Tutorial 01 - Kubeflow Dasar
Tutorial 01 - Kubeflow Dasar ini ditujukkan kepada pengguna DGX-A100 agar lebih mudah dalam bekerja dan menggunakan fitur layanan dari antarmuka Kubeflow berbasis web.
Apa itu Notebook Kubeflow?
Kubeflow Notebooks menyediakan cara untuk menjalankan lingkungan pengembangan berbasis web di cluster Kubernetes Anda dengan menjalankannya di pod.
Fitur utama dari Notebook Kubeflow:
Dilengkapi dengan fitur JupyterLab, RStudio dan Visual Studio Code (code server).
Pengguna dapat membuat wadah notebook secara langsung di dalam cluster, seolah-olah sedang menggunakan workstation milik sendiri.
Pengguna dapat memilih daftar image yang tersedia untuk notebooknya atau mengunduh image dari tempat lain, sesuai dengan paket library yang diperlukan, tanpa harus menginstall dari awal.
Adanya fitur RBAC (Role Based Access Control) Kubeflow, memungkinkan untuk berbagi data dan saling berkontribusi dengan pengguna lainnya.
Pengguna memiliki akses internet untuk mengunduh contoh kode program notebook yang diinginkan.
Mengakses Dashboard
Silahkan buka browser Anda, kemudian pada bagian address bar isikan alamat IP dari server DGX-A100, seperti http://<alamat ip>:<port layanan>
.
Setelah diisi akan tampil halaman login dari Notebook Kubeflow. Silahkan isikan user name
dan password
Anda.
Note
Bagi pengguna baru HPC - DIKE UGM, untuk dapat menggunakan layanan DGX-A100 dimohon untuk mendaftar di web HPC - DIKE UGM. Bila membutuhkan informasi lebih lanjut, silahkan hubungi Helpdesk HPC - DIKE UGM!
Tampilan Halaman Utama Dashboard
Setelah login maka akan tampil halaman utama dari dashboard notebook kubeflow. Dashboard kubeflow ini berisi beberapa menu yang merupakan tautan cepat dari berbagai komponen yang diperlukan untuk pengolahan notebook Anda seperti notebook, pipeline, katib, dll.
Membuat Notebook
Untuk membuat notebook
silahkan akses menu Notebooks di bagian kiri sidebar, dan klik tombol New Notebook. Pada halaman New Notebook, silahkan isikan bagian Name dari notebook yang akan dibuat, misalnya contoh01
.
Pada bagian Docker image tersedia beberapa opsi pilihan yaitu:
Standard image Standard image ini merupakan
image docker
bawaan dari sistem yang siap digunakan oleh pengguna. Secara default ada tiga Integrated Development Environment (IDE) yang disediakan yaitu:JupyterLab
Code Server atau sering dikenal dengan Visual Code Server
RStudio
Custom image Custom image ini merupakan
image docker
yang bisa diunduh dari repository semisal daridocker.io
,nvcr.io
,gcr.io
, dll.
Pada Tutorial 01 - Kubeflow Dasar akan mengunakan fitur dari IDE JupyterLab dan image yang digunakan yaitu kubeflownotebookswg/jupyter-tensorflow-cuda-full:v1.6.0
.
Selanjutnya spesifikasi yang digunakan yaitu CPU = 8 core
, RAM = 16 GB
, GPU = 1 GPU NVIDIA
, dan Workspace Volume = 10 GB
disesuaikan dengan kebutuhan komputasi yang diperlukan untuk mengolah notebook. Setelah semua konfigurasi
sudah ditentukan, klik tombol Launch untuk membuat notebook.
Note
Bila spesifikasi CPU, RAM, GPU, dan Workspace Volume yang dimasukkan tidak sesuai dengan yang disetujui oleh Tim Pengelola DLRC UGM, maka notebook tidak akan terbentuk dan ada informasi error terkait dengan spesifikasi yang berjalan tidak sesuai
.
Mengakses Notebook
Setelah notebook sudah terbentuk, untuk mengaksesnya klik tautan CONNECT. Maka akan tampil satu tab baru di browser menampilkan halaman dari IDE JupyterLab. Halaman utama dari IDE JupyterLab memiliki menu:
- Notebook
berfungsi untuk membuka editor notebook, menjalankan
command
langkah demi langkah atau keseluruhan, dan menampilkanoutput
dari notebook.
- Console
berfungsi untuk menampilkan terminal atau console lingkungan khusus pemrograman
Python
.
- Others
- Terminal
berfungsi mirip seperti shell atau terminal command line.
- Text File
berfungsi mirip dengan Editor untuk berkas berbentuk
Text
atau*.txt
.
- Markdown File
berfungsi mirip dengan Editor untuk berkas berbentuk
Markdown
atau*.md
.
- Python File
berfungsi mirip dengan Editor untuk berkas berbentuk
Python
atau*.py
.
- Menu Sidebar kiri:
- File Browser
berfungsi untuk melihat isi
file
danfolder
yang digunakan.
- Running Terminal and Kernel
berfungsi untuk melihat daftar dan mematikan
Terminal
danKernel
yang digunakan.
- Git
berfungsi untuk mengatur koneksi dan update berkas
project
yang disimpan pada repositoryhttp://github.com
.
- Table of Contents
berfungsi untuk menampilkan daftar isi dari suatu berkas
notebook
.
- Extension Manager
berfungsi untuk menambahkan atau menghapus
plugins
yang digunakan pada IDE JupyterLab
Menjalankan Notebook
Berkas yang diperlukan dalam Tutorial 01 - Kubeflow Dasar ini dapat diunduh pada tautan berikut: TensorFlow 2 quickstart for experts Example
Berkas advanced.ipyb
dapat diunggah dari komputer lokal ke IDE JupyterLab dengan cara melakukan drag dan drop
pada berkas tersebut menuju bagian sidemenu File Browser. Buka berkas tersebut dan klik tombol RUN pada toolbar untuk mengeksekusi langkah-demi-langkah atau klik tombol double-chevron (>>) untuk mengeksekusi keseluruhan isi dari berkas advanced.ipyb
.
Menampilkan Grafik dengan Tensorboard
Visualisasi dari hasil eksperimen notebook dapat dilakukan dengan menggunakan tensorboard. Tensorboard menyediakan cara untuk memvisualisasikan eksperimen ML (Machine Learning) yang dijalankan, seperti melacak metrik kehilangan (loss) dan akurasi (accuracy) serta melihat histogram yang bias, bagan model, dan banyak lagi. Untuk informasi lebih lanjut tentang tensorboard, silakan kunjungi situs tensorboard.
Sebagai contoh sederhana, silahkan gunakan kembali server notebook yang dibuat pada langkah sebelumnya. Hubungkan dan unggah notebook baru untuk Tensorboard. Sebelum diunggah silahkan unduh notebook berikut: Get started with TensorBoard
Perhatikan alamat dari folder logs
. Lokasi ini diperlukan untuk pembuatan Tensorboard. Jalankan notebook dan pada halaman Kubeflow, buka menu Tensorboards. Klik tombol New Tensorboard. Beri nama
misalnya logs-fit
dan centang kotak PVC
. Pilih volume workspace notebook
dari daftar drop-down dan pada bagian Mount Path
, masukkan alamat lokasi folder logs
yang dicatat pada langkah sebelumnya. Dalam contoh ini adalah logs/fit
.
Klik tombol Create dan Tensorboard siap digunakan dalam beberapa menit. Amati tampilkan metrik dan grafik yang berbeda.
Referensi: Kubeflow-Basics