页面树结构

2017-11-09 ApacheCN 开源组织,第二期邀请成员活动,一起走的更远 : http://www.apachecn.org/member/209.html


MachineLearning 优酷地址 : http://i.youku.com/apachecn

转至元数据结尾
转至元数据起始

本文档介绍如何创建TensorFlow服务器集群,以及如何在该集群中分发计算图。我们假设您熟悉编写TensorFlow程序的基本概念

你好 分布式TensorFlow!

要查看一个简单的TensorFlow集群,请执行以下操作:

# 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!' 
该 tf.train.Server.create_local_server 方法创建具有进程内服务器的单进程集群。

创建一个集群

<iframe width="412" height="232" src="https://www.youtube.com/embed/la_M6bCV91M?ecver=1" frameborder="0" allowfullscreen></iframe>

TensorFlow“集群”是参与TensorFlow图形的分布式执行的一组“任务”。每个任务与TensorFlow“服务器”相关联,该服务器包含可用于创建会话的“主”,以及在图中执行操作的“工作者”。群集还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。

要创建集群,请在集群中为每个任务启动一个TensorFlow服务器。每个任务通常在不同的机器上运行,但您可以在同一台机器上运行多个任务(例如控制不同的GPU设备)。在每个任务中,执行以下操作:

  1. 创建一个tf.train.ClusterSpec描述集群中所有任务的内容。这对每个任务应该是一样的。

  2. 创建一个tf.train.Server,传递tf.train.ClusterSpec给构造函数,并使用作业名和任务索引识别本地任务。

创建一个tf.train.ClusterSpec描述集群

群集规范字典将作业名称映射到网络地址列表。将此字典传递给tf.train.ClusterSpec 构造函数。例如:

tf.train.ClusterSpec constructionAvailable tasks
tf.train.ClusterSpec({"local": ["localhost:2222", "localhost:2223"]})
/job:local/task:0
/job:local/task:1
tf.train.ClusterSpec({
    "worker": [
        "worker0.example.com:2222",
        "worker1.example.com:2222",
        "worker2.example.com:2222"
    ],
    "ps": [
        "ps0.example.com:2222",
        "ps1.example.com:2222"
    ]})
/job:worker/task:0
/job:worker/task:1
/job:worker/task:2
/job:ps/task:0
/job:ps/task:1

tf.train.Server在每个任务中创建一个实例

一个tf.train.Server对象包含了一组本地设备,一组到其他任务的连接 tf.train.ClusterSpec,并且 tf.Session能够使用这些来进行分布式计算。每个服务器是特定命名作业的成员,并且在该作业中具有任务索引。服务器可以与群集中的任何其他服务器进行通信。

例如,推出了集群两台服务器上运行localhost:2222 ,并localhost:2223在本地机器上的两个不同的进程运行下面的代码片段:

# 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) 
注意:手动指定这些集群规范可能很乏味,特别是对于大型集群。我们正在开发以编程方式启动任务的工具,例如使用像Kubernetes这样的集群管理器 。如果您想要查看支持的特定集群管理器,请提出一个 GitHub问题

 

在模型中指定分布式设备

要对特定进程进行操作,您可以使用与tf.device 用于指定运行在CPU或GPU上的操作相同的 功能。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) 
在上述示例中,在作业中的两个任务上创建变量ps,并且在作业中创建模型的计算密集型部分worker 。TensorFlow将插入作业之间的适当的数据传输(从psworker用于直传,以及从workerps用于施加梯度)。

 

复印训练

一种称为“数据并行性”的常见培训配置涉及到worker在不同小批量数据上对同一模型进行职业培训的多个任务,更新托管在ps 作业中的一个或多个任务中的共享参数。所有任务通常在不同的机器上运行。有很多方法可以在TensorFlow中指定此结构,并且我们正在构建库,以简化指定复制模型的工作。可能的方法包括:

  • 图形内复制。在这种方法中,客户端构建一个 tf.Graph包含一组参数(在tf.Variable固定到节点中/job:ps)的参数; 和模型的计算密集型部分的多个副本,每个副本都固定在不同的任务中/job:worker

  • 图形间复制。在这种方法中,每个/job:worker任务都有一个单独的客户端,通常与worker任务相同。每个客户端构建一个包含参数的类似图(固定为 /job:ps使用前 tf.train.replica_device_setter 将其确定性地映射到相同的任务); 和模型的计算密集型部分的单个副本,固定到本地任务 /job:worker

  • 异步训练 在这种方法中,图的每个副本都有一个独立的训练循环,无需协调地执行。它与上述两种复制形式兼容。

  • 同步训练 在这种方法中,所有的副本都会读取当前参数的相同值,并行计算梯度,然后将它们应用在一起。它与图形内复制(例如使用CIFAR-10多GPU培训师中的梯度平均 )和图形间复制(例如使用tf.train.SyncReplicasOptimizer)兼容 。

把它们放在一起:示例教练程序

以下代码显示了分布式教练程序的框架,实现了图形间复制异步训练。它包括参数服务器和工作任务的代码。

import argparse
import sys

import tensorflow as tf

FLAGS = None

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.contrib.framework.get_or_create_global_step()

      train_op = tf.train.AdagradOptimizer(0.01).minimize(
          loss, global_step=global_step)

    # The StopAtStepHook handles stopping after running given steps.
    hooks=[tf.train.StopAtStepHook(last_step=1000000)]

    # The MonitoredTrainingSession takes care of session initialization,
    # restoring from a checkpoint, saving to a checkpoint, and closing when done
    # or an error occurs.
    with tf.train.MonitoredTrainingSession(master=server.target,
                                           is_chief=(FLAGS.task_index == 0),
                                           checkpoint_dir="/tmp/train_logs",
                                           hooks=hooks) as mon_sess:
      while not mon_sess.should_stop():
        # Run a training step asynchronously.
        # See `tf.train.SyncReplicasOptimizer` for additional details on how to
        # perform *synchronous* training.
        # mon_sess.run handles AbortedError in case of preempted PS.
        mon_sess.run(train_op)

if __name__ == "__main__":
  parser = argparse.ArgumentParser()
  parser.register("type", "bool", lambda v: v.lower() == "true")
  # Flags for defining the tf.train.ClusterSpec
  parser.add_argument(
      "--ps_hosts",
      type=str,
      default="",
      help="Comma-separated list of hostname:port pairs"
  )
  parser.add_argument(
      "--worker_hosts",
      type=str,
      default="",
      help="Comma-separated list of hostname:port pairs"
  )
  parser.add_argument(
      "--job_name",
      type=str,
      default="",
      help="One of 'ps', 'worker'"
  )
  # Flags for defining the tf.train.Server
  parser.add_argument(
      "--task_index",
      type=int,
      default=0,
      help="Index of task within the job"
  )
  FLAGS, unparsed = parser.parse_known_args()
  tf.app.run(main=main, argv=[sys.argv[0]] + unparsed) 
要启动具有两个参数服务器和两个工作人员的培训师,请使用以下命令行(假设调用脚本trainer.py):
# 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 

词汇表

Client

客户端通常是一个构建TensorFlow图并构建一个 tensorflow::Session与集群进行交互的程序。客户端通常用Python或C ++编写。单个客户端进程可以直接与多个TensorFlow服务器进行交互(请参见上面的“复制培训”),单个服务器可以为多个客户端提供服务。

Cluster

TensorFlow集群包括一个或多个“作业”,每个“作业”分为一个或多个“任务”的列表。集群通常专用于特定的高级目标,例如训练神经网络,并行使用许多机器。集群由tf.train.ClusterSpec对象定义。

Job

一份工作包括一份通常用于共同目的的“任务”清单。例如,名为ps(对于“参数服务器”)的作业通常会托管存储和更新变量的节点; 而名为“ workerjob” 的作业通常会承载执行计算密集型任务的无状态节点。作业中的任务通常在不同的机器上运行。一组工作角色是灵活的:例如,a worker可能会保持一些状态。

Master service

提供远程访问一组分布式设备并充当会话目标的RPC服务。主服务实现 tensorflow::Session接口,负责协调一个或多个“工作服务”的工作。所有TensorFlow服务器都实现主服务。

Task

任务对应于特定的TensorFlow服务器,通常对应于单个进程。任务属于特定的“作业”,并由该作业的任务列表中的索引识别。

TensorFlow服务器运行tf.train.Server实例的进程,该实例是集群的成员,并导出“主服务”和“工作服务”。

Worker service

使用本地设备执行TensorFlow图形的一部分的RPC服务。worker服务实现了worker_service.proto。所有TensorFlow服务器都实现了工作服务。

 

  • 无标签