簡介

Tensorflow API提供了Cluster、Server以及Supervisor來支持模型的分布式訓練。

關于Tensorflow的分布式訓練介紹可以參考Distributed Tensorflow。簡單的概括說明如下：

• Tensorflow分布式Cluster由多個Task組成，每個Task對應一個tf.train.Server實例，作為Cluster的一個單獨節點；
• 多個相同作用的Task可以被劃分為一個job，例如ps job作為參數服務器只保存Tensorflow model的參數，而worker job則作為計算節點只執行計算密集型的Graph計算。
• Cluster中的Task會相對進行通信，以便進行狀態同步、參數更新等操作。

Tensorflow分布式集群的所有節點執行的代碼是相同的。分布式任務代碼具有固定的模式：

# 第1步：命令行參數解析，獲取集群的信息ps_hosts和worker_hosts，以及當前節點的角色信息job_name和task_index# 第2步：創建當前task結點的Server cluster = tf.train.ClusterSpec({"ps": ps_hosts, "worker": worker_hosts}) server = tf.train.Server(cluster, job_name=FLAGS.job_name, task_index=FLAGS.task_index)# 第3步：如果當前節點是ps，則調用server.join()無休止等待；如果是worker，則執行第4步。 if FLAGS.job_name == "ps":server.join()# 第4步：則構建要訓練的模型 # build tensorflow graph model# 第5步：創建tf.train.Supervisor來管理模型的訓練過程 # Create a "supervisor", which oversees the training process. sv = tf.train.Supervisor(is_chief=(FLAGS.task_index == 0), logdir="/tmp/train_logs") # The supervisor takes care of session initialization and restoring from a checkpoint. sess = sv.prepare_or_wait_for_session(server.target) # Loop until the supervisor shuts down while not sv.should_stop()# train model

?

Tensorflow分布式訓練代碼框架

根據上面說到的Tensorflow分布式訓練代碼固定模式，如果要編寫一個分布式的Tensorlfow代碼，其框架如下所示。

import tensorflow as tf# Flags for defining the tf.train.ClusterSpec tf.app.flags.DEFINE_string("ps_hosts", "","Comma-separated list of hostname:port pairs") tf.app.flags.DEFINE_string("worker_hosts", "","Comma-separated list of hostname:port pairs")# Flags for defining the tf.train.Server tf.app.flags.DEFINE_string("job_name", "", "One of 'ps', 'worker'") tf.app.flags.DEFINE_integer("task_index", 0, "Index of task within the job")FLAGS = tf.app.flags.FLAGSdef main(_):ps_hosts = FLAGS.ps_hosts.split(",")worker_hosts = FLAGS.worker_hosts(",")# Create a cluster from the parameter server and worker hosts.cluster = tf.train.ClusterSpec({"ps": ps_hosts, "worker": worker_hosts})# Create and start a server for the local task.server = tf.train.Server(cluster,job_name=FLAGS.job_name,task_index=FLAGS.task_index)if FLAGS.job_name == "ps":server.join()elif FLAGS.job_name == "worker":# Assigns ops to the local worker by default. with tf.device(tf.train.replica_device_setter(worker_device="/job:worker/task:%d" % FLAGS.task_index,cluster=cluster)):# Build model...loss = ...global_step = tf.Variable(0)train_op = tf.train.AdagradOptimizer(0.01).minimize(loss, global_step=global_step)saver = tf.train.Saver()summary_op = tf.merge_all_summaries()init_op = tf.initialize_all_variables()# Create a "supervisor", which oversees the training process.sv = tf.train.Supervisor(is_chief=(FLAGS.task_index == 0),logdir="/tmp/train_logs",init_op=init_op,summary_op=summary_op,saver=saver,global_step=global_step,save_model_secs=600)# The supervisor takes care of session initialization and restoring from# a checkpoint.sess = sv.prepare_or_wait_for_session(server.target)# Start queue runners for the input pipelines (if any). sv.start_queue_runners(sess)# Loop until the supervisor shuts down (or 1000000 steps have completed).step = 0while not sv.should_stop() and step < 1000000:# Run a training step asynchronously.# See `tf.train.SyncReplicasOptimizer` for additional details on how to# perform *synchronous* training._, step = sess.run([train_op, global_step])if __name__ == "__main__":tf.app.run()

對于所有Tensorflow分布式代碼，可變的只有兩點：

構建tensorflow graph模型代碼；

每一步執行訓練的代碼

分布式MNIST任務

我們通過修改tensorflow/tensorflow提供的mnist_softmax.py來構造分布式的MNIST樣例來進行驗證。修改后的代碼請參考mnist_dist.py。

我們同樣通過tensorlfow的Docker image來啟動一個容器來進行驗證。

$ docker run -d -v /path/to/your/code:/tensorflow/mnist --name tensorflow tensorflow/tensorflow

啟動tensorflow之后，啟動4個Terminal，然后通過下面命令進入tensorflow容器，切換到/tensorflow/mnist目錄下

$ docker exec -ti tensorflow /bin/bash $ cd /tensorflow/mnist

然后在四個Terminal中分別執行下面一個命令來啟動Tensorflow cluster的一個task節點，

# Start ps 0 python mnist_dist.py --ps_hosts=localhost:2221,localhost:2222 --worker_hosts=localhost:2223,localhost:2224 --job_name=ps --task_index=0# Start ps 1 python mnist_dist.py --ps_hosts=localhost:2221,localhost:2222 --worker_hosts=localhost:2223,localhost:2224 --job_name=ps --task_index=1# Start worker 0 python mnist_dist.py --ps_hosts=localhost:2221,localhost:2222 --worker_hosts=localhost:2223,localhost:2224 --job_name=worker --task_index=0# Start worker 1 python mnist_dist.py --ps_hosts=localhost:2221,localhost:2222 --worker_hosts=localhost:2223,localhost:2224 --job_name=worker --task_index=1

具體效果自己驗證哈。

總結

以上是生活随笔為你收集整理的Tensorflow学习笔记4：分布式Tensorflow的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。