Python tf.distribute.MultiWorkerMirroredStrategy用法及代碼示例

一種對多個工人進行同步訓練的分配策略。

繼承自：Strategy

用法

tf.distribute.MultiWorkerMirroredStrategy(
    cluster_resolver=None, communication_options=None
)

該策略實現了跨多個工作人員的同步分布式訓練，每個工作人員都可能具有多個 GPU。與 tf.distribute.MirroredStrategy 類似，它將所有變量和計算複製到每個本地設備。不同之處在於它使用分布式集體實現(例如all-reduce)，以便多個工作人員可以一起工作。

您需要在每個工作人員上啟動程序並正確配置cluster_resolver。例如，如果您使用 tf.distribute.cluster_resolver.TFConfigClusterResolver ，則每個工作人員都需要在 TF_CONFIG 環境變量中設置其對應的 task_type 和 task_id。兩個工作集群的 worker-0 上的示例 TF_CONFIG 是：

TF_CONFIG = '{"cluster":{"worker":["localhost:12345", "localhost:23456"]}, "task":{"type":"worker", "index":0} }'

您的程序在每個工人as-is 上運行。請注意，集體要求每個工人都參與。所有tf.distribute 和非tf.distribute API 都可以在內部使用集合，例如檢查點和保存，因為讀取帶有 tf.VariableSynchronization.ON_READ all-reduces 值的 tf.Variable。因此，建議在每個工人上運行完全相同的程序。根據worker的task_type或task_id調度為error-prone。

cluster_resolver.num_accelerators() 確定策略使用的 GPU 數量。如果為零，則該策略使用 CPU。所有工作人員都需要使用相同數量的設備，否則行為未定義。

此策略不適用於 TPU。請改用tf.distribute.TPUStrategy。

設置 TF_CONFIG 後，使用此策略類似於使用 tf.distribute.MirroredStrategy 和 tf.distribute.TPUStrategy 。

strategy = tf.distribute.MultiWorkerMirroredStrategy()

with strategy.scope():
  model = tf.keras.Sequential([
    tf.keras.layers.Dense(2, input_shape=(5,)),
  ])
  optimizer = tf.keras.optimizers.SGD(learning_rate=0.1)

def dataset_fn(ctx):
  x = np.random.random((2, 5)).astype(np.float32)
  y = np.random.randint(2, size=(2, 1))
  dataset = tf.data.Dataset.from_tensor_slices((x, y))
  return dataset.repeat().batch(1, drop_remainder=True)
dist_dataset = strategy.distribute_datasets_from_function(dataset_fn)

model.compile()
model.fit(dist_dataset)

您還可以編寫自己的訓練循環：

@tf.function
def train_step(iterator):

  def step_fn(inputs):
    features, labels = inputs
    with tf.GradientTape() as tape:
      logits = model(features, training=True)
      loss = tf.keras.losses.sparse_categorical_crossentropy(
          labels, logits)

    grads = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(grads, model.trainable_variables))

  strategy.run(step_fn, args=(next(iterator),))

for _ in range(NUM_STEP):
  train_step(iterator)

有關詳細教程，請參閱使用 Keras 進行 Multi-worker 訓練。

保存

您需要在所有工作人員上保存和檢查點，而不僅僅是一個。這是因為同步=ON_READ的變量在保存期間會觸發聚合。建議在每個工作人員上保存到不同的路徑以避免競爭條件。每個工人保存相同的東西。有關示例，請參閱 Multi-worker 使用 Keras 教程進行訓練。

已知的問題

• tf.distribute.cluster_resolver.TFConfigClusterResolver 未返回正確數量的加速器。如果 cluster_resolver 是 tf.distribute.cluster_resolver.TFConfigClusterResolver 或 None ，則該策略使用所有可用的 GPU。
• 在 Eager 模式下，需要在調用任何其他 Tensorflow API 之前創建策略。