Tensorflow——demo

分布式训练

总的来说，分布式训练分为这几类：

按照并行方式来分：模型并行 v.s. 数据并行
按照更新方式来分：同步更新 v.s. 异步更新
按照算法来分：Parameter Server算法 v.s. AllReduce算法

（1）如果有n张GPU，当模型非常大，一张GPU存不下时，使用模型并行——把模型的不同部分交给不同的机器负责，但是这样会带来很大的通信开销，而且模型并行各个部分存在一定的依赖，规模伸缩性差。因此，通常一张GPU可以放下一个模型的时，会采用数据并行的方式，各部分独立，伸缩性好。

模型并行：不同的GPU-输入相同的数据，运行 模型的不同部分，比如多层网络的不同层；
数据并行：不同的GPU-输入不同的数据，运行 相同的完整的模型。

（2）数据并行时，每个GPU负责一部分数据，更新参数分为同步更新和异步更新两种方式。

同步更新：每个batch 所有GPU计算完成后，统一计算新权值，所有GPU同步新值后，再进行下一轮计算。
异步更新：每个GPU计算完梯度后，无需等待其他更新，立即更新整体权值并同步。

（3）参数同步的算法：PS 和 Ring AllReduce。
如果有5张GPU卡:

Parameter Server：GPU 0将数据分成五份分到各个卡上，每张卡负责自己的那一份mini-batch的训练，得到grad后，返回给GPU 0上做累积，得到更新的权重参数后，再分发给各个卡。
Ring AllReduce：5张以环形相连，每张卡都有左手卡和右手卡，一个负责接收，一个负责发送，循环4次完成梯度累积，再循环4次做参数同步。分为Scatter Reduce和All Gather两个环节。

PS每一轮的训练迭代都需要 所有卡都将数据同步完 做一次Reduce才算结束，并行的卡很多的时候，木桶效应就会很严重，计算效率低。

tensorflow单机多卡训练

TensorFlow在1.13版本里发布的tf.distribute API 支持单机多卡分布式训练。
该API支持各种分布式Strategy切换：

1. MirroredStrategy
   用于单机多卡 数据并行 同步更新的情况，在每个GPU上保存一份模型副本，模型中的每个变量都镜像在所有副本中。这些变量一起形成一个名为MirroredVariable的概念变量。通过apply相同的更新，这些变量保持彼此同步。镜像策略用了高效的All-reduce算法来实现设备之间变量的传递更新。默认情况下，它使用NVIDIA NCCL作为all-reduce实现。用户还可以在官方提供的其他几个选项之间进行选择。

2. CentralStorageStrategy
   中央存储策略，参数被统一存在CPU里，然后复制到所有GPU上，优点是GPU负载均衡了，但是一般情况下CPU和GPU通信代价大，不建议使用。

3. MultiWorkerMirroredStrategy
   这个API和MirroredStrategy很类似，是其多机多卡分布式的版本。

4. ParameterServerStrategy
   这个API呢，就是被大家普遍嫌弃即将淘汰的PS策略，慢+负载不均衡。（和all-reduce的区别）

#Estimator

mirrored_strategy = tf.distribute.MirroredStrategy()
# 在config中加入镜像策略
config = tf.estimator.RunConfig(train_distribute=mirrored_strategy, eval_distribute=mirrored_strategy)
# 把config加到模型里
regressor = tf.estimator.LinearRegressor(
    feature_columns=[tf.feature_column.numeric_column('feats')],
    optimizer='SGD',
    config=config)
def input_fn():
    dataset = tf.data.Dataset.from_tensors(({"feats":[1.]}, [1.]))
    return dataset.repeat(1000).batch(10)
# 正常训练，正常评估
regressor.train(input_fn=input_fn, steps=10)
regressor.evaluate(input_fn=input_fn, steps=10)

分布式环境下的异步训练

worker本身做梯度计算
parameter server 进行参数的更新和参数的存储

不同worker之间参数更新不等待————异步更新：
1.梯度补偿：对一阶梯度函数泰勒展开
2.有限度的异步[QueueRunner]

参考：
https://fyubang.com/2019/07/08/distributed-training/