tensorflow集群搭建

该文档讲述了如何创建一个集群的tensorflow服务器，以及如何分配在集群中计算图。我们假设你熟悉写作tensorflow程序的基本概念。

Hello distributed TensorFlow!

演示一个简单的TensorFlow集群，执行以下命令：

# Start a TensorFlow server as a single-process "cluster".$ python>>> import tensorflow as tf>>> c = tf.constant("Hello, distributed TensorFlow!")>>> server = tf.train.Server.create_local_server()>>> sess = tf.Session(server.target)  # Create a session on the server.>>> sess.run(c)'Hello, distributed TensorFlow!'

tf.train.Server.create_local_server() 方法使用中间服务器集群创建了一个单一的进程集群。

创建一个集群
一个tensorflow“集群”是一套“任务”，参加一个tensorflow图的分布式执行。每个任务都与一个tensorflow“服务器”相关，其中包含一个“master”， 可以用来创建会话，和“worker”，执行操作的图。集群也可以分为一个或多个“作业”，其中每个作业包含一个或多个任务。

创建一个集群，你开始在每一tensorflow服务器集群的任务。每项任务通常运行在不同的机器上， 但是你可以运行多个任务在同一台机器上（例如，控制不同的GPU设备）。在每个任务中，做以下操作：

1.创建一个 tf.train.ClusterSpec t描述集群中的所有任务。对于每一个任务，这应该是相同的。

2.创建一个 tf.train.Server, 通过 tf.train.ClusterSpec 的构造函数，确定本地任务的工作名称和任务index。

创建一个 tf.train.ClusterSpec 描述集群

集群规范词典地图工作网络地址列表名称。 把列表传给 tf.train.ClusterSpec 的构造函数. 例如:

在每个任务里，创建一个 tf.train.Server 的实例

一个tf.train.server对象包含一组本地设备，一组连接在tf.train.clusterspec其他任务， 和一个“会话”的目标，可以使用它们来执行分布式计算。 每个服务器都是一个特定的命名作业的成员，并在该作业中有一个任务索引。 服务器可以与集群中的任何其他服务器进行通信。

例如，有两个服务器在本地运行启动一个集群：localhost:2222，localhost:2223，在本地机器运行下面的两个不同进程的代码：

# In task 0:cluster = tf.train.ClusterSpec({"local": ["localhost:2222", "localhost:2223"]})server = tf.train.Server(cluster, job_name="local", task_index=0)

 # In task 1:cluster = tf.train.ClusterSpec({"local": ["localhost:2222", "localhost:2223"]})server = tf.train.Server(cluster, job_name="local", task_index=1)

注：手动指定这些集群规格可以是繁琐的，特别是对于大集群。

在你的模型里指定分布式设备

为了将某个操作放在某个特殊的处理过程上,在分布式环境下依然可以使用tf.device()函数，之前是用来指明是放在CPU还是GPU上的。例如：

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:7"):  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://worker7.example.com:2222") as sess:  for _ in range(10000):    sess.run(train_op)

在上面的例子中，Variables在job ps的两个task上被创建，然后计算密集型的部分创建在job work上。TensorFlow会自动地在不同的job之间传输数据。（从job到work是前向传递，而从worker到ps是梯度应用）。

重复训练

一个常见的训练配置，被称为“数据并行”，包含多个任务的worker job里， 在不同的小批量的数据训练同样的模型， 更新在ps job上的共享参数。所有的任务通常在不同的机器上运行。 有很多方法可以指定tensorflow这个结构，我们正在建设的lib，将简化指定重复模型的工作。可能的方法包括：

In-graph replication. 在这种方法中，客户端建立一个单一的tf.Gragh， 包含一组参数（在tf.Variable节点的/job:ps）和多个副本的计算密集型的模型的一部分， 每个固定在一个不同的/job:worker。

• Between-graph replication. 在这种方法中，有一个单独的client, 对于每个/job:worker任务，通常在同一个进程中的worker任务。 每一个client建立一个类似的图包含的参数 （固定在/job:ps， 就想前面使用tf.train.replica_device_setter()去映射他们到确定相同的任务）； 与模型的计算密集的部分的一个副本，固定到本地的/job:worker。

• Asynchronous training. 在这种方法中， 每个图的副本有一个独立的训练循环，执行不用协调。它是兼容以上两种形式。

• Synchronous training. 在这种方法中，所有的副本读取相同的参数， 并行计算的梯度，然后将它们结合在一起。它兼容in-graph replication。

  总的来说: 举一个例子

  下面的代码展示了分布式训练程序的框架 实现了between-graph replication和asynchronous training。它包括参数服务器和worker任务的代码。

  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.FLAGSdef 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()  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, 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()if __name__ == "__main__":  tf.app.run()

  要启动具有两个参数服务器和两个worker的训练，使用以下命令行：

  # 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

  
  

  术语

  Client
  一个典型的客户端一般会构建一个TensorFlow的图并且使用tensorflow::Session来完成与集群的交互。客户端一般会用Python或者C++编写，一般来说一个客户端可以同时与多个服务端进行交互（参考上文的重复训练），并且一个服务端也可以同时服务于多个客户端。

  Cluster
  一个TensorFlow集群会包含一个或者多个TensorFlow的服务端，被切分为一系列命名的job，而每个job又会负责一系列的tasks。一个集群一般会专注于一个相对高层的目标，譬如用多台机器并行地训练一个神经网络。

  Job
  一个job会包含一系列的致力于某个相同目标的task。譬如，一个叫ps（意思是参数服务）的job会用于处理存储于更新Variables相关的工作。而一个叫worker的job会用于承载那些用于计算密集型的无状态节点。一般来说一个job中的tasks会运行在不同的机器中。

  Master service
  Master Service是一个RPC服务用于与一系列远端的分布式设备进行交互。Master Service实现了tensorflow::Session 接口, 并且用来协调多个worker service。

  Task
  一个Task一般会关联到某个单一的TensorFlow服务端的处理过程，属于一个特定的job并且在该job的任务列表中有个唯一的索引。

  TensorFlow server
  用于运行grpc_tensorflow_server的处理过程，是一个集群中的一员，并且想外暴露了一个Master Service与一个Worker Service。

  Worker service
  一个执行部分TensorFlow图部分内容的RPC服务

  
  

  参考文章
  https://segmentfault.com/a/1190000004501625
  
  以及
  http://www.tensorflow123.cn/distributetf.html