Matlab Remote IPC自动化数据处理

Last updated 14 days ago

转载请注明作者梦里茶

需求

在研究中遇到这样一种需求,

  • 在Matlab端做GPU运算;

  • 在Python端做数据清洗和数据分析;

  • 两端分属两个服务器;

  • M端需要等待P端完成数据清洗才能开始做训练和预测

  • P端需要等待M端完成训练和预测才能做数据分析

问题

  • 数据很多,不适合将两端合并到一个服务器上

  • 存在增量训练,对同一份数据,可能要结合多份额外数据进行N次传输

  • 由于采用10折交叉验证,数据划分为10份,总共要进行10×N次传输

  • M端和P端都需要各自运行一段时间才能出结果,需要等待,说快不快,说慢不慢

上面的几个点使得训练的过程非常繁琐耗时

探索

作为不耐心而且懒的程序员,超过15秒的事情就想要自动化,于是开始想能不能把上面这个过程自动化

方案一 用一种语言重写另一方的代码

  • Python端逻辑复杂,与数据关联密切,重构为Matlab代码工程量大(而且我还是比较熟悉Python)

  • Matlab端是某篇论文的代码,使用了MatConvNet这个库做CNN,用Python实现工程量也很大,而且因为是别人的代码,还可能有很多未知的坑

方案二 使用第三方库作为Lib相互调用

  • 由于Matlab端涉及GPU运算,配置比较复杂

  • 作为库相互调用使得两个模块的耦合增加,不符合解耦原则

  • 需要编写接口代码

方案三 Matlab和Python进行进程间通信

  • 进程间通信要求两边各有一个可执行程序,但是Matlab打包麻烦(需要下另一个收费的打包工具)具体看这里,在GUI界面中操作相对方便,并且打包后不好调试

  • 远程进程间通信有许多方案可以选择,例如socket,这个工作量比上面的方案小,但也需要额外编写一部分功能代码

方案四 (Final)使用Matlab进行执行shell命令进行scp,以文件的方式进行数据传输

  • 改动的代码最少

  • 依旧是两个模块,依旧低耦合

  • 通信性能没有库调用或者Socket那么好,但程序主要性能瓶颈不在数据传输,而在于训练和预测,所以没关系

  • 执行ssh的时候可以同时执行另一个服务器上的命令,从而调用Python端脚本进行Python端工作

下面具体讲方案四的实现

实现

Matlab执行shell命令

setenv('d_name', dataset_name);
setenv('std_idx', num2str(i));
% transport raw image predict data
!env LD_LIBRARY_PATH='' scp ${d_name}_train.log cwh@192.168.231.171:/home/cwh/coding/Project/data/${std_idx}-train/renew_pid.log
!env LD_LIBRARY_PATH='' ssh cwh@192.168.231.171 "cd /home/cwh/coding/Project; python data_analysis.py data/${std_idx}-train"

其中

  • 通过setenv来设置环境变量,从而动态决定要执行的脚本的内容

  • 在matlab代码中,使用!开头,代表这是一行shell命令

  • 需要把LD_LIBRARY_PATH这个环境变量置为空,防止使用matlab自带的一些lib,导致ssh等命令执行失败

SSH

  • Matlab是有一个可以做ssh和scp的

  • 但是,不想把密码写在代码里,并且懒得去用第三方的东西

  • 于是想直接用shell调用

  • shell调用有一个老大难的问题,就是需要输密码

  • 受Hadoop分布式配置的启发,发现可以做ssh免密码配置,避开输密码的问题

  • 免密码具体参考这个教程

  • ssh配置免密之后,scp也是免密的,另外还有一个好处,ssh可以通过""来嵌入ssh之后要执行的代码,从而做Python调用

Python

  • 如果之前Python端是用IDE开发的,转为shell调用就要注意两个问题

    • 路径,cd到正确的目录,Python端的文件操作和lib import的相对路径是相对于要执行的py文件

    • # 加载对应的库
      env LD_LIBRARY_PATH='/your/lib/path/sth.so'
    • 命令行参数,参考这个教程

同步控制

  • 由于matlab调用shell命令时会陷入等待,会等待命令完成再执行下一步,不像socket发完消息后不知道什么时候另一边运行结束,所以不需要自己实现排队等待同步互斥的东西

  • 如果需要在等待的时候做些并发,可以考虑matlab 并行工具箱,结合Python端的并发几乎就是一个分布式框架了,有空再深入去搞一搞

SUMMARY

  • matlab调shell

  • shell中ssh做远程进程调用

  • scp做数据传输

  • 效果:尽可能轻量地解决自动化的问题