TensorFlow中的异步计算

Question

最近，我一直在玩 TensorFlow，
并提到该框架无法使用我所有可用的计算资源。在卷积神经网络教程中，他们提到

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

尽管他们在教程和白皮书中都提到了这一点，但我并没有真正找到在本地计算机上进行异步并行计算的方法。可能吗
还是它是TensorFlow发行版本的一部分。如果是，那怎么办？

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()

本示例设置对的NUM_CONCURRENT_STEPS调用sess.run(train_op)。由于这些线程之间没有协调，因此它们异步进行。

（目前）实现 同步
并行训练实际上更具挑战性，因为这需要额外的协调以确保所有副本都读取相同版本的参数，并确保所有副本同时可见。用于CIFAR-10训练的多GPU示例通过在训练图中使用共享参数制作“塔”的多个副本，并在应用更新之前显式平均塔上的梯度来执行同步更新。

注意 ：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，这将不是最佳选择。如果要使用所有GPU，请遵循多GPU
CIFAR-10模型的示例，并创建多个“塔”，并将其操作固定在每个GPU上。该代码大致如下：

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“可变范围”方便了塔之间的变量共享。