python - sincronica - Cálculo asincrónico en TensorFlow

que es un lenguaje sincrono

Question

Recientemente he estado jugando con TensorFlow y mencioné que el framework no puede usar todos mis recursos computacionales disponibles. En el tutorial Convolutional Neural Networks mencionan que

Usar ingenuamente actualizaciones asíncronas de los parámetros del modelo conduce a un rendimiento de entrenamiento subóptimo porque una réplica de modelo individual podría ser entrenada en una copia obsoleta de los parámetros del modelo. Por el contrario, el empleo de actualizaciones totalmente sincrónicas será tan lento como la réplica del modelo más lento.

Aunque lo mencionan tanto en el tutorial como en un documento técnico , realmente no encontré una forma de hacer el cálculo paralelo asíncrono en una máquina local. ¿Es posible? O es parte de la versión distribuida de TensorFlow. Si es así, ¿cómo?

Answer 1

El descenso de gradiente asíncrono es compatible con la versión de código abierto de TensorFlow, sin siquiera modificar su gráfico. La forma más fácil de hacerlo es ejecutar varios pasos concurrentes en paralelo:

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()

Este ejemplo configura NUM_CONCURRENT_STEPS llamadas a sess.run(train_op) . Como no hay coordinación entre estos subprocesos, proceden de forma asíncrona.

En realidad, es más difícil lograr una capacitación paralela sincrónica (en la actualidad), porque esto requiere una coordinación adicional para garantizar que todas las réplicas lean la misma versión de los parámetros y que todas sus actualizaciones se vuelvan visibles al mismo tiempo. El ejemplo de multi-GPU para el entrenamiento CIFAR-10 realiza actualizaciones sincrónicas haciendo múltiples copias de la "torre" en el gráfico de entrenamiento con parámetros compartidos, y promediando explícitamente los gradientes en las torres antes de aplicar la actualización.

NB El código en esta respuesta coloca todos los cálculos en el mismo dispositivo, lo que no será óptimo si tiene múltiples GPU en su máquina. Si desea utilizar todas sus GPU, siga el ejemplo del modelo multi-GPU CIFAR-10 y cree múltiples "torres" con sus operaciones ancladas a cada GPU. El código se vería más o menos de la siguiente manera:

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()

Tenga en cuenta que puede resultarle conveniente utilizar un "alcance variable" para facilitar el intercambio de variables entre las torres.