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
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)。
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。
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: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.FLAGS 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() 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()
# 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
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
https://segmentfault.com/a/1190000004501625
以及http://www.tensorflow123.cn/distributetf.html