TensorFlow分布式實踐

大數據時代，基于單機的建模很難滿足企業不斷增長的數據量級的需求，開發者需要使用分布式的開發方式，在集群上進行建模。而單機和分布式的開發代碼有一定的區別，本文就將為開發者們介紹，基于TensorFlow進行分布式開發的兩種方式，幫助開發者在實踐的過程中，更好地選擇模塊的開發方向。

基于TensorFlow原生的分布式開發

分布式開發會涉及到更新梯度的方式，有同步和異步的兩個方案，同步更新的方式在模型的表現上能更快地進行收斂，而異步更新時，迭代的速度則會更加快。兩種更新方式的圖示如下：

同步更新流程
（圖片來源：TensorFlow:Large-Scale Machine Learning on Heterogeneous Distributed Systems）

異步更新流程
（圖片來源：TensorFlow:Large-Scale Machine Learning on Heterogeneous Distributed Systems）

TensorFlow是基于ps、work 兩種服務器進行分布式的開發。ps服務器可以只用于參數的匯總更新，讓各個work進行梯度的計算。

基于TensorFlow原生的分布式開發的具體流程如下：

首先指定ps 服務器啟動參數 –job_name=ps:

python distribute.py --ps_hosts=192.168.100.42:2222 --worker_hosts=192.168.100.42:2224,192.168.100.253:2225 --job_name=ps --task_index=0

接著指定work服務器參數(啟動兩個work 節點) –job_name=work2:

python distribute.py --ps_hosts=192.168.100.42:2222 --worker_hosts=192.168.100.42:2224,192.168.100.253:2225 --job_name=worker --task_index=0
python distribute.py --ps_hosts=192.168.100.42:2222 --worker_hosts=192.168.100.42:2224,192.168.100.253:2225 --job_name=worker --task_index=1

之后，上述指定的參數 worker_hosts ps_hosts job_name task_index 都需要在py文件中接受使用：

tf.app.flags.DEFINE_string("worker_hosts", "默認值", "描述說明")

接收參數后，需要分別注冊ps、work，使他們各司其職：

ps_hosts = FLAGS.ps_hosts.split(",")
worker_hosts = FLAGS.worker_hosts.split(",")
cluster = tf.train.ClusterSpec({"ps": ps_hosts, "worker": worker_hosts})
server = tf.train.Server(cluster,job_name=FLAGS.job_name,task_index=FLAGS.task_index)

issync = FLAGS.issync
if FLAGS.job_name == "ps":
   server.join()
elif FLAGS.job_name == "worker":
   with tf.device(tf.train.replica_device_setter(
                   worker_device="/job:worker/task:%d" % FLAGS.task_index,
                   cluster=cluster)):

繼而更新梯度。

（1）同步更新梯度：

rep_op = tf.train.SyncReplicasOptimizer(optimizer,
                                               replicas_to_aggregate=len(worker_hosts),
                                               replica_id=FLAGS.task_index,
                                               total_num_replicas=len(worker_hosts),
                                               use_locking=True)
train_op = rep_op.apply_gradients(grads_and_vars,global_step=global_step)
init_token_op = rep_op.get_init_tokens_op()
chief_queue_runner = rep_op.get_chief_queue_runner()

（2）異步更新梯度：

train_op = optimizer.apply_gradients(grads_and_vars,global_step=global_step)

最后，使用tf.train.Supervisor 進行真的迭代

另外，開發者還要注意，如果是同步更新梯度，則還需要加入如下代碼：

sv.start_queue_runners(sess, [chief_queue_runner])
sess.run(init_token_op)

需要注意的是，上述異步的方式需要自行指定集群IP和端口，不過，開發者們也可以借助TensorFlowOnSpark，使用Yarn進行管理。

基于TensorFlowOnSpark的分布式開發

作為個推面向開發者服務的移動APP數據統計分析產品，個數所具有的用戶行為預測功能模塊，便是基于TensorFlowOnSpark這種分布式來實現的。基于TensorFlowOnSpark的分布式開發使其可以在屏蔽了端口和機器IP的情況下，也能夠做到較好的資源申請和分配。而在多個千萬級應用同時建模的情況下，集群也有良好的表現，在sparkUI中也能看到相對應的資源和進程的情況。最關鍵的是，TensorFlowOnSpark可以在單機過度到分布式的情況下，使代碼方便修改，且容易部署。

基于TensorFlowOnSpark的分布式開發的具體流程如下：

首先，需要使用spark-submit來提交任務，同時指定spark需要運行的參數（–num-executors 6等）、模型代碼、模型超參等，同樣需要接受外部參數：

parser = argparse.ArgumentParser()
parser.add_argument("-i", "--tracks", help="數據集路徑")  
args = parser.parse_args()

之后，準備好參數和訓練數據(DataFrame)，調用模型的API進行啟動。

其中，soft_dist.map_fun是要調起的方法，后面均是模型訓練的參數。

estimator = TFEstimator(soft_dist.map_fun, args) \
     .setInputMapping({'tracks': 'tracks', 'label': 'label'}) \
     .setModelDir(args.model) \
     .setExportDir(args.serving) \
     .setClusterSize(args.cluster_size) \
     .setNumPS(num_ps) \
     .setEpochs(args.epochs) \
     .setBatchSize(args.batch_size) \
     .setSteps(args.max_steps)
   model = estimator.fit(df)

接下來是soft_dist定義一個 map_fun(args, ctx)的方法：

def map_fun(args, ctx):
...
worker_num = ctx.worker_num  # worker數量
job_name = ctx.job_name  # job名
task_index = ctx.task_index  # 任務索引
if job_name == "ps":  # ps節點(主節點)
  time.sleep((worker_num + 1) * 5)
  cluster, server = TFNode.start_cluster_server(ctx, 1, args.rdma)
  num_workers = len(cluster.as_dict()['worker'])
  if job_name == "ps":
       server.join()
  elif job_name == "worker":
       with tf.device(tf.train.replica_device_setter(worker_device="/job:worker/task:%d" % task_index, cluster=cluster)):

之后，可以使用tf.train.MonitoredTrainingSession高級API，進行模型訓練和預測。

總結

基于TensorFlow的分布式開發大致就是本文中介紹的兩種情況，第二種方式可以用于實際的生產環境，穩定性會更高。

在運行結束的時候，開發者們也可通過設置郵件的通知，及時地了解到模型運行的情況。

同時，如果開發者使用SessionRunHook來保存最后輸出的模型，也需要了解到，框架代碼中的一個BUG，即它只能在規定的時間內保存，超出規定時間，即使運行沒有結束，程序也會被強制結束。如果開發者使用的版本是未修復BUG的版本，則要自行處理，放寬運行時間。