转载：原文链接
情况一、单机单卡
单机单卡是最普通的情况，当然也是最简单的，示例代码如下：
-
#coding=utf-8
-
#单机单卡
-
#对于单机单卡，可以把参数和计算都定义再gpu上，不过如果参数模型比较大，显存不足等情况，就得放在cpu上
-
import tensorflow
as tf
-
-
with tf.device(
’/cpu:0’):
#也可以放在gpu上
-
w=tf.get_variable(
‘w’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
2))
-
b=tf.get_variable(
‘b’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
5))
-
-
with tf.device(
’/gpu:0’):
-
addwb=w+b
-
mutwb=w
b
-
-
-
ini=tf.initialize_all_variables()
-
with tf.Session()
as sess:
-
sess.run(ini)
-
np1,np2=sess.run([addwb,mutwb])
-
print np1
-
print np2
情况二、单机多卡
单机多卡，只要用device直接指定设备，就可以进行训练，SGD采用各个卡的平均值，示例代码如下：
-
#coding=utf-8
-
#单机多卡：
-
#一般采用共享操作定义在cpu上，然后并行操作定义在各自的gpu上，比如对于深度学习来说，我们一把把参数定义、参数梯度更新统一放在cpu上
-
#各个gpu通过各自计算各自batch 数据的梯度值，然后统一传到cpu上，由cpu计算求取平均值，cpu更新参数。
-
#具体的深度学习多卡训练代码，请参考：https://github.com/tensorflow/models/blob/master/inception/inception/inception_train.py
-
import tensorflow
as tf
-
-
with tf.device(
’/cpu:0’):
-
w=tf.get_variable(
‘w’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
2))
-
b=tf.get_variable(
‘b’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
5))
-
-
with tf.device(
’/gpu:0’):
-
addwb=w+b
-
with tf.device(
’/gpu:1’):
-
mutwb=wb
-
-
-
ini=tf.initialize_all_variables()
-
with tf.Session()
as sess:
-
sess.run(ini)
-
while
1:
-
print sess.run([addwb,mutwb])
情况三、多机多卡
一、基本概念
Cluster、Job、task概念：三者可以简单的看成是层次关系，task可以看成每台机器上的一个进程，多个task组成job；job又有：ps、worker两种，分别用于参数服务、计算服务，组成cluster。
二、同步SGD与异步SGD
1、所谓的同步更新指的是：各个用于并行计算的电脑，计算完各自的batch 后，求取梯度值，把梯度值统一送到ps服务机器中，由ps服务机器求取梯度平均值，更新ps服务器上的参数。
如下图所示，可以看成有四台电脑，第一台电脑用于存储参数、共享参数、共享计算，可以简单的理解成内存、计算共享专用的区域，也就是ps job；另外三台电脑用于并行计算的，也就是worker task。
这种计算方法存在的缺陷是：每一轮的梯度更新，都要等到A、B、C三台电脑都计算完毕后，才能更新参数，也就是迭代更新速度取决与A、B、C三台中，最慢的那一台电脑，所以采用同步更新的方法，建议A、B、C三台的计算能力都不想。
2、所谓的异步更新指的是：ps服务器收到只要收到一台机器的梯度值，就直接进行参数更新，无需等待其它机器。这种迭代方法比较不稳定，收敛曲线震动比较厉害，因为当A机器计算完更新了ps中的参数，可能B机器还是在用上一次迭代的旧版参数值。
三、代码编写
1、定义集群
比如假设上面的图所示，我们有四台电脑，四台电脑的名字假设为：A、B、C、D，那么集群可以定义如下
-
#coding=utf-8
-
#多台机器，每台机器有一个显卡、或者多个显卡，这种训练叫做分布式训练
-
import tensorflow
as tf
-
#现在假设我们有A、B、C、D四台机器，首先需要在各台机器上写一份代码，并跑起来，各机器上的代码内容大部分相同
-
# ，除了开始定义的时候，需要各自指定该台机器的task之外。以机器A为例子，A机器上的代码如下：
-
cluster=tf.train.ClusterSpec({
-
“worker”: [
-
“A_IP:2222”,
#格式 IP地址：端口号，第一台机器A的IP地址 ,在代码中需要用这台机器计算的时候，就要定义：/job:worker/task:0
-
“B_IP:1234”
#第二台机器的IP地址 /job:worker/task:1
-
“C_IP:2222”
#第三台机器的IP地址 /job:worker/task:2
-
],
-
“ps”: [
-
“D_IP:2222”,
#第四台机器的IP地址 对应到代码块：/job:ps/task:0
-
]})
然后我们需要写四分代码，这四分代码文件大部分相同，但是有几行代码是各不相同的。
2、在各台机器上，定义server
比如A机器上的代码server要定义如下：
server=tf.train.Server(cluster,job_name=‘worker’,task_index=0)#找到‘worker’名字下的，task0，也就是机器A
3、在代码中，指定device
-
with tf.device(
’/job:ps/task:0’):
#参数定义在机器D上
-
w=tf.get_variable(
‘w’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
2))
-
b=tf.get_variable(
‘b’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
5))
-
-
with tf.device(
’/job:worker/task:0/cpu:0’):
#在机器A cpu上运行
-
addwb=w+b
-
with tf.device(
’/job:worker/task:1/cpu:0’):
#在机器B cpu上运行
-
mutwb=w
b
-
with tf.device(
’/job:worker/task:2/cpu:0’):
#在机器C cpu上运行
-
divwb=w/b
在深度学习训练中，一般图的计算，对于每个worker task来说，都是相同的，所以我们会把所有图计算、变量定义等代码，都写到下面这个语句下：
with tf.device(tf.train.replica_device_setter(worker_device=’/job:worker/task:indexi’,cluster=cluster)):
函数replica_deviec_setter会自动把变量参数定义部分定义到ps服务中(如果ps有多个任务，那么自动分配)。下面举个例子，假设现在有两台机器A、B，A用于计算服务，B用于参数服务，那么代码如下：
-
#coding=utf-8
-
#上面是因为worker计算内容各不相同，不过再深度学习中，一般每个worker的计算内容是一样的，
-
# 以为都是计算神经网络的每个batch 前向传导，所以一般代码是重用的
-
import tensorflow
as tf
-
#现在假设我们有A、B台机器，首先需要在各台机器上写一份代码，并跑起来，各机器上的代码内容大部分相同
-
# ，除了开始定义的时候，需要各自指定该台机器的task之外。以机器A为例子，A机器上的代码如下：
-
cluster=tf.train.ClusterSpec({
-
“worker”: [
-
“192.168.11.105:1234”,
#格式 IP地址：端口号，第一台机器A的IP地址 ,在代码中需要用这台机器计算的时候，就要定义：/job:worker/task:0
-
],
-
“ps”: [
-
“192.168.11.130:2223”
#第四台机器的IP地址 对应到代码块：/job:ps/task:0
-
]})
-
-
#不同的机器，下面这一行代码各不相同，server可以根据job_name、task_index两个参数，查找到集群cluster中对应的机器
-
-
isps=
False
-
if isps:
-
server=tf.train.Server(cluster,job_name=
‘ps’,task_index=
0)
#找到‘worker’名字下的，task0，也就是机器A
-
server.join()
-
else:
-
server=tf.train.Server(cluster,job_name=
‘worker’,task_index=
0)
#找到‘worker’名字下的，task0，也就是机器A
-
with tf.device(tf.train.replica_device_setter(worker_device=
’/job:worker/task:0’,cluster=cluster)):
-
w=tf.get_variable(
‘w’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
2))
-
b=tf.get_variable(
‘b’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
5))
-
addwb=w+b
-
mutwb=wb
-
divwb=w/b
-
-
saver = tf.train.Saver()
-
summary_op = tf.merge_all_summaries()
-
init_op = tf.initialize_all_variables()
-
sv = tf.train.Supervisor(init_op=init_op, summary_op=summary_op, saver=saver)
-
with sv.managed_session(server.target)
as sess:
-
while
1:
-
print sess.run([addwb,mutwb,divwb])
把该代码在机器A上运行，你会发现，程序会进入等候状态，等候用于ps参数服务的机器启动，才会运行。因此接着我们在机器B上运行如下代码：
-
#coding=utf-8
-
#上面是因为worker计算内容各不相同，不过再深度学习中，一般每个worker的计算内容是一样的，
-
# 以为都是计算神经网络的每个batch 前向传导，所以一般代码是重用的
-
#coding=utf-8
-
#多台机器，每台机器有一个显卡、或者多个显卡，这种训练叫做分布式训练
-
import tensorflow
as tf
-
#现在假设我们有A、B、C、D四台机器，首先需要在各台机器上写一份代码，并跑起来，各机器上的代码内容大部分相同
-
# ，除了开始定义的时候，需要各自指定该台机器的task之外。以机器A为例子，A机器上的代码如下：
-
cluster=tf.train.ClusterSpec({
-
“worker”: [
-
“192.168.11.105:1234”,
#格式 IP地址：端口号，第一台机器A的IP地址 ,在代码中需要用这台机器计算的时候，就要定义：/job:worker/task:0
-
],
-
“ps”: [
-
“192.168.11.130:2223”
#第四台机器的IP地址 对应到代码块：/job:ps/task:0
-
]})
-
-
#不同的机器，下面这一行代码各不相同，server可以根据job_name、task_index两个参数，查找到集群cluster中对应的机器
-
-
isps=
True
-
if isps:
-
server=tf.train.Server(cluster,job_name=
‘ps’,task_index=
0)
#找到‘worker’名字下的，task0，也就是机器A
-
server.join()
-
else:
-
server=tf.train.Server(cluster,job_name=
‘worker’,task_index=
0)
#找到‘worker’名字下的，task0，也就是机器A
-
with tf.device(tf.train.replica_device_setter(worker_device=
’/job:worker/task:0’,cluster=cluster)):
-
w=tf.get_variable(
‘w’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
2))
-
b=tf.get_variable(
‘b’,(
2,
2),tf.float32,initializer=tf.constant_initializer(
5))
-
addwb=w+b
-
mutwb=w*b
-
divwb=w/b
-
-
saver = tf.train.Saver()
-
summary_op = tf.merge_all_summaries()
-
init_op = tf.initialize_all_variables()
-
sv = tf.train.Supervisor(init_op=init_op, summary_op=summary_op, saver=saver)
-
with sv.managed_session(server.target)
as sess:
-
-
while
1:
-
print sess.run([addwb,mutwb,divwb])
分布式训练需要熟悉的函数：
tf.train.Servertf.train.Supervisortf.train.SessionManagertf.train.ClusterSpectf.train.replica_device_settertf.train.MonitoredTrainingSessiontf.train.MonitoredSessiontf.train.SingularMonitoredSessiontf.train.Scaffoldtf.train.SessionCreatortf.train.ChiefSessionCreatortf.train.WorkerSessionCreator
参考文献：
https://www.tensorflow.org/versions/master/how_tos/distributed/index.html
<div class="person-messagebox">
<div class="left-message"><a href="https://blog.csdn.net/hjimce">
<img src="https://profile.csdnimg.cn/E/E/E/3_hjimce" class="avatar_pic" username="hjimce">
</a></div>
<div class="middle-message">
<div class="title"><span class="tit "><a href="https://blog.csdn.net/hjimce" data-report-click="{"mod":"popu_379","ab":"new"}" target="_blank">hjimce</a></span>
<!-- 等级，level -->
<img class="identity-icon" src="https://csdnimg.cn/identity/blog7.png"> <span class="flag expert">
<a href="https://blog.csdn.net/home/help.html#classicfication" target="_blank">
<img src="https://csdnimg.cn/release/phoenix/template/new_img/identityExpert.png" alt="">
博客专家
</a>
</span>
</div>
<div class="text"><span>原创文章 196</span><span>获赞 1436</span><span>访问量 223万+</span></div>
</div>
<div class="right-message">
<a class="btn btn-sm bt-button personal-watch" data-report-click="{"mod":"popu_379","ab":"new"}">关注</a>
<a href="https://im.csdn.net/im/main.html?userName=hjimce" target="_blank" class="btn btn-sm bt-button personal-letter">私信
</a>
</div>
</div>
</div>
4334
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
