如何使用modelarts訓練海量數據

在ModelArts上使用notebook上使用evs空間默認大小是5G，能滿足大部分文本和圖片訓練模型的需求。如果訓練數據稍微超過這個限額，可以適當的擴增下空間。但如果訓練對象是視頻，或是實際生成過程中的海量數據，這個空間就顯得小了，這時候擴增evs空間就顯得很不經濟了。

最近老山便碰到這樣的案例，客戶的訓練數據大約在1T的量級，在obs上存儲的數據結構大概如下圖所示。

your-obs-name

└── ...

└── video

├── folder1

│?? ├── text.txt

│?? └── video.mp4

├── folder2

│?? ├── text.txt

│?? └── video.mp4

├── folder3

│?? ├── text.txt

│?? └── video.mp4

├── folder4

│?? ├── text.txt

│?? └── video.mp4

├── folder5

│?? ├── text.txt

│?? └── video.mp4

├── ...

雖然使用華為云自帶的moxing模塊可以直接讀取obs的數據，但由于實質是通過http實時讀取數據，這個速度比從evs的ssd硬盤上讀取數據要慢得多。而解決方案也比較直接，在evs上開辟一個固定大小的空間作為緩存區，一方面不斷把obs數據讀入緩存區，如果緩存區滿了，就等待其騰出空間，另一方面訓練任務消費evs數據，當消費完后便刪除數據。

程序上也自然選用生產者-消費者模型。程序定義了管道類Pipeline，有生產者線程producer用于將obs數據保存到evs；同時輸出evs數據用于外部模型的消費。由于每個視頻文件都單獨放在一個文件夾下，所以程序的輸出對象也是這個文件夾在evs上保存的地址，如folder1，folder2等。至于讀取文件夾內部文件信息等消費工作，由用戶自行定義。

不多說，直接上代碼。

import moxing as mox

mox.file.shift('os', 'mox')

import os, shutil

from queue import Queue

from time import sleep

import threading

import logging

logging.basicConfig(level=logging.INFO,

format="%(asctime)s %(name)s %(levelname)s %(message)s",)

class ObsClient:

def __init__(self, root):

'''獲取obs路徑上需要讀取的文件夾的相關信息'''

self.root = root

self.directory = self.list_directory()

self.maxSize = self.getMaxSize()

def getMaxSize(self):

'''最大的文件夾的大小'''

return max([size for *_, size in self.directory])

def list_directory(self):

'''輸出用于訓練的文件夾的路徑，輸出directory：

[(文件夾相對路徑，文件夾絕對路徑，文件夾大小), ...]

'''

directory = []

folders = mox.file.list_directory(self.root)

for folder in folders:

folderPath = os.path.join(self.root, folder)

if mox.file.is_directory(folderPath):

size = self.get_size(folderPath)

directory.append((folder, folderPath, size))

return directory

def get_size(self, path):

'''獲取文件（夾）的大小'''

if mox.file.is_directory(path):

return self.get_size_folder(path)

return self.get_size_file(path)

def get_size_file(self, path):

'''獲取文件的大小'''

return mox.file.get_size(path)

def get_size_folder(self, path):

'''獲取文件夾的大小'''

size = 0

for filename in mox.file.list_directory(path, recursive=True):

filepath = os.path.join(path, filename)

if not mox.file.is_directory(filepath):

size+= self.get_size_file(filepath)

return size

class EvsClient:

def __init__(self, root, memory, queue, directory, interval = 0.1):

self.root = root # evs緩存區根目錄

self.directory = directory # obs文件夾信息

self.size = 0 # evs緩存區已使用的空間

self.memory = memory # evs上用于緩存的空間大小

self.queue = queue # 隊列，存儲了evs緩存區文件夾的信息

self.interval = interval # 如果緩存區滿后，查詢緩存大小的間隔時間

def remove(self, folder, size):

'''刪除evs文件夾，在文件夾被消費后調用'''

logging.info(f"consumer: start removing folder {folder} with size {size}|{self.size}")

shutil.rmtree(folder, True)

self.size -= size

logging.info(f"consumer: end removing folder {folder} with size -{size}|{self.size}")

def work(self):

'''生成者主程序，用于從obs中copy文件夾到evs'''

for relObsFolder, absObsFolder, size in self.directory:

while True:

# 緩存區沒滿，就copy文件

if not self.waitOrDo(size):

self.copy(relObsFolder, absObsFolder, size)

break

# 如果緩存區滿了，就等待

sleep(self.interval)

# 當所有文件都拷貝后，置入結束符(None, None)

self.queue.put((None, None))

def waitOrDo(self, size):

'''返回True時等待，返回False時工作'''

return self.size + size > self.memory

def copy(self, relObsFolder, absObsFolder, size):

'''從obs中copy文件夾到evs'''

evsFolder = os.path.join(self.root, relObsFolder)

logging.info(f"producer: start copying folder {relObsFolder} with size {size}|{self.size}")

mox.file.copy_parallel(absObsFolder, evsFolder)

self.queue.put((evsFolder, size))

self.size += size

logging.info(f"producer: end copying folder {relObsFolder} with size +{size}|{self.size}")

class Pipeline:

def __init__(self, evsRoot, obsRoot, memory = '1g', timeout = 300, interval = 0.1):

self.memory = self.rescript(memory) # evs上用于緩存的空間大小

self.timeout = timeout # 消費者獲取evs緩存區文件夾的最長等待時間

self.queue = Queue() # 隊列，存儲了evs緩存區文件夾的信息

self.obsClient = ObsClient(obsRoot) # 存儲obs上的文件夾信息

# evs上的操作

self.evsClient = EvsClient(evsRoot, self.memory, self.queue, self.obsClient.directory, interval)

self.checkMemory() # 驗證evs上用于緩存的空間大小是否足夠大

def checkMemory(self):

'''evs上用于緩存的空間大小不能小于obs上最大文件夾大小'''

if self.memory

raise Exception("memory should bigger than maxFolderSize!")

def rescript(self, memory):

'''將文本或數值類型的memory轉寫成數值'''

try:

if isinstance(memory, str):

if memory[-1].lower()=='g':

return int(float(memory[:-1])*1024*1024*1024)

elif memory[-1].lower()=='m':

return int(float(memory[:-1])*1024*1024)

elif memory[-1].lower()=='k':

return int(float(memory[:-1])*1024)

else:

return int(float(memory))

else:

return int(float(memory))

except:

raise Exception("Error when rescripting memory!")

def __iter__(self):

'''生成器，yield輸出evs文件夾路徑和大小'''

# 生產者線程

producer = threading.Thread(target = self.evsClient.work)

producer.start()

# 主程序提供生成器用于消費，輸出evs文件夾路徑和大小

while True:

logging.info(f"consumer: start to get the queue")

path, size = self.queue.get(timeout=self.timeout)

logging.info(f"consumer: get the queue {path}, {size} ")

if path is None and size is None:

break

yield path, size

self.evsClient.remove(path, size)

# 主程序等待

producer.join()

if __name__ == '__main__':

# 使用示例

for path, size in Pipeline('./video', 's3://your-obs-name/.../video'):

do_job(path, size)

如果你覺得老山的文章不錯，不妨點擊下關注。

大數據開發 ModelArts

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。