码迷,mamicode.com
首页 > 其他好文 > 详细

深度学习(五十五)tensorflow分布式训练

时间:2017-03-12 21:55:54      阅读:885      评论:0      收藏:0      [点我收藏+]

标签:chm   training   run   mono   outside   model   name   odi   存在   

tensorflow分布式训练

博客http://blog.csdn.net/hjimce

微博黄锦池-hjimce   qq:1393852684


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=w*b


ini=tf.initialize_all_variables()
with tf.Session() as sess:
	sess.run(ini)
	while 1:
		print sess.run([addwb,mutwb])

技术分享


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。

技术分享

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。

技术分享


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=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])

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:


参考文献:

https://www.tensorflow.org/versions/master/how_tos/distributed/index.html




深度学习(五十五)tensorflow分布式训练

标签:chm   training   run   mono   outside   model   name   odi   存在   

原文地址:http://blog.csdn.net/hjimce/article/details/61197190

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!