TensorFlow中的异步计算

Question

最近，我一直在玩TensorFlow，我提到这个框架不能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

天真地使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被训练在模型参数的陈旧副本上。相反，使用完全同步更新的速度将与最慢的模型副本一样慢。

尽管在本教程和白纸中都提到了这一点，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。有可能吗？或者它是TensorFlow发布版本的一部分？如果是，那怎么做？

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()

此示例设置对NUM_CONCURRENT_STEPS的sess.run(train_op)调用。由于这些线程之间没有协调，所以它们异步进行。

实现同步并行培训实际上更具挑战性(目前)，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，并确保它们的所有更新同时可见。CIFAR-10培训的多GPU实例执行同步更新，方法是使用共享参数创建训练图中的“塔”的多个副本，并在应用更新之前显式地平均跨塔的梯度。

N.B.这个答案中的代码将所有的计算放在同一个设备上，如果您的计算机中有多个GPU，这将不是最优的。如果您想使用所有的GPU，遵循多GPU CIFAR-10型的例子，创建多个“塔”，并将它们的操作固定在每个GPU上。守则大致如下：

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”方便在塔之间共享变量。