XLearning 深度学习调度平台开源项目

XLearning 是奇虎360开源的一款支持多种机器学习、深度学习框架调度系统。基于HadoopYarn完成了对TensorFlow、MXNet、Caffe、Theano、PyTorch、Keras、XGBoost等常用框架的集成，同时具备良好的扩展性和兼容性。

XLearning系统包括三种组件：

Client：XLearning客户端，负责启动作业及获取作业执行状态；

ApplicationMaster（AM）：负责输入数据分片、启动及管理Container、执行日志保存等；

Container：作业的实际执行者，负责启动Worker或PS（ParameterServer）进程，监控并向AM汇报进程状态，上传作业的输出等。对于TensorFlow类型作业，还负责启动TensorBoard服务。

支持TensorFlow、MXNet分布式和单机模式，支持所有的单机模式的深度学习框架，如Caffe、Theano、PyTorch等。对于同一个深度学习框架支持多版本和自定义版本。

训练数据和模型结果统一采用HDFS进行存储，用户可通过--input-strategy或xlearning.input.strategy指定输入数据所采用的读取方式。目前，XLearning支持如下三种HDFS输入数据读取方式：

Download：AM根据用户在提交脚本中所指定的输入数据参数，遍历对应HDFS路径下所有文件，以文件为单位将输入数据平均分配给不同Worker。在Worker中的执行程序对应进程启动之前，Worker会根据对应的文件分配信息将需要读取的HDFS文件下载到本地指定路径；

Placeholder：与Download模式不同，Worker不会直接下载HDFS文件到本地指定路径，而是将所分配的HDFS文件列表通过环境变量INPUT_FILE_LIST传给Worker中的执行程序对应进程。执行程序从环境变量os.environ["INPUT_FILE_LIST"]中获取需要处理的文件列表，直接对HDFS文件进行读写等操作。该模式要求深度学习框架具备读取HDFS文件的功能，或借助第三方模块库如pydoop等。

InputFormat：XLearning集成有MapReduce中的InputFormat功能。在AM中，根据“splitsize”对所提交脚本中所指定的输入数据进行分片，并均匀的分配给不同Worker。在Worker中，根据所分配到的分片信息，以用户指定的InputFormat类读取数据分片，并通过管道将数据传递给Worker中的执行程序进程。

同输入数据读取类似，用户可通过--output-strategy或xlearning.output.strategy指定输出结果的保存方式。XLearning支持如下两种结果输出保存模式：

Upload：执行程序结束后，Worker根据提交脚本中输出数据参数，将本地输出路径保存文件上传至对应HDFS路径。为方便用户在训练过程中随时将本地输出上传至HDFS，XLearning系统在作业执行Web界面提供对输出模型的当前状态主动保存的功能，详情请见“可视化界面”说明部分；

OutputFormat：XLearning集成有MapReduce中的OutputFormat功能。在训练过程中，Worker根据指定的OutputFormat类，将结果输出至HDFS。

作业运行界面大致分为三部分：

AllContainers：显示当前作业所含Container列表及各Container对应信息，如ContianerID、所在机器（ContainerHost）、所属类型（ContainerRole）、当前执行状态（ContainerStatus）、开始时间（StartTime）、结束时间（FinishTime）、执行进度（ReporterProgress）。其中，点击ContainerID超链接可查看该Container运行的详细日志；

ViewTensorBoard：当作业类型为TensorFlow时，可点击该链接直接跳转到TensorBoard页面；

SaveModel：当作业提交脚本中“--output”参数不为空时，用户可通过SaveModel按钮，在作业执行过程中，将本地输出当前模型训练结果上传至HDFS。上传成功后，显示目前已上传的模型列表。

如下图所示：

TensorFlow分布式模式支持“ClusterSpec”自动分配构建，单机模式和其他深度学习框架代码不用做任何修改即可迁移到XLearning上。