020-05-14 00:12:19.386354: I
    tensorflow/stream_executor/platform/default/dso_loader.cc:48]
    Successfully opened dynamic library libnvinfer.so.7
 4. 2020-05-14 00:12:19.388700: I
    tensorflow/stream_executor/platform/default/dso_loader.cc:48]
    Successfully opened dynamic library libnvinfer_plugin.so.7
 5. /usr/lib/python3/dist-packages/h5py/__init__.py:36: FutureWarning:
    Conversion of the second argument of issubdtype from `float` to
    `np.floating` is deprecated. In future, it will be treated as
    `np.float64 == np.dtype(float).type`.
 6. from ._conv import register_converters as _register_converters

 

nvidia-docker已经配置完成，但是默认情况下并没有启用。要启用docker运行nvidia-docker运行时作为默认值，需要将 “default-runtime”:”nvidia”
添加到/etc/docker/daemon.json配置文件中，如下所示：

 

{
    "runtimes": {
        "nvidia": {
            "path": "nvidia-container-runtime",
            "runtimeArgs": []
        }
    },
    "default-runtime": "nvidia"
}

 

现在你可以跳过docker run命令中 –runtime=nvidia
参数，GPU将被默认初始化。这样K3s就会用nvidia-docker运行时来使用Docker，让Pod不需要任何特殊配置就能使用GPU。

 

将Jetson作为K8S节点连接

 

使用K3sup将Jetson作为Kubernetes节点连接只需要1个命令，然而要想成功连接Jetson和master节点，我们需要能够在没有密码的情况下同时连接到Jetson和master节点，并且在没有密码的情况下做sudo，或者以root用户的身份连接。

 

如果你需要生成SSH 密钥并复制它们，你需要运行以下命令：

 

1. ssh-keygen -t rsa -b 4096 -f ~/.ssh/rpi -P ""
 2. ssh-copy-id -i .ssh/rpi [email protected]

 

默认情况下，Ubuntu安装要求用户在使用sudo命令时输入密码，因此，更简单的方法是用root账户来使用K3sup。要使这个方法有效，需要将你的 ~/.ssh/authorized_keys
复制到 /root/.ssh/
目录下。

 

在连接Jetson之前，我们查看一下想要连接到的集群：

 

1. [email protected]:~$ kubectl get node -o wide
 2. NAME      STATUS   ROLES    AGE   VERSION        INTERNAL-IP   
    EXTERNAL-IP   OS-IMAGE             KERNEL-VERSION     
    CONTAINER-RUNTIME
 3. nexus     Ready    master   32d   v1.17.2+k3s1   192.168.0.12  
    <none>        Ubuntu 18.04.4 LTS   4.15.0-96-generic  
    containerd://1.3.3-k3s1
 4. rpi3-32   Ready    <none>   32d   v1.17.2+k3s1   192.168.0.30  
    <none>        Ubuntu 18.04.4 LTS   5.3.0-1022-raspi2  
    containerd://1.3.3-k3s1
 5. rpi3-64   Ready    <none>   32d   v1.17.2+k3s1   192.168.0.32  
    <none>        Ubuntu 18.04.4 LTS   5.3.0-1022-raspi2  
    containerd://1.3.3-k3s1

 

你可能会注意到，master节点是一台IP为 192.168.0.12
的 nexus
主机，它正在运行containerd。默认状态下，k3s会将containerd作为运行时，但这是可以修改的。由于我们设置了nvidia-docker与docker一起运行，我们需要修改containerd。无需担心，将containerd修改为Docker我们仅需传递一个额外的参数到k3sup命令即可。所以，运行以下命令即可连接Jetson到集群：

 

1. k3sup join --ssh-key ~/.ssh/rpi  --server-ip 192.168.0.12  --ip
    192.168.0.40   --k3s-extra-args '--docker'

 

IP 192.168.0.40
是我的Jetson Nano。正如你所看到的，我们传递了 –k3s-extra-args’–docker’
标志，在安装k3s agent 时，将 –docker
标志传递给它。多亏如此，我们使用的是nvidia-docker设置的docker，而不是containerd。

 

要检查节点是否正确连接，我们可以运行 kubectl get node -o wide：

 

1. [email protected]:~$ kubectl get node -o wide
 2. NAME      STATUS   ROLES    AGE   VERSION        INTERNAL-IP   
    EXTERNAL-IP   OS-IMAGE             KERNEL-VERSION     
    CONTAINER-RUNTIME
 3. nexus     Ready    master   32d   v1.17.2+k3s1   192.168.0.12  
    <none>        Ubuntu 18.04.4 LTS   4.15.0-96-generic  
    containerd://1.3.3-k3s1
 4. rpi3-32   Ready    <none>   32d   v1.17.2+k3s1   192.168.0.30  
    <none>        Ubuntu 18.04.4 LTS   5.3.0-1022-raspi2  
    containerd://1.3.3-k3s1
 5. rpi3-64   Ready    <none>   32d   v1.17.2+k3s1   192.168.0.32  
    <none>        Ubuntu 18.04.4 LTS   5.3.0-1022-raspi2  
    containerd://1.3.3-k3s1
 6. jetson    Ready    <none>   11s   v1.17.2+k3s1   192.168.0.40  
    <none>        Ubuntu 18.04.4 LTS   4.9.140-tegra      
    docker://19.3.6

 

简易验证

 

我们现在可以使用相同的docker镜像和命令来运行pod，以检查是否会有与本文开头在Jetson Nano上运行docker相同的结果。要做到这一点，我们可以应用这个pod规范：

 

{{{ 1. apiVersion: v1

 

2. kind: Pod

 

3. metadata:

 

 

    1. name: gpu-test

 

    1. spec:

 

    1. nodeSelector:

 

    1. kubernetes.io/hostname: jetson

 

    1. containers:

 

    1. image: icetekio/jetson-nano-tensorflow

 

    1. name: gpu-test

 

    1. command:

 

    1. “/bin/bash”

 

    1. –

 

    1. “-c”

 

    1. –

 

    1. “echo ‘import tensorflow’ | python3”

 

    1. restartPolicy: Never}}}

 

 

等待docker镜像拉取，然后通过运行以下命令查看日志：

 

{{{1. [email protected]:~$ kubectl logs gpu-test

 

2. 2020-05-14 10:01:51.341661: I

 

tensorflow/stream_executor/platform/default/dso_loader.cc:48]

 

Successfully opened dynamic library libcudart.so.10.2

 

3. 2020-05-14 10:01:53.996300: I

 

tensorflow/stream_executor/platform/default/dso_loader.cc:48]

 

Successfully opened dynamic library libnvinfer.so.7

 

4. 2020-05-14 10:01:53.998563: I

 

tensorflow/stream_executor/platform/default/dso_loader.cc:48]

 

Successfully opened dynamic library libnvinfer_plugin.so.7

 

5. /usr/lib/python3/dist-packages/h5py/__init__.py:36: FutureWarning:

 

Conversion of the second argument of issubdtype from float
to

 

np.floating
is deprecated. In future, it will be treated as

 

np.float64 == np.dtype(float).type
.

 

 

    1. from ._conv import register_converters as _register_converters}}}

 

 

如你所见，我们的日志信息与之前在Jetson上运行Docker相似。

 

运行MNIST训练

 

我们有一个支持GPU的运行节点，所以现在我们可以测试出机器学习的 “Hello world”，并使用MNIST数据集运行TensorFlow 2模型示例。

 

要运行一个简单的训练会话，以证明GPU的使用情况，应用下面的manifest：

 

{{{ 1. apiVersion: v1

 

2. kind: Pod

 

3. metadata:

 

 

    1. name: mnist-training

 

    1. spec:

 

    1. nodeSelector:

 

    1. kubernetes.io/hostname: jetson

 

    1. initContainers:

 

    1. name: git-clone

 

    1. image: iceci/utils

 

    1. command:

 

    1. –

 

    1. “git”

 

    1. –

 

    1. “clone”

 

“< https://github.com/IceCI/example-mnist-training.gi
t>”

 

–

“/workspace”

volumeMounts:
–
mountPath: /workspace
name: workspace

containers:
–
image: icetekio/jetson-nano-tensorflow
name: mnist
command:

“python3”
–
“/workspace/mnist.py”

volumeMounts:
–
mountPath: /workspace
name: workspace
restartPolicy: Never

volumes:
–
name: workspace
emptyDir: {}}}}

 

从下面的日志中可以看到，GPU正在运行：

 

1. ...
 2. 2020-05-14 11:30:02.846289: I
    tensorflow/core/common_runtime/gpu/gpu_device.cc:1697] Adding
    visible gpu devices: 0
 3. 2020-05-14 11:30:02.846434: I
    tensorflow/stream_executor/platform/default/dso_loader.cc:48]
    Successfully opened dynamic library libcudart.so.10.2
 4. ....

 

如果你在节点上，你可以通过运行tegrastats命令来测试CPU和GPU的使用情况：

 

1. [email protected]:~$ tegrastats --interval 5000
 2. RAM 2462/3964MB (lfb 2x4MB) SWAP 362/1982MB (cached 6MB) CPU
    [52%@1479,41%@1479,43%@1479,34%@1479] EMC_FREQ 0% GR3D_FREQ 9%
    [email protected] [email protected] [email protected] [email protected] [email protected] [email protected] POM_5V_IN
    3410/3410 POM_5V_GPU 451/451 POM_5V_CPU 1355/1355
 3. RAM 2462/3964MB (lfb 2x4MB) SWAP 362/1982MB (cached 6MB) CPU
    [53%@1479,42%@1479,45%@1479,35%@1479] EMC_FREQ 0% GR3D_FREQ 9%
    [email protected] [email protected] [email protected] [email protected] [email protected] [email protected]
    POM_5V_IN 3410/3410 POM_5V_GPU 451/451 POM_5V_CPU 1353/1354
 4. RAM 2461/3964MB (lfb 2x4MB) SWAP 362/1982MB (cached 6MB) CPU
    [52%@1479,38%@1479,43%@1479,33%@1479] EMC_FREQ 0% GR3D_FREQ 10%
    [email protected] [email protected] [email protected] [email protected] [email protected] [email protected] POM_5V_IN
    3410/3410 POM_5V_GPU 493/465 POM_5V_CPU 1314/1340

 

总 结

 

如你所见，将Jetson Nano连接到Kubernetes集群是一个非常简单的过程。只需几分钟，你就能利用Kubernetes来运行机器学习工作负载——同时也能利用NVIDIA袖珍GPU的强大功能。你将能够在Kubernetes上运行任何为Jetson Nano设计的GPU容器，这可以简化你的开发和测试。

 

作者： Jakub Czapliński，Icetek编辑

 

原文链接：

https://medium.com/icetek/how- … bf212

Categories:机器学习

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注