一、简介

1) 使用单台机器或者单个GPU/CPU来进行模型训练，训练速度会受资源的影响，因为毕竟单个的设备的计算能力和存储能力具有一定的上限的，针对这个问题，TensorFlow支持分布式模型运算，支持多机器、多GPU、多CPU各种模型的组合运行方案的设计。(默认情况下，TensorFlow程序会将程序运行在第一个GPU上<如果有GPU，并且安装的TensorFlow支持GPU运行>)

2)TensorFlow的分布式支持单机多GPU、单机GPU+CPU、多机GPU等结构，不过所有结构的构建方式基本类似。

3) 除了TensorFlow外，Caffe、DeepLearning4j等也支持分布式训练，TensorFlow中的集群(Cluster)指的是一系列能够对TensorFlow中的图(graph)进行分布式计算的任务(task)。每个任务是同服务(server)相关联的。TensorFlow中的服务会包含一个用于创建session的主节点和至少一个用于图运算的工作节点。另外在TensorFlow中，一个集群可以被拆分为一个或者多个作业(job)，每个作业可以包含至少一个任务。

4）cluster(集群)、job(作业)、task(任务)概念：三者可以简单的看成是层次关系，task可以看成每台机器上的一个进程，多个task组成job；job又有：ps、worker两种，分别用于参数服务、计算服务，组成cluster。

二、构建步骤

TensorFlow分布式集群的构建主要通过代码实现，主要步骤如下：

①创建集群(Cluster)

创建一个tf.train.ClusterSpec用于对集群中的所有任务进行描述，该描述内容对于所有内容应该是相同的。
创建tf.train.Server并将tf.train.ClusterSpec中参数传入构造函数，

②使用tf.device API指定运算的设备，构建计算图，最后提交运算

备注：TensorFlow负责内部作业之间的数据传输

详细见最后的实验代码。

三、实现方式

TensorFlow中主要包含两个方面

第一：对不同数据大小进行计算的任务(work作业)

第二：用于不停更新共享参数的任务(ps作业)。这样任务都可以运行不同在机器上，在TensorFlow中，主要实现方式如下：

图内的拷贝(In-Graph Replication)
图间的拷贝(Between-Graph Replication)
异步训练(Asynchronous Training)
同步训练(Synchronous Training)

3.1）在In-Graph Replication

指定整个集群由一个客户端来构建图，并且这个客户端来提交图到集群中，worker只负责处理执行任务。In-Graph模式的好处在于解耦了TensorFlow集群和训练应用之间的关系，这样可以提前构建好参数服务器和计算服务器，而这些角色本身不需要额外的逻辑代码，只需要使用join等待即可，真正的训练逻辑全部位于客户端，具有足够高的灵活性。

备注：在小规模数据集的情况下，经常使用。在海量数据的训练过程中，不建议使用该方式，建议使用Between-Graph Replication模式。

3.2）在Between-Graph Replication

每个客户端会构建一个相似的图结构，该结构中的参数均通过ps作业进行声明并使用tf.train.replica_device_setter方法将参数映射到不同的任务作业中。

3.3）Synchronous Training

在同步训练中，每个graph的副本读取相同的parameter值，并行的计算，然后将计算完的结果放到一起处理。在TensorFlow中，如果是Betweengraph replication的情况下，可以通tf.train.SyncReplicasOptimizer来处理，如果是In-graph replication情况下，直接对结果进行处理即可(比如平均).

3.4）Asynchronous Training

在异步训练中，每个任务计算完后，就会直接使用计算出的结果更新parameter值。不同的任务之间不存在协调进度。

同步训练需要等待最慢的一个任务执行完后，才可用更新参数；异步训练中，可以每执行完一个任务，就更新一次参数。一般情况下，建议使用异步训练。

四、Demo演示

server-demo.py服务器代码：

    1 	import tensorflow as tf
    2 	# 1. 配置服务器相关信息
    3 	# 因为tensorflow底层代码中，默认就是使用ps和work分别表示两类不同的工作节点
    4 	# ps：变量/张量的初始化、存储相关节点
    5 	# work: 变量/张量的计算/运算的相关节点
    6 	ps_hosts = ['127.0.0.1:33331', '127.0.0.1:33332']
    7 	work_hosts = ['127.0.0.1:33333', '127.0.0.1:33334', '127.0.0.1:33335']
    8 	cluster = tf.train.ClusterSpec({'ps': ps_hosts, 'work': work_hosts})
    9 	# 2. 定义一些运行参数(在运行该python文件的时候就可以指定这些参数了)
   10 	tf.app.flags.DEFINE_string('job_name', default_value='work', docstring="One of 'ps' or 'work'")
   11 	tf.app.flags.DEFINE_integer('task_index', default_value=0, docstring="Index of task within the job")
   12 	FLAGS = tf.app.flags.FLAGS
   13 	# 2. 启动服务
   14 	def main(_):
   15 	    print(FLAGS.job_name)
   16 	    server = tf.train.Server(cluster, job_name=FLAGS.job_name, task_index=FLAGS.task_index)
   17 	    server.join()
   18 	if __name__ == '__main__':
   19 	    # 底层默认会调用main方法
   20 	    tf.app.run()

客户端代码：client-demo01

    1 	import tensorflow as tf
    2 	import numpy as np
    3 	# 1. 构建图
    4 	with tf.device('/job:ps/task:0'):
    5 	    # 2. 构造数据
    6 	    x = tf.constant(np.random.rand(100).astype(np.float32))
    7 	# 3. 使用另外一个机器
    8 	with tf.device('/job:work/task:1'):
    9 	    y = x * 0.1 + 0.3
   10 	# 4. 运行
   11 	with tf.Session(target='grpc://127.0.0.1:33335',
   12 	config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess:
   13 	    print(sess.run(y))

执行：

1、通过命令行，进入对应环境：我的是activate tensorflow-gpu,再进入对应server-demo.py所在文件夹，重复打开5个，分别输入（虽然最后结果只是在最后3335中显示，但是必须要全部运行，才能运算出结果）：

python server-demo.py --job_name=ps --task_index=0

python server-demo.py --job_name=ps --task_index=1

python server-demo.py --job_name=work --task_index=0

python server-demo.py --job_name=work --task_index=1

python server-demo.py --job_name=work --task_index=2

2、运行客户端，最后结果如下：

【TF-2-5】Tensorflow-分布式训练

目录