Распределенный тензорный поток в Kubeflow - NotFoundError

Question

Я следую руководству по сборке kubeflow на GCP.

На последнем шаге, после развертывания кода и обучения с использованием CPU.

kustomize build . |kubectl apply -f -

Распределенный тензорный поток сталкивается с этой проблемой

tenorflow.python.framework.errors_impl.NotFoundError: /tmp/tmprIn1Il/model.ckpt-1_temp_a890dac1971040119aba4921dd5f631a; Данный файл или каталог отсутствует
[[Узел: save/SaveV2 = SaveV2[dtypes=[DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_INT64], _device="/job: пс / реплика:0/ задача:0/ устройство: 0: устройство:CPU:0"](save/ShardedFilename, save/SaveV2/tenor_names, save/SaveV2/shape_and_slices, conv_layer1/conv2d/bias, conv_layer1/conv2d/kernel, conv_layer2/conv2d/bias, conv_layer2/conv2d/kernel, плотный / смещение, плотный / ядро, плотный_1 / смещение, плотный_1 / ядро, global_step)]]

Я нашел похожее сообщение об ошибке, но не знаю, как решить эту проблему.

Answer 1

Из отчета об ошибке.

Вы можете обойти эту проблему, используя общую файловую систему (например, HDFS, GCS или монтирование NFS в одной точке монтирования) на рабочих процессах и серверах параметров.

Просто поместите данные в GCS, и все будет нормально.

model.py

import tensorflow_datasets as tfds
import tensorflow as tf

# tfds works in both Eager and Graph modes
tf.enable_eager_execution()

# See available datasets
print(tfds.list_builders())

ds_train, ds_test = tfds.load(name="mnist", split=["train", "test"], data_dir="gs://kubeflow-tf-bucket", batch_size=-1)
ds_train = tfds.as_numpy(ds_train)
ds_test = tfds.as_numpy(ds_test)

(x_train, y_train) = ds_train['image'], ds_train['label']
(x_test, y_test) = ds_test['image'], ds_test['label']
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28, 1)),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
print(model.evaluate(x_test, y_test))