tensorflow学习笔记(十九):分布式Tensorflow
来源:互联网 发布:php 微信扫码支付接口 编辑:程序博客网 时间:2024/06/01 09:31
分布式Tensorflow
最近在学习怎么分布式Tensorflow训练深度学习模型,看官网教程看的云里雾里,最终结合着其它资料,终于对分布式Tensorflow有了些初步了解.
gRPC (google remote procedure call)
分布式Tensorflow底层的通信是gRPC
gRPC首先是一个RPC,即远程过程调用
,通俗的解释是:假设你在本机上执行一段代码num=add(a,b)
,它调用了一个过程 call
,然后返回了一个值num
,你感觉这段代码只是在本机上执行的, 但实际情况是,本机上的add
方法是将参数打包发送给服务器,然后服务器运行服务器端的add
方法,返回的结果再将数据打包返回给客户端.
Cluster.Job.Task
Job是Task的集合.
Cluster是Job的集合
为什么要分成Cluster,Job,和Task呢?
首先,我们介绍一下Task:Task就是主机上的一个进程,在大多数情况下,一个机器上只运行一个Task.
为什么Job
是Task
的集合呢? 在分布式深度学习框架中,我们一般把Job
划分为Parameter
和Worker
,Parameter Job
是管理参数的存储和更新工作.Worker Job
是来运行ops
.如果参数的数量太大,一台机器处理不了,这就要需要多个Tasks
.
Cluster
是 Jobs
的集合: Cluster
(集群),就是我们用的集群系统了
如何创建集群
从上面的描述我们可以知道,组成Cluster
的基本单位是Task
(动态上理解,主机上的一个进程,从静态的角度理解,Task
就是我们写的代码).我们只需编写Task
代码,然后将代码运行在不同的主机上,这样就构成了Cluster
(集群)
如何编写Task
代码
首先,Task
需要知道集群上都有哪些主机,以及它们都监听什么端口.tf.train.ClusterSpec()
就是用来描述这个.
tf.train.ClusterSpec({ "worker": [ "worker_task0.example.com:2222",# /job:worker/task:0 运行的主机 "worker_task1.example.com:2222",# /job:worker/task:1 运行的主机 "worker_task2.example.com:2222"# /job:worker/task:3 运行的主机 ], "ps": [ "ps_task0.example.com:2222", # /job:ps/task:0 运行的主机 "ps_task1.example.com:2222" # /job:ps/task:0 运行的主机 ]})
这个ClusterSec
告诉我们,我们这个Cluster
(集群)有两个Job
(worker.ps),worker
中有三个Task
(即,有三个Task
执行Tensorflow op
操作)
然后,将ClusterSpec
当作参数传入到 tf.train.Server()
中,同时指定此Task
的Job_name
和task_index
.
#jobName和taskIndex是函数运行时,通过命令行传递的参数server = tf.train.Server(cluster, job_name=jobName, task_index=taskIndex)
下面代码描述的是,一个cluster
中有一个Job,
叫做(worker
), 这个job
有两个task
,这两个task
是运行在两个主机上的
#在主机(10.1.1.1)上,实际是运行以下代码cluster = tf.train.ClusterSpec({"worker": ["10.1.1.1:2222", "10.1.1.2:3333"]})server = tf.train.Server(cluster, job_name="local", task_index=0)#在主机(10.1.1.2)上,实际运行以下代码cluster = tf.train.ClusterSpec({"worker": ["10.1.1.1:2222", "10.1.1.2:3333"]})server = tf.train.Server(cluster, job_name="local", task_index=1)
tf.trian.Server
干了些什么呢?
首先,一个tf.train.Server
包含了: 本地设备(GPUs,CPUs)的集合,可以连接到到其它task
的ip:port
(存储在cluster
中), 还有一个session target
用来执行分布操作.还有最重要的一点就是,它创建了一个服务器,监听port
端口,如果有数据传过来,他就会在本地执行(启动session target
,调用本地设备执行运算),然后结果返回给调用者.
我们继续来写我们的task
代码:在你的model
中指定分布式设备
with tf.device("/job:ps/task:0"): weights_1 = tf.Variable(...) biases_1 = tf.Variable(...)with tf.device("/job:ps/task:1"): weights_2 = tf.Variable(...) biases_2 = tf.Variable(...)with tf.device("/job:worker/task:0"): #映射到主机(10.1.1.1)上去执行 input, labels = ... layer_1 = tf.nn.relu(tf.matmul(input, weights_1) + biases_1) logits = tf.nn.relu(tf.matmul(layer_1, weights_2) + biases_2)with tf.device("/job:worker/task:1"): #映射到主机(10.1.1.2)上去执行 input, labels = ... layer_1 = tf.nn.relu(tf.matmul(input, weights_1) + biases_1) logits = tf.nn.relu(tf.matmul(layer_1, weights_2) + biases_2) # ... train_op = ...with tf.Session("grpc://10.1.1.2:3333") as sess:#在主机(10.1.1.2)上执行run for _ in range(10000): sess.run(train_op)
with tf.Session("grpc://..")
是指定gprc://..
为master
,master
将op
分发给对应的task
写分布式程序时,我们需要关注一下问题:
(1) 使用In-graph replication
还是Between-graph replication
In-graph replication
:一个client
(显示调用tf::Session的进程),将里面的参数
和ops
指定给对应的job
去完成.数据分发只由一个client
完成.
Between-graph replication
:下面的代码就是这种形式,有很多独立的client
,各个client
构建了相同的graph
(包含参数,通过使用tf.train.replica_device_setter
,将这些参数映射到ps_server
上.)
(2)同步训练
,还是异步训练
Synchronous training
:在这种方式中,每个graph
的副本读取相同的parameter
的值,并行的计算gradients
,然后将所有计算完的gradients
放在一起处理.Tensorlfow
提供了函数(tf.train.SyncReplicasOptimizer
)来处理这个问题(在Between-graph replication
情况下),在In-graph replication
将所有的gradients
平均就可以了
Asynchronous training
:自己计算完gradient
就去更新paramenter
,不同replica
之间不会去协调进度
(3)
一个完整的例子,来自官网链接:
import tensorflow as tf# Flags for defining the tf.train.ClusterSpectf.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.Servertf.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.FLAGS
由于是相同的代码运行在不同的主机上,所以要传入job_name
和task_index
加以区分,而ps_hosts
和worker_hosts
对于所有主机来说,都是一样的,用来描述集群的
def main(_): ps_hosts = FLAGS.ps_hosts.split(",") worker_hosts = FLAGS.worker_hosts.split(",") # 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()
我们都知道,服务器进程如果执行完的话,服务器就会关闭.为了是我们的ps_server
能够一直处于监听状态,我们需要使用server.join()
.这时,进程就会block
在这里.至于为什么ps_server
刚创建就join
呢:原因是因为下面的代码会将参数
指定给ps_server
保管,所以ps_server
静静的监听就好了.
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)):
tf.train.replica_device_setter(ps_tasks=0, ps_device='/job:ps', worker_device='/job:worker', merge_devices=True, cluster=None, ps_ops=None))
,返回值可以被tf.device
使用,指明下面代码中variable
和ops
放置的设备.
example:
# To build a cluster with two ps jobs on hosts ps0 and ps1, and 3 worker# jobs on hosts worker0, worker1 and worker2.cluster_spec = { "ps": ["ps0:2222", "ps1:2222"], "worker": ["worker0:2222", "worker1:2222", "worker2:2222"]}with tf.device(tf.replica_device_setter(cluster=cluster_spec)): # Build your graph v1 = tf.Variable(...) # assigned to /job:ps/task:0 v2 = tf.Variable(...) # assigned to /job:ps/task:1 v3 = tf.Variable(...) # assigned to /job:ps/task:0# Run compute
这个例子是没有指定参数worker_device
和ps_device
的,你可以手动指定
继续代码注释,下面就是,模型的定义了
# Build model...variables and ops 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, restoring from # a checkpoint, and closing when done or an error occurs. with sv.managed_session(server.target) as sess: # Loop until the supervisor shuts down or 1000000 steps have completed. step = 0 while 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]) # Ask for all the services to stop. sv.stop()
考虑一个场景(Between-graph
),我们有一个parameter server
(存放着参数的副本),有好几个worker server
(分别保存着相同的graph
的副本).更通俗的说,我们有10台电脑,其中一台作为parameter server
,其余九台作为worker server
.因为同一个程序在10台电脑上同时运行(不同电脑,job_name
,task_index
不同),所以每个worker server
上都有我们建立的graph
的副本(replica
).这时我们可以使用Supervisor
帮助我们管理各个process
.Supervisor
的is_chief
参数很重要,它指明用哪个task
进行参数的初始化工作.sv.managed_session(server.target)
创建一个被sv
管理的session
if __name__ == "__main__": tf.app.run()
To start the trainer with two parameter servers and two workers, use the following command line (assuming the script is called trainer.py):
# On ps0.example.com:$ python trainer.py \ --ps_hosts=ps0.example.com:2222,ps1.example.com:2222 \ --worker_hosts=worker0.example.com:2222,worker1.example.com:2222 \ --job_name=ps --task_index=0# On ps1.example.com:$ python trainer.py \ --ps_hosts=ps0.example.com:2222,ps1.example.com:2222 \ --worker_hosts=worker0.example.com:2222,worker1.example.com:2222 \ --job_name=ps --task_index=1# On worker0.example.com:$ python trainer.py \ --ps_hosts=ps0.example.com:2222,ps1.example.com:2222 \ --worker_hosts=worker0.example.com:2222,worker1.example.com:2222 \ --job_name=worker --task_index=0# On worker1.example.com:$ python trainer.py \ --ps_hosts=ps0.example.com:2222,ps1.example.com:2222 \ --worker_hosts=worker0.example.com:2222,worker1.example.com:2222 \ --job_name=worker --task_index=1
可以看出,我们只需要写一个程序,在不同的主机上,传入不同的参数使其运行
参考博客:
[1] http://weibo.com/ttarticle/p/show?id=2309403987407065210809
[2] http://weibo.com/ttarticle/p/show?id=2309403988813608274928
[3] http://blog.csdn.net/luodongri/article/details/52596780
- tensorflow学习笔记(十九):分布式Tensorflow
- tensorflow学习笔记(十九):分布式Tensorflow
- Tensorflow学习笔记4:分布式Tensorflow
- tensorflow学习笔记(二十):分布式注意事项
- tensorflow学习笔记(二十九):merge_all引发的血案
- 学习笔记TF061:分布式TensorFlow,分布式原理、最佳实践
- tensorflow26《TensorFlow实战Google深度学习框架》笔记-10-03 分布式TensorFlow code
- 分布式TensorFlow
- 分布式tensorflow
- 分布式tensorflow
- 分布式 tensorflow
- TensorFlow学习笔记-1
- TensorFlow学习笔记
- TensorFlow 深度学习笔记
- TensorFlow学习笔记1
- tensorflow-Alexnet学习笔记
- TensorFlow学习笔记
- Tensorflow学习笔记
- 基于开源dxflib解析库的dxf文件显示
- Save results to different files when executing multi SQL statements in DB Query Analyzer 7.01
- wsacreateevent 事件使用
- Java程序执行过程的内存分析
- 定时向数组前添加不重复随机数
- tensorflow学习笔记(十九):分布式Tensorflow
- HTTP-Session&Cookie
- 冒泡排序图(最长上升子序列变式)
- 涉及Android手机屏幕适配的相关知识
- 重新认识电脑硬件(一)-主机内部
- java 反射基础
- 汉澳sinox无缝运行winxp,QQ游戏影音不在话下
- 基数排序
- 《编程导论(Java)·2.4.3 final变量和不变类》-final变量