TensorFlow 分布式实践

此wiki主要介绍分布式环境使用的一些条件，一直所要注意的内容；

确保在此之前阅读过TensorFlow for distributed

1.集群描述

当前tensorflow 的版本(0.8.0)，并没有提供统一的资源管理器，所以若要启动处理节点需要手动完成，并且要每个节点一份完整的集群描述，目的是让该节点能够找到其他的节点

例如：启动Server的命令如下

python ./tensorflow/tools/dist_test/server/grpc_tensorflow_server.py  --cluster_spec='ps|10.100.208.23:22222,worker|10.100.208.23:22223;10.100.208.23:22224'  --job_name=ps --task_index=0

--cluster_spec：描述集群的所有Server的ip:port，并形成一个dictionary,上边的命令最后形成

"ps":[0.100.208.23:22222]

"worker":[10.100.208.23:22223;10.100.208.23:22224]

--job_name --task_index  ： 通过这两个参数能够确定，这个当前进程使用dictionary里的哪个ip:port.

NOTE:实际上"ps","worker"并不含有什么实际意义，在启动server时可以自行指定名称，以便后续业务代码识别即可。

2.进行计算：

进行分布式计算可以将某些计算分派给某个Server的某个资源（cpu,gpu）来执行。

例如

1 2 3 4 5 6 7 8 9 10 11 12 13

import tensorflow as tf   def main() :         with tf.device("/job:ps/task:0/cpu:0"):                 a = tf.Variable(1)                 b = tf.Variable(1)         with tf.device("/job:worker/task:0/gpu:1"):                 c = a + b         with tf.Session("grpc://localhost:22223",config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)) as sess:                 result = sess.run(c)                 print(result) if __name__ == '__main__':     main()

其中 两个变量a,b的声明工作在ps进程的cpu0上完成; a+b的操作在worker进程的gpu1上完成

NOTE：若要指定运行的device，必须使用源码编译后的启动方式

bazel-bin/tensorflow/core/distributed_runtime/rpc/grpc_tensorflow_server

NOTE：如果在不同的进程里生命的变量进行运算可能会报错

tensorflow.python.framework.errors.FailedPreconditionError: Attempting to use uninitialized value

需要先初始化变量

sess.run(tf.initialize_all_variables())

具体可参考 https://www.tensorflow.org/versions/r0.8/how_tos/variable_scope/index.html#sharing-variables

NOTE：创建tf.Session时，需要制定到worker地址否则会报错

tensorflow.python.framework.errors.InternalError: Blas SGEMM launch failed

并且导致进程退出