Matlab Remote IPC自动化数据处理

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是有一个库可以做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

  • 库

    # 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