Tensorflow并行计算：多核(multicore)，多线程(multi-thread)，图分割(Graph Partition)

 Github下载完整代码

https://github.com/rockingdingo/tensorflow-tutorial/tree/master/mnist

简介

利用tensorflow训练深度神经网络模型需要消耗很长时间，因为并行化计算就为提升运行速度提供了重要思路。Tensorflow提供了多种方法来使程序的并行运行，在使用这些方法时需要考虑的问题有：选取的计算设备是CPU还是GPU，每个CPU多少核的资源并行计算，构建图Graph时消耗资源如何分配等等问题。下面我们以Linux多核CPU的环境为例介绍几种常见方法来提升你的tensorflow程序的运行速度。

一、多核并行：CPU多核的运算和资源调用

在Tensorflow程序中，我们会经常看到”with tf.device("/cpu:0"): “ 这个语句。单独使用这个语句，而不做其他限制，实际上默认tensorflow程序占用所有可以使用的内存资源和CPU核，比如如果你的linux服务器是8核CPU，那么该程序会迅速占用可以使用的任意CPU，使用接近100%，最终结果就是影响整台服务器的其他程序。因此我们会想到需要限制使用的CPU核的个数和资源。

在构建tf.Session() 变量时，可以通过传入tf.ConfigProto() 参数来改变一个tensorflow的session会话所使用的CPU核的个数以及线程数等等。

代码1

config = tf.ConfigProto(device_count={"CPU": 4}, # limit to num_cpu_core CPU usage                inter_op_parallelism_threads = 1,                 intra_op_parallelism_threads = 1,                log_device_placement=True)with tf.Session(config = config) as sess:    # To Do

例如，在上面代码中我们通过 “device_count={"CPU": 4}” 参数来构建一个ConfigProto() 类，传入tf.Session()来使每个会话分配相应的资源，这里我们给tensorflow程序共分配了4个CPU core。

实例

我们对tensorflow tutorial中的MNIST的CNN模型convolutional.py进行适当的修改，使得他限制在4个CPU core上运行，得到convolutional_multicore.py： 运行结果，平均每个step计算一个batch的时间为611 ms左右：

图1: 4 CPU core Single Thread

二、多线程，设置Multi-threads

在进行tf.ConfigProto()初始化时，我们也可以通过设置intra_op_parallelism_threads参数和inter_op_parallelism_threads参数，来控制每个操作符op并行计算的线程个数。二者的区别在于:

• intra_op_parallelism_threads 控制运算符op内部的并行
• 当运算符op为单一运算符，并且内部可以实现并行时，如矩阵乘法，reduce_sum之类的操作，可以通过设置intra_op_parallelism_threads 参数来并行, intra代表内部。
• inter_op_parallelism_threads 控制多个运算符op之间的并行计算
• 当有多个运算符op，并且他们之间比较独立，运算符和运算符之间没有直接的路径Path相连。Tensorflow会尝试并行地计算他们，使用由inter_op_parallelism_threads参数来控制数量的一个线程池。

代码2

我们还是修改上面的MNIST卷积的例子 convolutional_multicore.py，将参数如下:

config = tf.ConfigProto(device_count={"CPU": 4}, # limit to num_cpu_core CPU usage                inter_op_parallelism_threads = 1,                 intra_op_parallelism_threads = 4,                log_device_placement=True)with tf.Session(config = config) as sess:  # To Do

实例

实例比较，下面我们比较线程数为2和4，平均每个batch的运行时间：

• 当参数为intra_op_parallelism_threads = 2时, 每个step的平均运行时间从610ms降低到380ms。

• 当参数为intra_op_parallelism_threads = 4时, 每个step的平均运行时间从610ms降低到230ms。

总结，在固定CPUcore的资源限制下，通过合理设置线程thread个数可以明显提升tensorflow程序运行速度。

参考 tensorflow/core/protobuf/config.proto 实现 

https://github.com/tensorflow/tensorflow/blob/26b4dfa65d360f2793ad75083c797d57f8661b93/tensorflow/core/protobuf/config.proto#L165

三、分割图模型Graph：将Tensorflow的图运算分配到不同计算单元

有时我们构建的深度网络的结构十分复杂，会出现这种情况：多个CPU core同时运行时，有的核比较空闲，有的核使用率却达到100%的情况。我们需要尽量避免这种运算符计算不均衡的情况。这时，如果我们将Graph拆分为多个部分，将每个部分（如每一层网络结构）指定到不同的CPU 核上运算，优化计算量的分配，可以使运算速度得到提升。

一个很直观的设计就是按照不同的层来划分，把运算量大的Layer分配单独的CPU，把运算量小的Layer合并分配到同一个CPU core上。

下面是我们做的一个测试，还是tensorflow官网上的 convolutional.py 例子改写，将不同层分配到不同的CPU device上，优化了计算资源，使得程序的速度得以提升，例子为convolutional_graph_partitioned.py。

• 声明了device_id全局变量记录已经使用的CPU的ID；
• 调用next_device() 函数返回下一个可用的CPU device id, 如果有可用的则分配并使全局变量device_id 加1, 最终获得的可用的device_id 不会超过在 FLAGS.num_cpu_core中定义的核的总个数。
• 在model()函数构建图的过程中，通过with tf.device(next_device()): 语句，来将当成的Conv, Pool等运算符分配到单独的CPU上。最终结果为每个batch 平均时间229 ms。

代码3

device_id = -1 # Global Variable Counter for device_id used def next_device(use_cpu = True):    ''' See if there is available next device;        Args: use_cpu, global device_id        Return: new device id    '''  global device_id  if (use_cpu):    if ((device_id + 1) < FLAGS.num_cpu_core):      device_id += 1    device = '/cpu:%d' % device_id  else:    if ((device_id + 1) < FLAGS.num_gpu_core):      device_id += 1    device = '/gpu:%d' % device_id  return device   with tf.device(next_device()):  # To Do Insert Your Code  conv = ...  pool = ...

延伸阅读

深语人工智能-技术博客: 

http://www.deepnlp.org/blog/tensorflow-parallelism/

PyPI deepnlp: Deep Learning NLP Pipeline implemented on Tensorflow
https://pypi.python.org/pypi/deepnlp

• • Tensorflow官网的卷积神经网络MNIST的例子convolutional.py
  • 多线程convolutional_multithread.py
  • 分割Graph到不同Device上 convolutional_graph_partitioned.py