當我們在大型的數據集上面進行深度學習的訓練時，往往需要大量的運行資源，而且還要花費大量時間才能完成訓練。
1.分布式TensorFlow的角色與原理
在分布式的TensorFlow中的角色分配如下：
PS：作為分布式訓練的服務端，等待各個終端(supervisors)來連接。
worker：在TensorFlow的代碼注釋中被稱為終端(supervisors)，作為分布式訓練的計算資源終端。
chief supervisors：在眾多的運算終端中必須選擇一個作為主要的運算終端。該終端在運算終端中最先啟動，它的功能是合並各個終端運算后的學習參數，將其保存或者載入。
每個具體的網絡標識都是唯一的，即分布在不同IP的機器上(或者同一個機器的不同端口)。在實際的運行中，各個角色的網絡構建部分代碼必須100%的相同。三者的分工如下：
服務端作為一個多方協調者，等待各個運算終端來連接。
chief supervisors會在啟動時同一管理全局的學習參數，進行初始化或者從模型載入。
其他的運算終端只是負責得到其對應的任務並進行計算，並不會保存檢查點，用於TensorBoard可視化中的summary日志等任何參數信息。
在整個過程都是通過RPC協議來進行通信的。
2.分布部署TensorFlow的具體方法
配置過程中，首先建立一個server，在server中會將ps及所有worker的IP端口准備好。接着，使用tf.train.Supervisor中的managed_ssion來管理一個打開的session。session中只是負責運算，而通信協調的事情就都交給supervisor來管理了。
3.部署訓練實例
下面開始實現一個分布式訓練的網絡模型，以線性回歸為例，通過3個端口來建立3個終端，分別是一個ps，兩個worker，實現TensorFlow的分布式運算。
1. 為每個角色添加IP地址和端口，創建sever，在一台機器上開3個不同的端口，分別代表PS，chief supervisor和worker。角色的名稱用strjob_name表示，以ps為例，代碼如下：
# 定義IP和端口 strps_hosts = 'localhost:1681' strworker_hosts = 'localhost:1682,localhost:1683' # 定義角色名稱 strjob_name = 'ps' task_index = 0 # 將字符串轉數組 ps_hosts = strps_hosts.split(',') worker_hosts = strps_hosts.split(',') cluster_spec = tf.train.ClusterSpec({'ps': ps_hosts, 'worker': worker_hosts}) # 創建server server = tf.train.Server({'ps':ps_hosts, 'worker':worker_hosts}, job_name=strjob_name, task_index=task_index)
2為ps角色添加等待函數
ps角色使用server.join函數進行線程掛起，開始接受連續消息。
# ps角色使用join進行等待 if strjob_name == 'ps': print("wait") server.join()
3.創建網絡的結構
與正常的程序不同，在創建網絡結構時，使用tf.device函數將全部的節點都放在當前任務下。在tf.device函數中的任務是通過tf.train.replica_device_setter來指定的。在tf.train.replica_device_setter中使用worker_device來定義具體任務名稱；使用cluster的配置來指定角色及對應的IP地址，從而實現管理整個任務下的圖節點。代碼如下：
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') # 模型參數 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() # 獲取迭代次數 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() # 合並所有summary init = tf.global_variables_initializer()
4.創建Supercisor，管理session
在tf.train.Supervisor函數中，is_chief表明為是否為chief Supervisor角色，這里將task_index=0的worker設置成chief Supervisor。saver需要將保存檢查點的saver對象傳入。init_op表示使用初始化變量的函數。
training_epochs = 2000 display_step = 2 sv = tf.train.Supervisor(is_chief=(task_index == 0),# 0號為chief logdir='log/spuer/', init_op=init, summary_op=None, saver=saver, global_step=global_step, save_model_secs=5) # 連接目標角色創建session with sv.managed_session(saver.target) as sess:
5迭代訓練
session中的內容與以前一樣，直接迭代訓練即可。由於使用了supervisor管理session，將使用sv.summary_computed函數來保存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）在設置自動保存檢查點文件后，手動保存仍然有效，
（2）在運行一半后，在運行supervisor時會自動載入模型的參數，不需要手動調用restore。
（3）在session中不需要進行初始化的操作。
6.建立worker文件
新建兩個py文件，設置task_index分別為0和1，其他的部分和上述的代碼相一致。
strjob_name = 'worker' task_index = 1 strjob_name = 'worker' task_index = 0
7.運行
我們分別啟動寫好的三個文件，在運行結果中，我們可以看到循環的次數不是連續的，顯示結果中會有警告，這是因為在構建supervisor時沒有填寫local_init_op參數，該參數的含義是在創建worker實例時，初始化本地變量，上述代碼中沒有設置，系統會自動初始化，並給出警告提示。
分布運算的目的是為了提高整體運算速度，如果同步epoch的准確率需要犧牲總體運行速度為代價，自然很不合適。
在ps的文件中，它只是負責連接，並不參與運算。