Tensorflow cluster 异步分布式集群使用说明

本文详细介绍了Tensorflow的异步分布式集群使用,包括基本概念、运行细节,以及单机多GPU环境下如何配置和执行分布式代码。通过示例脚本展示了如何设置参数服务器(PS)和工作节点(WORKER),并提供了函数拟合代码解析和分布式代码框架。

Tensorflow cluster 异步分布式集群使用说明

Tensorflow,cluster,异步训练

一.Tensorflow 集群基本介绍

1.基本概念

Tensorflow的分布式并行基于gRPC通信框架,其中包括一个master负责创建Session.还有多个worker负责执行计算图中的任务。我们需要先创建一个Tensorflow Cluster对象,它包含了一组task(每个task一般是一台单独的机器)用来分布式地执行Tensorflow的计算图。一个Cluster可以切分为多个job,一个job是指一类特定的任务,比如parameter server(PS)、worker、每一个job里可以包含多个task。我们需要为每一个task创建一个server,然后连接到cluster上,通常每个task会执行在不同的机器上,当然也可以一台机器上执行多个task(控制不同的GPU)。

2.运行细节

A:在运行多GPU分布式并行程序之前,需要通过nvidia-smi命令查看GPU显存是否为0.或者占用很小,如果占用较大,分布式并行则无法成功,处于等待其它task状态之下。

B:在单机情况下执行多GPU分布式并行程序,需要同时打开多个terminal窗口。然后在不同terminal窗口按传入参数服务器,工作服务器的顺序分别执行不同的shell脚本传入对应参数。

C:shell脚本传入的参数为tf.train.ClusterSpec,具体示例如下(集群时需要替换localhost为具体主机的IP地址):
CUDA_VISIBLE_DEVICES=0 python dis_func.py --ps_hosts=localhost:2222 --worker_hosts=localhost:2223,localhost:2224,localhost:2226 --job_name=ps --task_index=0

3.函数拟合代码解

备注:以下代码来源于

http://blog.csdn.net/guotong1988/article/details/53909844

import numpy as np
import tensorflow as tf


# Define parameters
FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_float('learning_rate', 0.00003, 'Initial learning rate.')
tf.app.flags.DEFINE_integer('steps_to_validate', 1000,
                     'Steps to validate and print loss')

# For distributed
tf.app.flags.DEFINE_string("ps_hosts", "",
                           "Comma-separated list of hostname:port pairs")
tf.app.flags.DEFINE_string("worker_hosts", "",
                           "Comma-separated list of hostname:port pairs")
tf.app.flags.DEFINE_string("job_name", "", "One of 'ps', 'worker'")
tf.app.flags.DEFINE_integer("task_index", 0, "Index of task within the job")

#Hyperparameters
learning_rate = FLAGS.learning_rate
steps_to_validate = FLAGS.steps_to_validate

def main(_):
  ps_hosts = FLAGS.ps_hosts.split(",")
  #解析flags并通过tf.train.ClusterSpec配置Tensorflow集群
  worker_hosts = FLAGS.worker_hosts.split(",")
  cluster = tf.train.ClusterSpec({"ps": ps_hosts, "worker": worker_hosts})
  #通过ClusterSpec以及当前任务创建Server
  server = tf.train.Server(cluster,job_name=FLAGS.job_name,task_index=FLAGS.task_index)
  #参数服务器只需要管理Tensorflow中的变量,不需要执行训练的过程。server.join()会一直停#在这条语句上
  if FLAGS.job_name == "ps":
    server.join()
  elif FLAGS.job_name == "worker":
    with tf.device(tf.train.replica_device_setter(
                    worker_device="/job:worker/task:%d" % FLAGS.task_index,
                    cluster=cluster)):
      global_step = tf.Variable(0, name='global_step', trainable=False)
#define our model
      input = tf.placeholder("float")
      label = tf.placeholder("float")
      weight = tf.get_variable("weight", [1], tf.float32, initializer=tf.random_normal_initializer())
      biase  = tf.get_variable("biase", [1], tf.float32, initializer=tf.random_normal_initializer())
      pred = tf.multiply(input, weight) + biase
#计算loss
      loss_value = loss(label, pred)

      train_op = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_value, global_step=global_step)
      init_op = tf.initialize_all_variables()

      saver = tf.train.Saver()
#tf.train.Supervisor管理训练深度学习模型的通用功能
    sv = tf.train.Supervisor(is_chief=(FLAGS.task_index == 0),
                            init_op=init_op,
                            saver=saver,
                            global_step=global_step,
                            save_model_secs=60)
    with sv.managed_session(server.target) as sess:
      step = 0
      while  step < 1000000:
        train_x = np.random.randn(1)
        train_y = 2 * train_x + np.random.randn(1) * 0.33  + 10
        _, loss_v, step = sess.run([train_op, loss_value,global_step], feed_dict={input:train_x, label:train_y})
        if step % steps_to_validate == 0:
          w,b = sess.run([weight,biase])
          print("step: %d, weight: %f, biase: %f, loss: %f" %(step, w, b, loss_v))

    sv.stop()

def loss(label, pred):
  return tf.square(label - pred)



if __name__ == "__main__":
  tf.app.run()

4.分布式代码框架

#coding=utf-8
import numpy as np
import tensorflow as tf


#Define parameters
FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_float('learning_rate', 0.00003, 'Initial learning rate.')
tf.app.flags.DEFINE_integer('steps_to_validate', 1000,
                     'Steps to validate and print loss')

# For distributed
tf.app.flags.DEFINE_string("ps_hosts", "",
                           "Comma-separated list of hostname:port pairs")
tf.app.flags.DEFINE_string("worker_hosts", "",
                           "Comma-separated list of hostname:port pairs")
tf.app.flags.DEFINE_string("job_name", "", "One of 'ps', 'worker'")
tf.app.flags.DEFINE_integer("task_index", 0, "Index of task within the job")

#Hyperparameters
learning_rate = FLAGS.learning_rate
steps_to_validate = FLAGS.steps_to_validate

def main(_):
  ps_hosts = FLAGS.ps_hosts.split(",")
  #解析flags并通过tf.train.ClusterSpec配置Tensorflow集群
  worker_hosts = FLAGS.worker_hosts.split(",")
  cluster = tf.train.ClusterSpec({"ps": ps_hosts, "worker": worker_hosts})
  #通过ClusterSpec以及当前任务创建Server
  server = tf.train.Server(cluster,job_name=FLAGS.job_name,task_index=FLAGS.task_index)
#参数服务器只需要管理Tensorflow中的变量,不需要执行训练的过程。server.join()会一直停
#在这条语句上
  if FLAGS.job_name == "ps":
    server.join()
  elif FLAGS.job_name == "worker":
    with tf.device(tf.train.replica_device_setter(
                    worker_device="/job:worker/task:%d" % FLAGS.task_index,
                    cluster=cluster)):
      global_step = tf.Variable(0, name='global_step', trainable=False)

#define our model

#在以下定义我们的模型即可


#计算loss
      loss_value = loss(label, pred)

      train_op = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_value, global_step=global_step)
      init_op = tf.initialize_all_variables()

      saver = tf.train.Saver()
#tf.train.Supervisor管理训练深度学习模型的通用功能
    sv = tf.train.Supervisor(is_chief=(FLAGS.task_index == 0),
                            init_op=init_op,
                            saver=saver,
                            global_step=global_step,
                            save_model_secs=60)
    with sv.managed_session(server.target) as sess:
      step = 0
      while  step < 1000000:
      #传入参数
        _, loss_v = sess.run([train_op, loss_value], feed_dict={input:train_x, label:train_y})

    sv.stop()

def loss(label, pred):
  # define our loss function**
  return tf.square(label - pred)

if __name__ == "__main__":
  tf.app.run()

5.shell脚本(以下示例为单机多GPU情况下的使用,具体为4块GPU,第一块PS,第二,三,四为WORKER )

1.由于共在四个设备(GPUS)上运行分布式程序,故有四个shell脚本文件,具体如下所示:
function1.sh
function2.sh
function3.sh
function4.sh

2.function1.sh如下:
CUDA_VISIBLE_DEVICES=0 python dis_func.py --ps_hosts=localhost:2222 --worker_hosts=localhost:2223,localhost:2224,localhost:2226 --job_name=ps --task_index=0
3.function2.sh如下:
CUDA_VISIBLE_DEVICES=1 python dis_func.py --ps_hosts=localhost:2222 --worker_hosts=localhost:2223,localhost:2224,localhost:2226 --job_name=worker --task_index=0
4.function3.sh如下:
CUDA_VISIBLE_DEVICES=2 python dis_func.py --ps_hosts=localhost:2222 --worker_hosts=localhost:2223,localhost:2224,localhost:2226 --job_name=worker --task_index=1
4.function3.sh如下:
CUDA_VISIBLE_DEVICES=3 python dis_func.py --ps_hosts=localhost:2222 --worker_hosts=localhost:2223,localhost:2224,localhost:2226 --job_name=worker --task_index=2

最后打开四个terminal终端,分别在每个终端中按1.2.3.4的顺序分别运行这四个shell脚本文件
# in terminal 1
bash function1.sh
# in terminal 2
bash function2.sh
# in terminal 3
bash function3.sh
# in terminal 4
bash function4.sh

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值