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])
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
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])#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
标签：chm training run mono outside model name odi 存在
原文地址：http://blog.csdn.net/hjimce/article/details/61197190
