分布式Tensorflow,Master在培训时卡住了,工作人员没有开始培训,而使用SyncReplicasOptimizer和MonitoredTrainingSession?
问题描述:
我正在尝试使用SyncReplicaOptimizer和MonitoredTraining Session在分布式张量流中编写同步训练码。分布式Tensorflow,Master在培训时卡住了,工作人员没有开始培训,而使用SyncReplicasOptimizer和MonitoredTrainingSession?
我面临的问题是,经过一些步骤后,主人会暂停培训,并且没有工人开始培训。有没有人遇到过这个?
这是我写的代码。数据从张量流记录中读取。我遵循tensorflow网站中描述的确切方式。
def build(self):
self.modelObj = Model(self.imagesize, self.targetSize)
self.modelObj.model()
self.global_step = tf.contrib.framework.get_or_create_global_step()
self.opt = tf.train.AdamOptimizer(self.learningrate)
if self.syncTraining:
self.trainer = tf.train.SyncReplicasOptimizer(self.opt,replicas_to_aggregate=self.num_workers,total_num_replicas=self.num_workers)
else:
self.trainer = self.opt
self.trainstep = self.trainer.minimize(self.modelObj.loss, global_step=self.global_step)
self.saver = tf.train.Saver(max_to_keep=1)
self.summary_op = tf.summary.merge_all()
self.init_op = tf.global_variables_initializer()
if self.syncTraining:
self.sync_replicas_hook = self.trainer.make_session_run_hook(is_chief = (self.task_index==0))
def train(self):
if self.syncTraining:
with tf.train.MonitoredTrainingSession(master=self.server.target,
is_chief=(self.task_index==0),
checkpoint_dir=self.logdir,
hooks=[self.sync_replicas_hook]) as self.session:
step = 0
try:
while not self.session.should_stop():
# training
[trainx, trainy_] = self.session.run([self.trainx, self.trainy_])
feed = {self.modelObj.x: trainx, self.modelObj.y_: trainy_,
self.modelObj.batch: self.batch_size, self.modelObj.keep_prob: 0.7}
_, trainloss = self.session.run([self.trainstep, self.modelObj.loss], feed_dict=feed)
print("step: %d, training loss %f" % (step, trainloss))
step += 1
except tf.errors.OutOfRangeError:
print('training finished, number of epochs reached')
答
找到了解决办法。
延迟首席工人加入
time.sleep(5)
而且开始,对参数服务器做同样的尝试,而不是CPU的GPU运行参数的服务器。
答
是的,ps不应该放在GPU上。 我也有这个问题。我通过在tf.train.replica_device_setter中显式声明ps_device =“/ job:ps/cpu:0”来解决它。 整个代码如下:
with tf.device(tf.train.replica_device_setter(
ps_device="/job:ps/cpu:0",
worker_device="/job:worker/task:%d" % (worker_index),
cluster=cluster_spec)):
非常感谢@prateek阿格拉瓦尔