- 当前位置：首页 >系统运维 >TensorFlow分布式计算机制解读：以数据并行为重
TensorFlow分布式计算机制解读：以数据并行为重
发布时间：2025-11-04 12:52:16 来源：技术快报 作者：IT科技
Tensorflow 是分布一个为数值计算(最常见的是训练神经网络)设计的流行开源库。在这个框架中，式计算机计算流程通过数据流程图(data flow graph)设计，制解重这为更改操作结构与安置提供了很大灵活性。读数TensorFlow 允许多个 worker 并行计算，据并这对必须通过处理的分布大量训练数据训练的神经网络是有益的。此外，式计算机如果模型足够大，制解重这种并行化有时可能是读数必须的。在本文中，据并我们将探讨 TensorFlow 的分布分布式计算机制。
TensorFlow 计算图示例
数据并行 VS. 模型并行
当在多个计算节点间分配神经网络训练时，式计算机通常采用两种策略：数据并行和模型并行。制解重在前者中，读数在每个节点上单***建模型的据并实例，并馈送不同的训练样本;这种架构允许更高的训练吞吐量。相反，在模型并行中，模型的单一实例在多个节点间分配，免费源码下载这种架构允许训练更大的模型(可能不一定适合单节点的存储器)。如果需要，也可以组合这两种策略，使给定模型拥有多个实例，每个实例跨越多个节点。在本文中，我们将重点关注数据并行。
数据并行与模型并行的不同形式。左：数据并行;中：模型并行;右：数据并行与模型并行
TensorFlow 中的数据并行
当使用 TensorFlow 时，数据并行主要表现为两种形式：图内复制(in-graph replication)和图间复制(between-graph replication)。两种策略之间最显著的区别在于流程图的结构与其结果。
1. 图内复制
图内复制通常被认为是两种方法中更简单和更直接(但更不可扩展的)的方法。当采用这种策略时，需要在分布式的主机上创建一个包含所有 worker 设备中副本的流程图。可以想象，随着 worker 数量的增长，这样的流程图可能会大幅扩展，这可能会对模型性能产生不利影响。然而，对于小系统(例如，云服务器双 GPU 台式计算机)，由于其简单性，图内复制可能是***的。
以下是使用单个 GPU 的基线 TensorFlow 方法与应用图内复制方法的代码片段的对比。考虑到图内复制方法与扩展(scaling)相关的问题，我们将仅考虑单机、多 GPU 配置的情况。这两个代码片段之间的差异非常小，它们的差异仅存在于：对输入数据的分块，使得数据在各 worker 间均匀分配，遍历每个含有 worker 流程图的设备，并将来自不同 worker 的结果连接起来。通过少量代码更改，我们可以利用多个设备，这种方法使可扩展性不再成为大障碍，从而在简单配置下更受欢迎。
# single GPU (baseline) 单个 GPU（基线） import tensorflow as tf # place the initial data on the cpu with tf.device(/cpu:0): input_data = tf.Variable([[1., 2., 3.],[4., 5., 6.],[7., 8., 9.],[10., 11., 12.]]) b = tf.Variable([[1.], [1.], [2.]])# compute the result on the 0th gpuwith tf.device(/gpu:0): output = tf.matmul(input_data, b)# create a session and runwith tf.Session() as sess: sess.run(tf.global_variables_initializer())print sess.run(output) # in-graph replication 图内复制 import tensorflow as tf num_gpus = 2 # place the initial data on the cpu with tf.device(/cpu:0): input_data = tf.Variable([[1., 2., 3.],[4., 5., 6.],[7., 8., 9.],[10., 11., 12.]]) b = tf.Variable([[1.], [1.], [2.]])# split the data into chunks for each gpu inputs = tf.split(input_data, num_gpus) outputs = []# loop over available gpus and pass input datafor i in range(num_gpus):with tf.device(/gpu:+str(i)): outputs.append(tf.matmul(inputs[i], b))# merge the results of the deviceswith tf.device(/cpu:0): output = tf.concat(outputs, axis=0)# create a session and runwith tf.Session() as sess: sess.run(tf.global_variables_initializer())print sess.run(output)这些更改也可以通过检查下面的 TensorFlow 流程图来可视化。增加的 GPU 模块说明了原始方法的亿华云扩展方式。
图内复制的可视化。左：原始图。右：图内复制的结果图。
2. 图间复制
认识到图内复制在扩展上的局限性，图间复制的优势在于运用大量节点时保证模型性能。这是通过在每个 worker 上创建计算图的副本来实现的，并且不需要主机保存每个 worker 的图副本。通过一些 TensorFlow 技巧来协调这些 worker 的图——如果两个单独的节点在同一个 TensorFlow 设备上分配一个具有相同名称的变量，则这些分配将被合并，变量将共享相同的后端存储，从而这两个 worker 将合并在一起。
但是，必须确保设备的正确配置。如果两个 worker 在不同的设备上分配变量，则不会发生合并。对此，TensorFlow 提供了 replica_device_setter 函数。只要每个 worker 以相同的顺序创建计算图，replica_device_setter 为变量分配提供了确定的方法，确保变量在同一设备上。这将在下面的代码中演示。
由于图间复制在很大程度上重复了原始图，因此多数相关的修改实际上都在集群中节点的配置上。因此，下面的代码段将只针对这一点进行改动。重要的是要注意，这个脚本通常会在集群中的每台机器上执行，但具体的命令行参数不同。下面来逐行研究代码。
import sysimport tensorflow as tf # specify the clusters architecture cluster = tf.train.ClusterSpec({ps: [192.168.1.1:1111],worker: [192.168.1.2:1111,192.168.1.3:1111]})# parse command-line to specify machine job_type = sys.argv[1] # job type: "worker" or "ps" task_idx = sys.argv[2] # index job in the worker or ps list# as defined in the ClusterSpec# create TensorFlow Server. This is how the machines communicate. server = tf.train.Server(cluster, job_name=job_type, task_index=task_idx)# parameter server is updated by remote clients.# will not proceed beyond this if statement.if job_type == ps: server.join()else:# workers onlywith tf.device(tf.train.replica_device_setter( worker_device=/job:worker/task:+task_idx, clustercluster=cluster)):# build your model here as if you only were using a single machinewith tf.Session(server.target):# train your model here运行分布式 TensorFlow 的***步是使用 tf.train.ClusterSpec 来指定集群的架构。节点通常分为两个角色(或「job」)：含有变量的参数服务器(「ps」)和执行大量计算的「worker」。下面提供每个节点的 IP 地址和端口。接下来，脚本必须确定其 job 类型和在网络中的索引;这通常是通过将命令行参数传递给脚本并解析来实现的。job_type 指定节点是运行 ps 还是 worker 任务，而 task_idx 指定节点在 ps 或 worker 列表中的索引。使用以上变量创建 TensorFlow 服务器，用于连接各设备。
接下来，如果节点是参数服务器，它只连接它们的线程并等待它们终止。虽然似乎没有特定的 ps 代码，但图元素实际上是由 worker 推送到 ps 的。
相反，如果设备是 worker，则使用 replica_device_setter 构建我们的模型，以便在前面讨论的这些 ps 服务器上连续分配参数。这些副本将在很大程度上与单机的流程图相同。***，我们创建一个 tf.Session 并训练我们的模型。
总结
希望本文清楚地阐述了与分布式 TensorFlow 相关的一些术语和技术。在以后的文章中，我们将详细探讨与此相关及其它的主题。
原文：https://clindatsci.com/blog/2017/5/31/distributed-tensorflow
【本文是专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】
戳这里，看该作者更多好文
- Copyright © 2025 Powered by TensorFlow分布式计算机制解读：以数据并行为重,技术快报 滇ICP备2023006006号-46sitemap