复制张量流图

时间:2016-06-14 00:24:58

标签: python tensorflow

复制TensorFlow图并保持上升状态的最佳方法是什么?

理想情况下,我想将复制的图形放在另一台设备上(例如从GPU到CPU),然后不时更新副本。

3 个答案:

答案 0 :(得分:10)

简答:您可能需要checkpoint filespermalink)。

答案很长:

让我们清楚这里的设置。我假设你有两个设备,A和B,你正在训练A并在B上运行推理。 您需要定期更新设备运行推理的参数,并在培训期间找到新参数。 上面链接的教程是一个很好的起点。它向您展示了tf.train.Saver对象的工作原理,您不需要在这里复杂化。

以下是一个例子:

import tensorflow as tf

def build_net(graph, device):
  with graph.as_default():
    with graph.device(device):
      # Input placeholders
      inputs = tf.placeholder(tf.float32, [None, 784])
      labels = tf.placeholder(tf.float32, [None, 10])
      # Initialization
      w0 = tf.get_variable('w0', shape=[784,256], initializer=tf.contrib.layers.xavier_initializer())
      w1 = tf.get_variable('w1', shape=[256,256], initializer=tf.contrib.layers.xavier_initializer())
      w2 = tf.get_variable('w2', shape=[256,10], initializer=tf.contrib.layers.xavier_initializer())
      b0 = tf.Variable(tf.zeros([256]))
      b1 = tf.Variable(tf.zeros([256]))
      b2 = tf.Variable(tf.zeros([10]))
      # Inference network
      h1  = tf.nn.relu(tf.matmul(inputs, w0)+b0)
      h2  = tf.nn.relu(tf.matmul(h1,w1)+b1)
      output = tf.nn.softmax(tf.matmul(h2,w2)+b2)
      # Training network
      cross_entropy = tf.reduce_mean(-tf.reduce_sum(labels * tf.log(output), reduction_indices=[1]))
      optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)    
      # Your checkpoint function
      saver = tf.train.Saver()
      return tf.initialize_all_variables(), inputs, labels, output, optimizer, saver

培训计划的代码:

def programA_main():
  from tensorflow.examples.tutorials.mnist import input_data
  mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
  # Build training network on device A
  graphA = tf.Graph()
  init, inputs, labels, _, training_net, saver = build_net(graphA, '/cpu:0')
  with tf.Session(graph=graphA) as sess:
    sess.run(init)
    for step in xrange(1,10000):
      batch = mnist.train.next_batch(50)
      sess.run(training_net, feed_dict={inputs: batch[0], labels: batch[1]})
      if step%100==0:
        saver.save(sess, '/tmp/graph.checkpoint')
        print 'saved checkpoint'

...以及推理程序的代码:

def programB_main():
  from tensorflow.examples.tutorials.mnist import input_data
  mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
  # Build inference network on device B
  graphB = tf.Graph()
  init, inputs, _, inference_net, _, saver = build_net(graphB, '/cpu:0')
  with tf.Session(graph=graphB) as sess:
    batch = mnist.test.next_batch(50)

    saver.restore(sess, '/tmp/graph.checkpoint')
    print 'loaded checkpoint'
    out = sess.run(inference_net, feed_dict={inputs: batch[0]})
    print out[0]

    import time; time.sleep(2)

    saver.restore(sess, '/tmp/graph.checkpoint')
    print 'loaded checkpoint'
    out = sess.run(inference_net, feed_dict={inputs: batch[0]})
    print out[1]

如果您启动培训计划,然后启动推理程序,您将看到推理程序产生两个不同的输出(来自相同的输入批处理)。这是因为它获取了训练计划检查点的参数。

现在,这个程序显然不是你的终点。我们不做任何真正的同步,你必须决定“周期性”对于检查点的含义。但是,这应该让您了解如何将参数从一个网络同步到另一个网络。

最后一个警告:意味着两个网络必然是确定性的。 TensorFlow中有已知的非确定性元素(例如this),因此如果您需要完全相同的答案,请小心谨慎。但这是关于在多个设备上运行的硬道理。

祝你好运!

答案 1 :(得分:2)

我会尝试使用一个非常简单的答案,看看一般的方法是OP所描述的:

我将通过tf.train.Saver对象实现它。

假设你的权重在变量W1,W2和b1

mysaver = tf.train.Saver(({'w1': W1, 'w2': W2, 'b1': b1}))

在火车循环中,您可以每n次迭代添加:

saver.save(session_var, 'model1', global_step=step)

然后在加载实例中,需要时运行:

tf.train.Saver.restore(other_session_object, 'model1')

希望这与您提出的解决方案类似。

答案 2 :(得分:0)

只需进行往返tf.Graph> tf.GraphDef> tf.Graph

import tensorflow as tf


def copy_graph(graph: tf.Graph) -> tf.Graph:
    with tf.Graph().as_default() as copied_graph:
        graph_def = graph.as_graph_def(add_shapes=True)
        tf.graph_util.import_graph_def(graph_def)
        return copied_graph