05tensorflow分布式会话

一. tensorflow分布式

1.     概念

分布式Tensorflow是由高性能的gRPC框架作为底层技术来支持的。这是一个通信框架gRPC(google remote procedure call)，是一个高性能、跨平台的RPC框架。RPC协议，即远程过程调用协议，是指通过网络从远程计算机程序上请求服务。

2.     模式

1）单机单卡 一台服务器上多台设备（GPU）

2）多机多卡(分布式)

l  参数服务器（parameter server）ps：更新参数、保存参数

l  工作服务器（worker）:主要功能是计算。worker节点中需要一个主节点来进行会话初始化，创建文件等操作，其他节点等待进行计算

 

二. API

1.     分布式会话

MonitoredTrainingSession(master=‘’,is_chief=True,checkpoint_dir=None,hooks=None,save_checkpoint_secs=600,save_summaries_steps=USE_DEFAULT,save_summaries_secs=USE_DEFAULT,config=None)  分布式会话函数

• master:指定运行会话协议IP和端口（用于分布式）

       “grpc://192.168.0.1:2000”

• is_chief是否为主worker（用于分布式）

       如果True，它将负责初始化和恢复基础的TensorFlow会话。如果False，

它将等待一位负责人初始化或恢复TensorFlow会话。

• checkpoint_dir:检查点文件目录，同时也是events目录
• config:会话运行的配置项, tf.ConfigProto(log_device_placement=True)
• hooks:可选SessionRunHook对象列表

 

生成的对象可调用的函数：

• should_stop():是否异常停止
• run():跟session一样可以运行op

2.     Hook

tf.train.SessionRunHook

• Hook to extend calls to MonitoredSession.run()
• 1、begin():
• 在会话之前，做初始化工作
• 2、before_run(run_context)
  在每次调用run()之前调用，以添加run()中的参数。

ARGS：

run_context：一个SessionRunContext对象，包含会话运行信息

return：一个SessionRunArgs对象，例如：tf.train.SessionRunArgs(loss)

• 3、after_run(run_context,run_values)
  在每次调用run()后调用，一般用于运行之后的结果处理

该run_values参数包含所请求的操作/张量的结果 before_run()。

该run_context参数是相同的一个发送到before_run呼叫。

 ARGS：

run_context：一个SessionRunContext对象

run_values一个SessionRunValues对象, run_values.results

 

注：在使用钩子的时候需要定义一个全局步数

global_step = tf.contrib.framework.get_or_create_global_step()

3.     创建集群

cluster = tf.train.ClusterSpec({"ps": ps_spec, "worker": worker_spec})

cluster = tf.train.ClusterSpec({

“worker”:[“worker0.example.com:2222”,      /job:worker/task:0

“worker1.example.com:2222”,      /job:worker/task:1

“worker2.example.com:2222”],      /job:worker/task:2

"ps": [“ps0.example.com:2222”,     /job:ps/task:0

“ps1.example.com:2222”]   /job:ps/task:1

})

4.     创建服务

tf.train.Server(server_or_cluster_def, job_name=None, task_index=None, protocol=None, config=None, start=True)  创建服务(ps,worker)

l  server_or_cluster_def: 集群描述

l  job_name: 任务类型名称

l  task_index: 任务数

 

attribute：target

返回tf.Session连接到此服务器的目标

method：join()

参数服务器端，直到服务器等待接受参数任务关闭

5.     工作节点指定设备运行

tf.device(device_name_or_function)

• 选择指定设备或者设备函数
• if device_name:
  • 指定设备
  • 例如："/job:worker/task:0/cpu:0”
  • if function:
    • tf.train.replica_device_setter(worker_device=worker_device,cluster=cluster)
    • 作用：通过此函数协调不同设备上的初始化操作
    • worker_device:为指定设备,

“/job:worker/task:0/cpu:0” or"/job:worker/task:0/gpu:0"

• cluster:集群描述对象

注：使用with tf.device(),使不同工作节点工作在不同的设备上

 

三. 案例

import tensorflow as tf

FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_string("job_name", " ", "启动服务的类型ps or  worker")
tf.app.flags.DEFINE_integer("task_index", 0, "指定ps或者worker当中的那一台服务器以task:0 ,task:1")

def main(argv):

    # 定义全集计数的op ，给钩子列表当中的训练步数使用
    global_step = tf.contrib.framework.get_or_create_global_step()

    # 指定集群描述对象， ps , worker
    cluster = tf.train.ClusterSpec({"ps": ["10.211.55.3:2223"], "worker": ["192.168.65.44:2222"]})

    # 创建不同的服务, ps, worker
    server = tf.train.Server(cluster, job_name=FLAGS.job_name, task_index=FLAGS.task_index)

    # 根据不同服务做不同的事情 ps:去更新保存参数 worker:指定设备去运行模型计算
    if FLAGS.job_name == "ps":
        # 参数服务器什么都不用干，是需要等待worker传递参数
        server.join()
    else:
        worker_device = "/job:worker/task:0/cpu:0/"

        # 可以指定设备取运行
        with tf.device(tf.train.replica_device_setter(
            worker_device=worker_device,
            cluster=cluster
        )):
            # 简单做一个矩阵乘法运算
            x = tf.Variable([[1, 2, 3, 4]])
            w = tf.Variable([[2], [2], [2], [2]])

            mat = tf.matmul(x, w)

        # 创建分布式会话
        with tf.train.MonitoredTrainingSession(
            master= "grpc://192.168.65.44:2222", # 指定主worker
            is_chief= (FLAGS.task_index == 0),# 判断是否是主worker
            config=tf.ConfigProto(log_device_placement=True),# 打印设备信息
            hooks=[tf.train.StopAtStepHook(last_step=200)]
        ) as mon_sess:
            while not mon_sess.should_stop():
                print(mon_sess.run(mat))


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