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

Github下载完整代码：https://github.com/rockingdingo/tensorflow-tutorial/tree/master/mnist

 

目录

简介

一、多核并行：CPU多核的运算和资源调用

二、多线程，设置Multi-threads

三、分割计算图模型Graph：将Tensorflow的图运算分配到不同计算单元

---

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，构建计算图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。（本次测试是在windows10服务器上，一共有两块CPU，每一块CPU分别都是16核）

 

运行convolutional.py代码，可以看到CPU1中16核全开，但是有些核的使用率很低！！！ 

       

 

        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 限制CPU使用的核的个数
                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610 ms左右：（这里测试的是770ms）

Step 0 (epoch 0.00), 26.7 ms
Minibatch loss: 12.054, learning rate: 0.010000
Minibatch error: 90.6%
Validation error: 84.6%
Step 100 (epoch 0.12), 9.5 ms
Minibatch loss: 3.304, learning rate: 0.010000
Minibatch error: 6.2%
Validation error: 7.3%
Step 200 (epoch 0.23), 7.6 ms
Minibatch loss: 3.473, learning rate: 0.010000
Minibatch error: 12.5%
Validation error: 3.5%
...
...
...
Step 8400 (epoch 9.77), 7.7 ms
Minibatch loss: 1.596, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.8%
Step 8500 (epoch 9.89), 7.7 ms
Minibatch loss: 1.612, learning rate: 0.006302
Minibatch error: 1.6%
Validation error: 0.9%
Test error: 0.8%

                                                                                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:

         （1）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。
         （2）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  限制CPU使用的核的个数
                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（原测试）
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。

 

(本地测试过程中，发现增加线程数后运行速度并没有提升，分析原因是，这程序代码并不需要占用太多CPUcore的资源，所以增加线程对运行速度也并没有什么提升。请大神们指教纠正！！！)

 

参考 tensorflow/core/protobuf/config.proto 实现 

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

 

三、分割计算图模型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 = ...

 （本地测试可以发现，分割计算图模型Graph，将Tensorflow的图运算分配到不同计算单元，CPU的利用率是有所提高的，从原来的7%提高到19%，但发现运行时间是有所下降的，不知道问题出在哪了？？？）

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

 

参考：https://blog.csdn.net/rockingdingo/article/details/55652662