Tensorflow cluster 异步分布式集群使用说明
Tensorflow,cluster,异步训练
一.Tensorflow 集群基本介绍
1.基本概念
Tensorflow的分布式并行基于gRPC通信框架,其中包括一个master负责创建Session.还有多个worker负责执行计算图中的任务。我们需要先创建一个Tensorflow Cluster对象,它包含了一组task(每个task一般是一台单独的机器)用来分布式地执行Tensorflow的计算图。一个Cluster可以切分为多个job,一个job是指一类特定的任务,比如parameter server(PS)、worker、每一个job里可以包含多个task。我们需要为每一个task创建一个server,然后连接到cluster上,通常每个task会执行在不同的机器上,当然也可以一台机器上执行多个task(控制不同的GPU)。
2.运行细节
A:在运行多GPU分布式并行程序之前,需要通过nvidia-smi
命令查看GPU显存是否为0.或者占用很小,如果占用较大,分布式并行则无法成功,处于等待其它task状态之下。
B:在单机情况下执行多GPU分布式并行程序,需要同时打开多个terminal窗口。然后在不同terminal窗口按传入参数服务器,工作服务器的顺序分别执行不同的shell脚本传入对应参数。
C:shell脚本传入的参数为tf.train.ClusterSpec
,具体示例如下(集群时需要替换localhost为具体主机的IP地址):
CUDA_VISIBLE_DEVICES=0 python dis_func.py --ps_hosts=localhost:2222 --worker_hosts=localhost:2223,localhost:2224,localhost:2226 --job_name=ps --task_index=0
3.函数拟合代码解
备注:以下代码来源于
import numpy as np
import tensorflow as tf
# Define parameters
FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_float('learning_rate', 0.00003, 'Initial learning rate.')
tf.app.flags.DEFINE_integer('steps_to_validate', 1000,
'Steps to validate and print loss')
# For distributed
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")
tf.app.flags.DEFINE_string("job_name", ""