Python tf.compat.v1.estimator.tpu.RunConfig用法及代码示例

参数

• tpu_config 指定TPU-specific 配置的 TPUConfig。
• evaluation_master 一个字符串。用于评估的主机地址。如果未设置，则默认为 master。
• master 一个字符串。用于训练的主地址。
• cluster 集群解析器
• **kwargs 关键字配置参数。

抛出

• ValueError 如果集群不是 None 并且提供的 session_config 已经有一个 cluster_def。

属性

• checkpoint_save_graph_def
• cluster
• cluster_spec
• device_fn 返回device_fn。

  如果 device_fn 不是 None ，它将覆盖 Estimator 中使用的默认设备函数。否则使用默认值。

• eval_distribute 用于评估的可选tf.distribute.Strategy。
• evaluation_master
• experimental_max_worker_delay_secs
• global_id_in_cluster 训练集群中的全局 id。

  训练集群中的所有全局 id 都是从一个递增的连续整数序列中分配的。第一个id是0。

  注意：任务 id(属性字段 task_id )正在跟踪具有相同任务类型的所有节点中的节点索引。例如，给定集群定义如下：

  cluster = {'chief':['host0:2222'],
               'ps':['host1:2222', 'host2:2222'],
               'worker':['host3:2222', 'host4:2222', 'host5:2222']}

  任务类型 worker 的节点可以有 id 0, 1, 2。任务类型 ps 的节点可以有 id, 0, 1。所以，task_id 不是唯一的，但对 (task_type , task_id) 可以是唯一的确定集群中的一个节点。

  全局id，即该字段，是跟踪该节点在集群中所有节点中的索引。它是唯一分配的。例如，对于上面给出的集群规范，全局 id 被分配为：

  task_type  | task_id  |  global_id
    --------------------------------
    chief      | 0        |  0
    worker     | 0        |  1
    worker     | 1        |  2
    worker     | 2        |  3
    ps         | 0        |  4
    ps         | 1        |  5

• is_chief
• keep_checkpoint_every_n_hours
• keep_checkpoint_max
• log_step_count_steps
• master
• model_dir
• num_ps_replicas
• num_worker_replicas
• protocol 返回可选协议值。
• save_checkpoints_secs
• save_checkpoints_steps
• save_summary_steps
• service 返回定义的平台(在TF_CONFIG中)服务字典。
• session_config
• session_creation_timeout_secs
• task_id
• task_type
• tf_random_seed
• tpu_config
• train_distribute 可选的tf.distribute.Strategy 用于训练。