关键词：
当我们在大型的数据集上面进行深度学习的训练时，往往需要大量的运行资源，而且还要花费大量时间才能完成训练。
1.分布式TensorFlow的角色与原理
在分布式的TensorFlow中的角色分配如下：
PS：作为分布式训练的服务端，等待各个终端(supervisors)来连接。
worker：在TensorFlow的代码注释中被称为终端(supervisors)，作为分布式训练的计算资源终端。
chief supervisors：在众多的运算终端中必须选择一个作为主要的运算终端。该终端在运算终端中最先启动，它的功能是合并各个终端运算后的学习参数，将其保存或者载入。
每个具体的网络标识都是唯一的，即分布在不同IP的机器上(或者同一个机器的不同端口)。在实际的运行中，各个角色的网络构建部分代码必须100%的相同。三者的分工如下：
服务端作为一个多方协调者，等待各个运算终端来连接。
chief supervisors会在启动时同一管理全局的学习参数，进行初始化或者从模型载入。
其他的运算终端只是负责得到其对应的任务并进行计算，并不会保存检查点，用于TensorBoard可视化中的summary日志等任何参数信息。
在整个过程都是通过RPC协议来进行通信的。
2.分布部署TensorFlow的具体方法
配置过程中，首先建立一个server，在server中会将ps及所有worker的IP端口准备好。接着，使用tf.train.Supervisor中的managed_ssion来管理一个打开的session。session中只是负责运算，而通信协调的事情就都交给supervisor来管理了。
3.部署训练实例
下面开始实现一个分布式训练的网络模型，以线性回归为例，通过3个端口来建立3个终端，分别是一个ps，两个worker，实现TensorFlow的分布式运算。
1. 为每个角色添加IP地址和端口，创建sever，在一台机器上开3个不同的端口，分别代表PS，chief supervisor和worker。角色的名称用strjob_name表示，以ps为例，代码如下：
# 定义IP和端口 strps_hosts = ‘localhost:1681‘ strworker_hosts = ‘localhost:1682,localhost:1683‘ # 定义角色名称 strjob_name = ‘ps‘ task_index = 0 # 将字符串转数组 ps_hosts = strps_hosts.split(‘,‘) worker_hosts = strps_hosts.split(‘,‘) cluster_spec = tf.train.ClusterSpec(‘ps‘: ps_hosts, ‘worker‘: worker_hosts) # 创建server server = tf.train.Server(‘ps‘:ps_hosts, ‘worker‘:worker_hosts, job_name=strjob_name, task_index=task_index)
2为ps角色添加等待函数
ps角色使用server.join函数进行线程挂起，开始接受连续消息。
# ps角色使用join进行等待 if strjob_name == ‘ps‘: print("wait") server.join()
3.创建网络的结构
与正常的程序不同，在创建网络结构时，使用tf.device函数将全部的节点都放在当前任务下。在tf.device函数中的任务是通过tf.train.replica_device_setter来指定的。在tf.train.replica_device_setter中使用worker_device来定义具体任务名称；使用cluster的配置来指定角色及对应的IP地址，从而实现管理整个任务下的图节点。代码如下：
with tf.device(tf.train.replica_device_setter(worker_device=‘/job:worker/task:%d‘%task_index, cluster=cluster_spec)): X = tf.placeholder(‘float‘) Y = tf.placeholder(‘float‘) # 模型参数 w = tf.Variable(tf.random_normal([1]), name=‘weight‘) b = tf.Variable(tf.zeros([1]), name=‘bias‘) global_step = tf.train.get_or_create_global_step() # 获取迭代次数 z = tf.multiply(X, w) + b tf.summary(‘z‘, z) cost = tf.reduce_mean(tf.square(Y - z)) tf.summary.scalar(‘loss_function‘, cost) learning_rate = 0.001 optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost, global_step=global_step) saver = tf.train.Saver(max_to_keep=1) merged_summary_op = tf.summary.merge_all() # 合并所有summary init = tf.global_variables_initializer()
4.创建Supercisor，管理session
在tf.train.Supervisor函数中，is_chief表明为是否为chief Supervisor角色，这里将task_index=0的worker设置成chief Supervisor。saver需要将保存检查点的saver对象传入。init_op表示使用初始化变量的函数。
training_epochs = 2000 display_step = 2 sv = tf.train.Supervisor(is_chief=(task_index == 0),# 0号为chief logdir=‘log/spuer/‘, init_op=init, summary_op=None, saver=saver, global_step=global_step, save_model_secs=5) # 连接目标角色创建session with sv.managed_session(saver.target) as sess:
5迭代训练
session中的内容与以前一样，直接迭代训练即可。由于使用了supervisor管理session，将使用sv.summary_computed函数来保存summary文件。
print(‘sess ok‘) print(global_step.eval(session=sess)) for epoch in range(global_step.eval(session=sess), training_epochs*len(train_x)): for (x, y) in zip(train_x, train_y): _, epoch = sess.run([optimizer, global_step], feed_dict=X: x, Y: y) summary_str = sess.run(merged_summary_op, feed_dict=X: x, Y: y) sv.summary_computed(sess, summary_str, global_step=epoch) if epoch % display_step == 0: loss = sess.run(cost, feed_dict=X:train_x, Y:train_y) print("Epoch:", epoch+1, ‘loss:‘, loss, ‘W=‘, sess.run(w), w, ‘b=‘, sess.run(b)) print(‘ finished ‘) sv.saver.save(sess, ‘log/linear/‘ + "sv.cpk", global_step=epoch) sv.stop()
（1）在设置自动保存检查点文件后，手动保存仍然有效，
（2）在运行一半后，在运行supervisor时会自动载入模型的参数，不需要手动调用restore。
（3）在session中不需要进行初始化的操作。
6.建立worker文件
新建两个py文件，设置task_index分别为0和1，其他的部分和上述的代码相一致。
strjob_name = ‘worker‘ task_index = 1 strjob_name = ‘worker‘ task_index = 0
7.运行
我们分别启动写好的三个文件，在运行结果中，我们可以看到循环的次数不是连续的，显示结果中会有警告，这是因为在构建supervisor时没有填写local_init_op参数，该参数的含义是在创建worker实例时，初始化本地变量，上述代码中没有设置，系统会自动初始化，并给出警告提示。
分布运算的目的是为了提高整体运算速度，如果同步epoch的准确率需要牺牲总体运行速度为代价，自然很不合适。
在ps的文件中，它只是负责连接，并不参与运算。
tensorflow简明入门教程(代码片段)
...经验丰富的数据科学家和对神经网络感兴趣的新手平台。TensorFlow是其中之一，TensorFlow是Google一年前开源的一个机器学习库。在这篇文章中，我向你介绍TensorFlow的基础知识，并且为你讲解几个在图像分类领域的TensorFlow模型。然... 查看详情
tensorflow——分布式的tensorflow运行环境(代码片段)
...行资源，而且还要花费大量时间才能完成训练。1.分布式TensorFlow的角色与原理在分布式的TensorFlow中的角色分配如下：PS：作为分布式训练的服务端，等待各个终端(supervisors)来连接。worker：在TensorFlow的代码注释中被称为终端(superv... 查看详情
分布式 TensorFlow：谁应用参数更新？
】分布式TensorFlow：谁应用参数更新？【英文标题】：DistributedTensorflow:whoappliestheparameterupdate?【发布时间】：2019-01-0807:43:35【问题描述】：我使用过TensorFlow，但对分布式TensorFlow进行训练模型还是很陌生。我的理解是，当前的最佳... 查看详情
安装 Tensorflow 和 Keras 后无法安装 Spyder
】安装Tensorflow和Keras后无法安装Spyder【英文标题】：Can\'tinstallSpyderafterinstallingTensorflowandKeras【发布时间】：2022-01-1900:04:08【问题描述】：在安装Keras和Tensorflow后，我正在努力安装Spyder(5.1.5)。以下是我目前采取的步骤：安装Anacond... 查看详情
tensorboard使用
关于TensorBoard的安装是在安装Tensorflow的过程中就已经默认安装好了，所以安装了Tensorflow就不需要再安装TensorBoard，直接使用就可以了。具体的使用方法：命令行中输入 tensorboard --logdir=PATH这里的PATH是你的log... 查看详情
《30天吃掉那只tensorflow2.0》三tensorflow的层次结构
三、TensorFlow的层次结构我们介绍TensorFlow中5个不同的层次结构：即硬件层，内核层，低阶API，中阶API，高阶API。并以线性回归和DNN二分类模型为例，直观对比展示在不同层级实现模型的特点。TensorFlow的层... 查看详情
tensorflow分布式计算机制解读：以数据并行为重
Tensorflow是一个为数值计算(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，计算流程通过数据流程图(dataflowgraph)设计，这为更改操作结构与安置提供了很大灵活性。TensorFlow允许多个worker并行计算，这对必须通过处... 查看详情
tensorflow机器学习：如何正确的掌握google深度学习框架tensorflow（第二代分布式机器学习系统）？
本文标签： 机器学习TensorFlowGoogle深度学习框架分布式机器学习唐源VGGREST 服务器自2015年底开源到如今更快、更灵活、更方便的1.0版本正式发布，由Google推出的第二代分布式机器学习系统TensorFlow一直在为我们带来惊... 查看详情
tensorflow1.3.0支持分布式吗
参考技术A支持的。但是是建立在你对TensorFlow的基础操作已经熟练掌握的基础之上。 查看详情
tensorflow分布式部署单机多卡(代码片段)
让TensorFlow飞一会儿面对大型的深度神经网络训练工程，训练的时间非常重要。训练的时间长短依赖于计算处理器也就是GPU，然而单个GPU的计算能力有限，利用多个GPU进行分布式部署，同时完成一个训练任务是一个很好的办法。... 查看详情
当spark遇上tensorflow分布式深度学习框架原理和实践
近年来，机器学习和深度学习不断被炒热，tensorflow作为谷歌发布的数值计算和神经网络的新框架也获得了诸多关注，spark和tensorflow深度学习框架的结合，使得tensorflow在现有的spark集群上就可以进行深度学习，而不需要为深度学... 查看详情
tensorflow-分布式(代码片段)
概述分布式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(googleremoteprocedurecall)，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... 查看详情
找不到满足要求 tensorflow 的版本（来自版本：）没有为 tensorflow 找到匹配的分布
】找不到满足要求tensorflow的版本（来自版本：）没有为tensorflow找到匹配的分布【英文标题】：Couldnotfindaversionthatsatisfiestherequirementtensorflow(fromversions:)Nomatchingdistributionfoundfortensorflow【发布时间】：2019-02-2307:20:02【问题描述】：在... 查看详情
tensorflow在推荐系统中的分布式训练优化实践
总第481篇2021年第051篇美团内部深度定制的TensorFlow版本，基于原生TensorFlow1.x架构与接口，从大规模稀疏参数的支持、训练模式、分布式通信优化、流水线优化、算子优化融合等多维度进行了深度优化。在推荐系统场景中，分布式... 查看详情
分布式tensorflow采坑记
单机版的TF没毛病，但是当大家在TensorflowGithub里面找到可用的模型，想分布式跑到时候，就会跑出来各种奇怪的问题。我尝试了几种不同构造TF的方式，算是成功渡过了踩坑期，特别记录一下。如果能帮助到各位TFboy最好。方法... 查看详情
Tensorflow：分类概率分布的 KL 散度
】Tensorflow：分类概率分布的KL散度【英文标题】：Tensorflow:KLdivergenceforcategoricalprobabilitydistribution【发布时间】：2017-11-0220:04:59【问题描述】：我正在尝试使用KL散度计算我的网络的准确性。预测是一个k维概率向量，应与相同维度... 查看详情
[tensorflow系列-2]：googletensorflow简介生态环境开发架构软件架构
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119360465目录第1章什么是TensorFlow？第2章深度学习的软件架构第3章Tensorflow软件开发架构第4章Tensorflo 查看详情
有人让 Tensorflow 分布式培训笔记本工作吗？
】有人让Tensorflow分布式培训笔记本工作吗？【英文标题】：DoesanyonegettheTensorflowdistributedtrainingnotebooktowork?【发布时间】：2019-09-1821:16:18【问题描述】：当我运行这个从Tensorflows文档站点链接的笔记本时，https://colab.research.google.com... 查看详情