今天將介紹如何創建 TensorFlow Server 集群，及如何在該集群中發布計算圖。在這里，我們假設您熟悉編寫低級 TensorFlow 程序的基本概念 basic concepts。

你好，分布式 TensorFlow !

想要查看正在運行的簡單 TensorFlow 集群，請執行以下操作：

# Start a TensorFlow server as a single-process "cluster".$ python>>> import tensorflow as tf>>> c = tf.constant("Hello, distributed TensorFlow!")>>> server = tf.train.Server.create_local_server()>>> sess = tf.Session(server.target) # Create a session on the server.>>> sess.run(c)'Hello, distributed TensorFlow!'

tf.train.Server.create_local_server方法使用進程內 Server 創建單進程集群。

創建一個集群

TensorFlow “集群” 是一組參與 TensorFlow 圖的分布式執行的 “任務”。每個任務都與 TensorFlow“Server” 相關聯，該 server 包含可用于創建會話的 “master 主干”，以及在圖中執行操作的 “worker”。群集還可以劃分為一個或多個 “作業”，其中每個作業包含一個或多個任務。

要創建群集，請在群集中的每個任務中啟動一個 TensorFlow Server。每個任務通常在不同的計算機上運行，但您可以在同一臺計算機上運行多個任務（例如，控制不同的 GPU 設備）。在每項任務中，執行以下操作：

創建一個描述集群中所有任務的 tf.train.ClusterSpec 每項任務都應該相同

創建一個 tf.train.Server，將 tf.train.ClusterSpec 傳遞給構造函數，并使用作業名稱和任務索引標識本地任務

創建一個 tf.train.ClusterSpec 來描述集群

集群規范字典將作業名稱映射到網絡地址列表。將此字典傳遞給tf.train.ClusterSpec 構造函數。例如：

在每個任務中創建一個tf.train.Server 實例

tf.train.Server 對象包含一組本地設備，一組與 tf.train.ClusterSpec 中其他任務的連接，以及一個可以使用它們執行分布式計算的tf.Session。每個 server 都是特定命名作業的成員，并且在該作業中具有任務索引。一個 server 可以與群集中的任何其他服務器通信。

例如，要啟動在 localhost：2222 和 localhost：2223 上運行的兩個服務器的集群，請在本地計算機上的兩個不同進程中運行以下代碼段：

# In task 0:cluster = tf.train.ClusterSpec({"local": ["localhost:2222", "localhost:2223"]})server = tf.train.Server(cluster, job_name="local", task_index=0)

# In task 1:cluster = tf.train.ClusterSpec({"local": ["localhost:2222", "localhost:2223"]})server = tf.train.Server(cluster, job_name="local", task_index=1)

注意：手動指定這些群集規范可能會很繁瑣，尤其是對于大型群集。我們正在開發以編程方式啟動任務的工具，例如：使用像 Kubernetes 這樣的集群管理器。如果您希望獲得某些特定集群管理器的技術支持，請在 GitHub issue 提出。

在模型中指定分布式設備

要對特定進程執行操作，可以使用相同的 tf.device函數來指定操作是在 CPU 還是 GPU 上運行。例如：

with tf.device("/job:ps/task:0"): weights_1 = tf.Variable(...) biases_1 = tf.Variable(...)with tf.device("/job:ps/task:1"): weights_2 = tf.Variable(...) biases_2 = tf.Variable(...)with tf.device("/job:worker/task:7"): input, labels = ... layer_1 = tf.nn.relu(tf.matmul(input, weights_1) + biases_1) logits = tf.nn.relu(tf.matmul(layer_1, weights_2) + biases_2) # ... train_op = ...with tf.Session("grpc://worker7.example.com:2222") as sess: for _ in range(10000): sess.run(train_op)

在上面的示例中，變量是在 ps 作業中的兩個任務上創建的，而模型的計算密集型部分是在 worker 作業中創建的。 TensorFlow 將在作業之間插入適當的數據傳輸（從 ps 到 worker 用于正向傳遞，從 worker 到 ps 用于應用漸變）。

復制訓練

一個常見的訓練配置，被稱為 “數據并行”，它涉及在不同的小批量數據上訓練相同的模型額 worker 作業中的多個任務，更新在 ps 作業中的一個或多個任務中托管的共享參數。所有任務通常在不同的機器上運行。在 TensorFlow 中有很多方法可以指定這個結構，我們正在構建庫，這將簡化指定復制模型的工作。可能有效的方法包括：

圖形內復制。在這種方法中，客戶端構建一個包含一組參數的tf.Graph（在tf.Variable 節點固定到 / job：ps）；以及模型中計算密集型部分的多個副本，每個副本都固定在 / job：worker 中的不同任務中

圖之間的復制。在這種方法中，每個 / job：worker 任務都有一個單獨的客戶端，通常與 worker 任務在同一個進程中。每個客戶端構建一個包含參數的類似圖形（固定到 / job：psas，然后使用 tf.train.replica_device_setter將它們確定性地映射到相同的任務）；以及模型的計算密集型部分的單個副本，固定到 / job：worker 中的本地任務。

異步訓練。在這種方法中，圖的每個副本都有一個獨立的訓練循環，無需協調即可執行。它與上述兩種復制形式兼容。

同步培訓。在此方法中，所有副本都為當前參數讀取相同的值，并行計算梯度，然后一起應用。它與圖形內復制兼容（例如，如在 CIFAR-10 multi-GPU trainer 中使用梯度平均），以及圖之間復制（例如，使用 tf.train.SyncReplicasOptimizer）均兼容。

綜合起來： 示例 trainer 計劃

以下代碼顯示了分布式 trainer 程序的框架，實現了圖形間復制和異步訓練。它包括參數 server 和 worker 任務的代碼。

import argparseimport sysimport tensorflow as tfFLAGS = Nonedef main(_): ps_hosts = FLAGS.ps_hosts.split(",") worker_hosts = FLAGS.worker_hosts.split(",") # Create a cluster from the parameter server and worker hosts. cluster = tf.train.ClusterSpec({"ps": ps_hosts, "worker": worker_hosts}) # Create and start a server for the local task. server = tf.train.Server(cluster, job_name=FLAGS.job_name, task_index=FLAGS.task_index) if FLAGS.job_name == "ps": server.join() elif FLAGS.job_name == "worker": # Assigns ops to the local worker by default. with tf.device(tf.train.replica_device_setter( worker_device="/job:worker/task:%d" % FLAGS.task_index, cluster=cluster)): # Build model... loss = ... global_step = tf.contrib.framework.get_or_create_global_step() train_op = tf.train.AdagradOptimizer(0.01).minimize( loss, global_step=global_step) # The StopAtStepHook handles stopping after running given steps. hooks=[tf.train.StopAtStepHook(last_step=1000000)] # The MonitoredTrainingSession takes care of session initialization, # restoring from a checkpoint, saving to a checkpoint, and closing when done # or an error occurs. with tf.train.MonitoredTrainingSession(master=server.target, is_chief=(FLAGS.task_index == 0), checkpoint_dir="/tmp/train_logs", hooks=hooks) as mon_sess: while not mon_sess.should_stop(): # Run a training step asynchronously. # See tf.train.SyncReplicasOptimizer for additional details on how to # perform *synchronous* training. # mon_sess.run handles AbortedError in case of preempted PS. mon_sess.run(train_op)if __name__ == "__main__": parser = argparse.ArgumentParser() parser.register("type", "bool", lambda v: v.lower() == "true") # Flags for defining the tf.train.ClusterSpec parser.add_argument( "--ps_hosts", type=str, default="", help="Comma-separated list of hostname:port pairs" ) parser.add_argument( "--worker_hosts", type=str, default="", help="Comma-separated list of hostname:port pairs" ) parser.add_argument( "--job_name", type=str, default="", help="One of 'ps', 'worker'" ) # Flags for defining the tf.train.Server parser.add_argument( "--task_index", type=int, default=0, help="Index of task within the job" ) FLAGS, unparsed = parser.parse_known_args() tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)

要使用兩個參數 server 和兩個 worker 程序啟動 trainer，請使用以下命令行（假設該腳本名為 trainer.py）：

# On ps0.example.com:$ python trainer.py \ --ps_hosts=ps0.example.com:2222,ps1.example.com:2222 \ --worker_hosts=worker0.example.com:2222,worker1.example.com:2222 \ --job_name=ps --task_index=0# On ps1.example.com:$ python trainer.py \ --ps_hosts=ps0.example.com:2222,ps1.example.com:2222 \ --worker_hosts=worker0.example.com:2222,worker1.example.com:2222 \ --job_name=ps --task_index=1# On worker0.example.com:$ python trainer.py \ --ps_hosts=ps0.example.com:2222,ps1.example.com:2222 \ --worker_hosts=worker0.example.com:2222,worker1.example.com:2222 \ --job_name=worker --task_index=0# On worker1.example.com:$ python trainer.py \ --ps_hosts=ps0.example.com:2222,ps1.example.com:2222 \ --worker_hosts=worker0.example.com:2222,worker1.example.com:2222 \ --job_name=worker --task_index=1

詞匯表

客戶端

客戶端通常是一個程序，用于建立一個 TensorFlow 圖，并構造 tensorflow :: Session 以與集群交互。客戶端主要使用 Python 或 C ++ 編寫。一個單客戶端進程可以直接與多個 TensorFlow Server 交互（請參閱上面的 “復制訓練”），一個單 Server 也可以為多個客戶端提供服務。

集群

一個 TensorFlow 集群包括一個或多個 “作業”，每個 “作業” 被劃分為一個或多個 “任務” 列表。一個集群通常效力于一個特定的高級別的目標，例如多機并行訓練一個神經網絡，并行使用多臺機器。集群由 tf.train.ClusterSpec 目標函數定義。

作業

一個作業由一系列 “任務” 組成，通常用于實現共同目的。 例如，名為 ps 的作業（用于 “參數服務器”）通常承載存儲和更新變量參數的節點；而名為 worker 的作業通常托管執行計算密集型任務的無狀態節點。作業中的任務通常在不同的計算機上運行。作業角色集是靈活的：例如，一個 worker 可以維持某種狀態。

核心服務

RPC 服務為分布式設備之間提供遠程訪問，并充當會話目標的角色。核心設備實現 tensorflow :: Session 接口，負責協調跨一個或多個 “worker services” 之間的工作。所有 TensorFlow Servers 都實現核心服務。

任務

任務對應于特定的 TensorFlow Server，通常對應于單個進程。任務屬于特定的 “作業”，并通過該作業的任務列表中的索引標識來區分。

TensorFlowserver運行 tf.train.Server 實例的進程，該實例是集群的成員，并導出 “master service 主服務” 和 “worker service 工作服務”。

工作服務

RPC 服務，使用其本地設備執行 TensorFlow 圖的部分。 Worker service 工作服務執行 worker_service.proto。所有的 TensorFlow Server 都執行 worker service 工作服務。