TensorFlow 分布式实践

大数据时代，基于单机的建模很难满足企业不断增长的数据量级的需求，开发者需要使用分布式的开发方式，在集群上进行建模。而单机和分布式的开发代码有一定的区别，本文就将为开发者们介绍，基于 TensorFlow 进行分布式开发的两种方式，帮助开发者在实践的过程中，更好地选择模块的开发方向。

基于 TensorFlow 原生的分布式开发

分布式开发会涉及到更新梯度的方式，有同步和异步的两个方案，同步更新的方式在模型的表现上能更快地进行收敛，而异步更新时，迭代的速度则会更加快。两种更新方式的图示如下：

同步更新流程

（图片来源：TensorFlow:Large-Scale Machine Learning on Heterogeneous Distributed Systems ）

异步更新流程

（图片来源：TensorFlow:Large-Scale Machine Learning on Heterogeneous Distributed Systems ）

TensorFlow 是基于 ps、work 两种服务器进行分布式的开发。ps 服务器可以只用于参数的汇总更新，让各个 work 进行梯度的计算。

基于 TensorFlow 原生的分布式开发的具体流程如下：

首先指定 ps 服务器启动参数 – 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

接着指定 work 服务器参数(启动两个 work 节点) – 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，上述指定的参数 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", "默认值", "描述说明")

接收参数后，需要分别注册 ps、work，使他们各司其职：

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)):

继而更新梯度。

（ 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 ）异步更新梯度：

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

最后，使用 tf.train.Supervisor 进行真的迭代

另外，开发者还要注意，如果是同步更新梯度，则还需要加入如下代码：

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

需要注意的是，上述异步的方式需要自行指定集群 IP 和端口，不过，开发者们也可以借助 TensorFlowOnSpark，使用 Yarn 进行管理。

基于 TensorFlowOnSpark 的分布式开发

作为个推面向开发者服务的移动 APP 数据统计分析产品，个数所具有的用户行为预测功能模块，便是基于 TensorFlowOnSpark 这种分布式来实现的。基于 TensorFlowOnSpark 的分布式开发使其可以在屏蔽了端口和机器 IP 的情况下，也能够做到较好的资源申请和分配。而在多个千万级应用同时建模的情况下，集群也有良好的表现，在 sparkUI 中也能看到相对应的资源和进程的情况。最关键的是，TensorFlowOnSpark 可以在单机过度到分布式的情况下，使代码方便修改，且容易部署。

基于 TensorFlowOnSpark 的分布式开发的具体流程如下：

首先，需要使用 spark-submit 来提交任务，同时指定 spark 需要运行的参数（– num-executors 6 等）、模型代码、模型超参等，同样需要接受外部参数：

parser = argparse.ArgumentParser()
parser.add_argument("-i", "--tracks", help="数据集路径")  
args = parser.parse_args()

之后，准备好参数和训练数据(DataFrame)，调用模型的 API 进行启动。

其中，soft_dist.map_fun 是要调起的方法，后面均是模型训练的参数。

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)

接下来是 soft_dist 定义一个 map_fun(args, ctx)的方法：

def map_fun(args, ctx):
...
worker_num = ctx.worker_num  # worker 数量
job_name = ctx.job_name  # job 名
task_index = ctx.task_index  # 任务索引
if job_name == "ps":  # ps 节点(主节点)
  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 高级 API，进行模型训练和预测。

总结

基于 TensorFlow 的分布式开发大致就是本文中介绍的两种情况，第二种方式可以用于实际的生产环境，稳定性会更高。

在运行结束的时候，开发者们也可通过设置邮件的通知，及时地了解到模型运行的情况。

同时，如果开发者使用 SessionRunHook 来保存最后输出的模型，也需要了解到，框架代码中的一个 BUG，即它只能在规定的时间内保存，超出规定时间，即使运行没有结束，程序也会被强制结束。如果开发者使用的版本是未修复 BUG 的版本，则要自行处理，放宽运行时间。