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.Server
tf.train.Supervisor
tf.train.SessionManager
tf.train.ClusterSpec
tf.train.replica_device_setter
tf.train.MonitoredTrainingSession
tf.train.MonitoredSession
tf.train.SingularMonitoredSession
tf.train.Scaffold
tf.train.SessionCreator
tf.train.ChiefSessionCreator
tf.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>