tensorflow源码解析之distributed_runtime
本篇主要介绍TF的分布式运行时的基本概念。为了对TF的分布式运行机制有一个大致的了解,我们先结合/tensorflow/core/protobuf中的文件给出对TF分布式集群的初步理解,然后介绍/tensorflow/core/distributed_runtime路径下的核心概念。
TF分布式集群
集群定义和理解
在研读TF的分布式运行时代码之前,我们需要先看下TF分布式运行的基本架构。TF的集群(cluster)由作业(job)构成,作业由任务(task)构成。举个例子,一个由两个作业构成的集群,作业1名为“worker”,包含了3个任务,作业2名为“ps”,包含了2个任务,如下:
Cluster:
job { name:'worker'
tasks {key:0 value:'worker1:2222'}
tasks {key:1 value:'worker2:2222'}
tasks {key:2 value:'worker3:2222'}
}
job { name:'ps'
tasks {key:0 value:'ps0:2222'}
tasks {key:1 value:'ps1:2222'}
}
下面再看TF对于集群的定义,就一目了然了:
message JobDef {
string name = 1;//作业的名称
//作业包含的任务id到hostname:port字符串的映射,也就是任务的编号到任务的数据传输接口
map<int32, string> tasks = 2;
}
message ClusterDef {
repeated JobDef job = 1;
}
以下我们会分别介绍Master服务和Worker服务,注意,Master服务是由Master提供,供客户端使用的,而Worker服务是由Worker提供,供Master使用的。
master
先来讲Master服务。Master服务是一种被客户端用来与分布式的TF计算交互的服务。
一个Master服务通常会包含了多个master会话,每一个会话包含了一张计算图以及与之相关的状态,这些master会话通常会对应同一个client会话。
一个Master会话的职责包括:
- 节点放置;
- 插入恰当的节点以实现跨设备和跨进程的数据流和资源管理;
- 发布命令给worker,使之运行分配给它的计算子图;
通常,客户端可以通过RPC的形式与一个Master之间保持一个交互式的计算。客户端首先建立一个客户端的会话,连接到一个特定的Master,这个Master接着创建一个对应的Master会话,并且在客户端的调用之间维持状态。
Master会话创建之后,Master会返回一个句柄给客户端,这个句柄可以被用来进行客户端和Master会话之间的交互。
客户端可以在CreateSession调用中传递一个初始的图给Master,并且使用ExtendSession向图中添加节点。
对于一个Master来说,最常用的操作是RunStep,它实现了一个Session::Run()的API。它支持提供输入,执行图计算,返回输出。
最后,当客户端不再需要Master会话的时候,它需要通过CloseSession关闭这个会话,Master可以回收跟会话相关的资源。Master在关闭会话期间可以会因为垃圾回收而休眠一段时间。
我们来总结下MasterService包含的内容:
service MasterService {
rpc CreateSession(CreateSessionRequest) returns (CreateSessionResponse);
rpc ExtendSession(ExtendSessionRequest) returns (ExtendSessionResponse);
rpc PartialRunStep(PartialRunStepRequest) returns (PartialRunSetupResponse);
rpc RunStep(RunStepRequest) returns (RunStepResponse);
rpc CloseSession(CloseSessionRequest) returns (CloseSessionResponse);
rpc ListDevices(ListDevicesRequest) returns (ListDeviceResponse);
rpc Reset(ResetRequest) returns ( ResetResponse);
}
代码中提到的xxxRequest和xxxResponse,都有对应的结构,详见/tensorflow/core/protobuf/master.proto。
woker
Worker服务定义了一种TF的服务,它可以代表MasterService,在一些局部的设备上执行数据流图。
一个Worker服务保留了多个注册图,每一个注册图都是客户端完整图的一个子图,包含了仅需要在当前worker上计算的节点。
service WorkerService {
rpc GetStatus(GetStatusRequest) returns (GetStatusResponse);
rpc CreateWorkerSession(CreateWorkerSessionRequest) returns (CreateWorkerSessionResponse);
rpc RegisterGraph(RegisterGraphRequest) returns (RegisterGraphResponse);
rpc DeregisterGraph(DeregisterGraphRequest) returns (DeregisterGraphResponse);
rpc RunGraph(RunGraphRequest) returns (RunGraphResponse);
rpc CleanupGraph(CleanupGraphRequest) returns (CleanupGraphResponse);
rpc CleanupAll(CleanupAllRequest) returns (CleanupAllResponse);
rpc RecvTensor(RecvTensorRequest) returns (RecvTensorResponse) {}
rpc Logging(LoggingRequest) returns (LoggingResponse);
rpc Tracing(TracingRequest) returns (TracingResponse);
}
以上内容来自/tensorflow/core/protobuf,主要为了讲解TF中集群的基本概念和运行过程,以下内容来自/tensorflow/core/distributed_runtime,介绍TF中分布式运行时环境中的核心概念。
worker
Worker代表了执行计算的实体,与Client和Master相对应。以下是相关类的关系图:
tensor_coding
包含了TensorResponse类,这个类的作用是,当一个RPC返回了数据时,通过这个类可以把返回结果中的数据解析为张量,以及其它的元数据信息。
session_mgr
包含了SessionMgr类,它存在于Worker上,为Worker管理会话,包括了会话的产生和销毁,同时还维护了一个当前Worker上的会话句柄到会话的映射。
class SessionMgr {
public:
Status CreateSession(...);
Status DeleteSession(...);
private:
const WorkerEnv* const worker_env_;
const WorkerCacheFactory worker_cache_factory_;
std::map<string, std::unique_ptr<WorkerSession>> sessions_ GUARDED_BY(mu_);
};
server_lib
TF中的server,可以表现为两种形式,一种是Worker,一种是Master,可以认为,两者都是对外提供了“服务”,只不过是两种不同的形式。ServerInterface为它们提供了统一的接口:
class ServerInterface {
public:
virtual Status Start() = 0;
virtual Status Stop() = 0;
virtual Status Join() = 0;
};
而所有的Server必须由其对应的工厂类产生,工厂类还提供了对其子类的注册接口:
class ServerFactory {
public:
virtual Status NewServer(...);
//任何一个工厂类的子类,都必须用这个方法将其一个对象注册到这里
static void Register(const string& server_type, ServerFactory* factory);
//根据server_def,寻找一个能产生指定server的工厂
static Status GetFactory(const ServerDef& server_def, ServerFactory** out_factory);
};
scheduler
根据Graph和CostModel的信息,计算不同调度策略下,每个节点的最早开始时间和最晚开始时间,三个类SlackAnalysis,GreedyScheduler,PriorityScheduler分别代表了松弛策略、贪心调度策略和优先级调度策略。
rendezvous_mgr_interface
类RendezvousMgr管理着一个局部rendezvous对象的集合。所有被当前的Worker发送的张量,在接收之前都在这个RendezvousMgr中保存着。每一个全局的step_id都对应着一个被RendezvousMgr管理的一个局部的rendezvous实例。
remote_device
包含了一个函数,NewRemoteDevices,它可以发现remote_worker上的可用设备。
partial_run_mgr
PartialRunMgr保存了未完成的局部运行的需求,它保证只有当对应的执行器完成运行时,它才会被标记为完成。
在TF的worker中,执行器会异步的执行,直到需求的输出(能够返回张量的操作)或者目标(不会返回张量的操作)完成。也就是说,计算图中有两类节点都可以作为worker执行的目标,一类是返回张量的操作对应的节点,一类是不返张量的操作对应的节点。一个局部运行包含两步,第一,设置所有需要的输出和目标,第二,获得输出。在第二步时,可能存在一种情况,即计算图中需求的输出已经计算完成,但需求的目标仍在计算。这时候,PartialRunMgr就发挥作用了,虽然这时理论上可以返回了,因为所有需求的输出都计算完成了,剩余的需求目标并不影响返回的结果。但TF仍然要求必须等到所有的目标都完成计算才行,因为在目标完成计算之前,我们并不知道中间的输出是否会发生变化。
message_wrappers
在Master和Worker之间相互通信的Request/Response的包装类。
// Wrapper classes for the `MasterService.RunStep` request message.
class RunStepRequestWrapper {}
class MutableRunStepRequestWrapper : public RunStepRequestWrapper {}
class InMemoryRunStepRequest : public MutableRunStepRequestWrapper {}
class MutableProtoRunStepRequest : public MutableRunStepRequestWrapper {}
class ProtoRunStepRequest : public RunStepRequestWrapper {}
// Wrapper classes for the `WorkerService.RunGraph` request message.
class RunGraphRequestWrapper {}
class MutableRunGraphRequestWrapper : public RunGraphRequestWrapper {}
class InMemoryRunGraphRequest : public MutableRunGraphRequestWrapper {}
class MutableProtoRunGraphRequest : public MutableRunGraphRequestWrapper {}
class ProtoRunGraphRequest : public RunGraphRequestWrapper {}
// Wrapper classes for the `WorkerService.RunGraph` response message.
class MutableRunGraphResponseWrapper {}
class InMemoryRunGraphResponse : public MutableRunGraphResponseWrapper {}
class OwnedProtoRunGraphResponse : public MutableRunGraphResponseWrapper {}
class NonOwnedProtoRunGraphResponse : public MutableRunGraphResponseWrapper {}
// Wrapper classes for the `MasterService.RunStep` response message.
class MutableRunStepResponseWrapper {}
class InMemoryRunStepResponse : public MutableRunStepResponseWrapper {}
class OwnedProtoRunStepResponse : public MutableRunStepResponseWrapper {}
class NonOwnedProtoRunStepResponse : public MutableRunStepResponseWrapper {}
master_session
与单机情况下的DirectSession对应的,分布式情况下的Master会话,它包含了图计算的基本步骤,比如资源分配、节点放置、图执行等。
master_interface
用于与TF的Master服务通信的虚拟接口。这个接口既支持基于RPC的master实现,也支持进程内部的master实现。
master
TF中Master服务的实现。与Worker服务对应。
master_env
Master的环境类,包含了一个Master所必须的环境资源指针。注意Master并不拥有这些指针。
local_master
局部Master的实现。局部Master的含义是,与Client的通信不是跨设备的,而是直接在进程内部进行的。这个Master的实现,是为了给同进程内部的Client提供更高效的Master服务。
graph_mgr
GraphMgr包含了注册到某个worker的图的集合。每一个注册的图都会被一个句柄标识,这个句柄由GraphMgr产生,并且返回给调用者。在注册成功之后,调用者通过一个图句柄来执行一张图。每一次的执行都被一个全局的"step_id"唯一标识。在同一张图上,可以重复和独立的执行多次,只要每一次执行的"step_id"都是不同的。
call_options
为不同的RPC系统提供了可插拔的调用接口。
base_rendezvous_mgr
为RendezvousMgrInterface提供了不同的实现,具体框架图如下:
posted on 2018-09-17 23:35 jicanghai 阅读(2300) 评论(0) 编辑 收藏 举报