TensorFlow/Keras多线程模型拟合

Question

我正在尝试使用多个线程(和tensorflow后端)训练具有不同参数值的多个keras模型。我见过一些在多个线程中使用相同模型的例子，但是在这个特殊的例子中，我遇到了关于冲突图的各种错误，等等。下面是我希望能够做到的一个简单例子：

from concurrent.futures import ThreadPoolExecutor
import numpy as np
import tensorflow as tf
from keras import backend as K
from keras.layers import Dense
from keras.models import Sequential


sess = tf.Session()


def example_model(size):
    model = Sequential()
    model.add(Dense(size, input_shape=(5,)))
    model.add(Dense(1))
    model.compile(optimizer='sgd', loss='mse')
    return model


if __name__ == '__main__':
    K.set_session(sess)
    X = np.random.random((10, 5))
    y = np.random.random((10, 1))
    models = [example_model(i) for i in range(5, 10)]

    e = ThreadPoolExecutor(4)
    res_list = [e.submit(model.fit, X, y) for model in models]

    for res in res_list:
        print(res.result())

由此产生的错误是ValueError: Tensor("Variable:0", shape=(5, 5), dtype=float32_ref) must be from the same graph as Tensor("Variable_2/read:0", shape=(), dtype=float32).。我还尝试在线程中初始化模型，但也出现了类似的失败。

对最好的方法有什么想法吗？我根本不喜欢这种结构，但我更喜欢使用多线程，而不是进程，这样所有的模型都是在相同的GPU内存分配中训练的。

Answer 1

Tensorflow图不是线程安全的(参见https://www.tensorflow.org/api_docs/python/tf/Graph)，当您创建一个新的Tensorflow会话时，它默认使用默认的图。

你可以通过在你的并行化函数中创建一个带有新图的新会话，并在那里构建你的keras模型来解决这个问题。

以下是在每个可用gpu上并行创建和拟合模型的一些代码：

import concurrent.futures
import numpy as np

import keras.backend as K
from keras.layers import Dense
from keras.models import Sequential

import tensorflow as tf
from tensorflow.python.client import device_lib

def get_available_gpus():
    local_device_protos = device_lib.list_local_devices()
    return [x.name for x in local_device_protos if x.device_type == 'GPU']

xdata = np.random.randn(100, 8)
ytrue = np.random.randint(0, 2, 100)

def fit(gpu):
    with tf.Session(graph=tf.Graph()) as sess:
        K.set_session(sess)
        with tf.device(gpu):
            model = Sequential()
            model.add(Dense(12, input_dim=8, activation='relu'))
            model.add(Dense(8, activation='relu'))
            model.add(Dense(1, activation='sigmoid'))

            model.compile(loss='binary_crossentropy', optimizer='adam')
            model.fit(xdata, ytrue, verbose=0)

            return model.evaluate(xdata, ytrue, verbose=0)

gpus = get_available_gpus()
with concurrent.futures.ThreadPoolExecutor(len(gpus)) as executor:
    results = [x for x in executor.map(fit, gpus)]
print('results: ', results)