Question

最近我一直在玩 TensorFlow ，我提到该框架无法使用我所有可用的计算资源。在Convolutional Neural Networks教程中，他们提到了

天真地使用模型参数的异步更新会导致次优的训练性能，因为可能会在模型参数的陈旧副本上训练单个模型副本。相反，使用完全同步更新将与最慢的模型副本一样慢。

虽然他们在教程和whitepaper中都提到了它，但我并没有真正找到在本地机器上进行异步并行计算的方法。它甚至可能吗？或者它是TensorFlow的分布式待发布版本的一部分。如果是，那怎么样？

Answer 1

TensorFlow的开源版本支持异步梯度下降，甚至无需修改图形。最简单的方法是并行执行多个并发步骤：

loss = ...

# Any of the optimizer classes can be used here.
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(loss)

sess = tf.Session()
sess.run(tf.initialize_all_variables())

def train_function():
  # TODO: Better termination condition, e.g. using a `max_steps` counter.
  while True:
    sess.run(train_op)

# Create multiple threads to run `train_function()` in parallel
train_threads = []
for _ in range(NUM_CONCURRENT_STEPS):
  train_threads.append(threading.Thread(target=train_function))

# Start the threads, and block on their completion.
for t in train_threads:
  t.start()
for t in train_threads:
  t.join()

此示例设置NUM_CONCURRENT_STEPS对sess.run(train_op)的调用。由于这些线程之间没有协调，因此它们以异步方式进行。

实现同步并行训练（目前）实际上更具挑战性，因为这需要额外的协调以确保所有副本读取相同版本的参数，并且所有更新都变得可见同时。 multi-GPU example for CIFAR-10 training执行同步更新，方法是在训练图中使用共享参数制作“塔”的多个副本，并在应用更新之前明确平均塔上的梯度。

N.B。此答案中的代码将所有计算都放在同一设备上，如果您的计算机中有多个GPU，则这些计算将不是最佳选择。如果您想使用所有GPU，请按照multi-GPU CIFAR-10 model的示例，创建多个“塔”，并将其操作固定到每个GPU。代码大致如下：

train_ops = []

for i in range(NUM_GPUS):
  with tf.device("/gpu:%d" % i):
    # Define a tower on GPU `i`.
    loss = ...

    train_ops.append(tf.train.GradientDescentOptimizer(0.01).minimize(loss))

def train_function(train_op):
  # TODO: Better termination condition, e.g. using a `max_steps` counter.
  while True:
    sess.run(train_op)


# Create multiple threads to run `train_function()` in parallel
train_threads = []
for train_op in train_ops:
  train_threads.append(threading.Thread(target=train_function, args=(train_op,))


# Start the threads, and block on their completion.
for t in train_threads:
  t.start()
for t in train_threads:
  t.join()

请注意，您可能会发现使用"variable scope"来方便塔之间的变量共享会很方便。

TensorFlow中的异步计算

1 个答案: