提问者:小点点

为什么GKE集群上的pod在尝试使用TFX运行一个非常简单的Kubeflow管道时是OOM技能?


我正在按照TFX on CloudAIPlatform Pipeline教程在Google Cloud上实现Kubeflow编排的管道。主要区别在于,我正在尝试实现对象检测解决方案,而不是教程提出的出租车应用程序。

出于这个原因,我(本地)创建了一个通过labelImg标记的图像数据集,并使用我上传到GS桶上的这个脚本将其转换为. tf记录。然后,我按照TFX教程创建了GKE集群(默认集群,使用此配置)和运行代码所需的Jupyter Notebook,导入了相同的模板。

主要区别在于管道的第一个组件,我在其中将CSVExcpleGen组件更改为重要示例Gen组件:

def create_pipeline(
    pipeline_name: Text,
    pipeline_root: Text,
    data_path: Text,
    # TODO(step 7): (Optional) Uncomment here to use BigQuery as a data source.
    # query: Text,
    preprocessing_fn: Text,
    run_fn: Text,
    train_args: tfx.proto.TrainArgs,
    eval_args: tfx.proto.EvalArgs,
    eval_accuracy_threshold: float,
    serving_model_dir: Text,
    metadata_connection_config: Optional[
        metadata_store_pb2.ConnectionConfig] = None,
    beam_pipeline_args: Optional[List[Text]] = None,
    ai_platform_training_args: Optional[Dict[Text, Text]] = None,
    ai_platform_serving_args: Optional[Dict[Text, Any]] = None,
) -> tfx.dsl.Pipeline:
  """Implements the chicago taxi pipeline with TFX."""

  components = []

  # Brings data into the pipeline or otherwise joins/converts training data.
  example_gen = tfx.components.ImportExampleGen(input_base=data_path)
  # TODO(step 7): (Optional) Uncomment here to use BigQuery as a data source.
  # example_gen = tfx.extensions.google_cloud_big_query.BigQueryExampleGen(
  #     query=query)
  components.append(example_gen)

管道中没有插入其他组件,数据通路指向包含. tf记录的存储桶上文件夹的位置:

DATA_PATH = 'gs://(project bucket)/(dataset folder)'

这是运行器代码(与TFX教程中的代码基本相同):

def run():
  """Define a kubeflow pipeline."""

  # Metadata config. The defaults works work with the installation of
  # KF Pipelines using Kubeflow. If installing KF Pipelines using the
  # lightweight deployment option, you may need to override the defaults.
  # If you use Kubeflow, metadata will be written to MySQL database inside
  # Kubeflow cluster.
  metadata_config = tfx.orchestration.experimental.get_default_kubeflow_metadata_config(
  )

  runner_config = tfx.orchestration.experimental.KubeflowDagRunnerConfig(
      kubeflow_metadata_config=metadata_config,
      tfx_image=configs.PIPELINE_IMAGE)
  pod_labels = {
      'add-pod-env': 'true',
      tfx.orchestration.experimental.LABEL_KFP_SDK_ENV: 'tfx-template'
  }
  tfx.orchestration.experimental.KubeflowDagRunner(
      config=runner_config, pod_labels_to_attach=pod_labels
  ).run(
      pipeline.create_pipeline(
          pipeline_name=configs.PIPELINE_NAME,
          pipeline_root=PIPELINE_ROOT,
          data_path=DATA_PATH,
          # TODO(step 7): (Optional) Uncomment below to use BigQueryExampleGen.
          # query=configs.BIG_QUERY_QUERY,
          preprocessing_fn=configs.PREPROCESSING_FN,
          run_fn=configs.RUN_FN,
          train_args=tfx.proto.TrainArgs(num_steps=configs.TRAIN_NUM_STEPS),
          eval_args=tfx.proto.EvalArgs(num_steps=configs.EVAL_NUM_STEPS),
          eval_accuracy_threshold=configs.EVAL_ACCURACY_THRESHOLD,
          serving_model_dir=SERVING_MODEL_DIR,
          # TODO(step 7): (Optional) Uncomment below to use provide GCP related
          #               config for BigQuery with Beam DirectRunner.
          # beam_pipeline_args=configs
          # .BIG_QUERY_WITH_DIRECT_RUNNER_BEAM_PIPELINE_ARGS,
          # TODO(step 8): (Optional) Uncomment below to use Dataflow.
          # beam_pipeline_args=configs.DATAFLOW_BEAM_PIPELINE_ARGS,
          # TODO(step 9): (Optional) Uncomment below to use Cloud AI Platform.
          # ai_platform_training_args=configs.GCP_AI_PLATFORM_TRAINING_ARGS,
          # TODO(step 9): (Optional) Uncomment below to use Cloud AI Platform.
          # ai_platform_serving_args=configs.GCP_AI_PLATFORM_SERVING_ARGS,
      ))


if __name__ == '__main__':
  logging.set_verbosity(logging.INFO)
  run()

然后创建管道并使用Notebook中的以下代码调用运行:

!tfx pipeline create  --pipeline-path=kubeflow_runner.py --endpoint={ENDPOINT} --build-image
!tfx run create --pipeline-name={PIPELINE_NAME} --endpoint={ENDPOINT}

问题是,虽然示例中的管道运行没有问题,但此管道总是失败,GKE集群上的pod以代码137(OOMKill)退出。

这是集群工作负载状态的快照,这是崩溃运行的完整日志转储。

我已经尝试过减小数据集大小(现在整个. tf记录大约为6MB)并将其本地拆分为两组(验证和训练),因为当组件应该拆分数据集时似乎会发生崩溃,但这两者都没有改变情况。

你知道为什么它会内存溢出,我可以采取什么步骤来解决这个问题吗?

非常感谢。


共1个答案

匿名用户

如果应用程序有内存泄漏或试图使用超过设定限制量的内存,库伯内特斯将使用“OOMKilled-达到容器限制”事件和退出代码137终止它。

当您看到这样的消息时,您有两个选择:增加pod的限制或开始调试。例如,如果您的网站负载增加,那么调整限制是有意义的。另一方面,如果内存使用是突然或意外的,它可能表明内存泄漏,您应该立即开始调试。

请记住,库伯内特斯杀死这样的pod是一件好事——它可以防止所有其他pod在同一个节点上运行。

也参考类似的问题link1和link2,希望有帮助。谢谢

相关问题