一、簡介
使用單臺機器或者單個GPU/CPU來進行模型訓練，訓練速度會受資源的影響，因為畢竟單個的設備的計算能力和存儲能力具有一定的上限的，針對這個問題，TensorFlow支持分布式模型運算，支持多機器、多GPU、多CPU各種模型的組合運行方案的設計。(默認情況下，TensorFlow程序會將程序運行在第一個GPU上<如果有GPU，并且安裝的TensorFlow支持GPU運行>)
TensorFlow的分布式支持單機多GPU、單機GPU+CPU、多機GPU等結構，不過所有結構的構建方式基本類似。
除了TensorFlow外，Caffe、DeepLearning4j等也支持分布式訓練，TensorFlow中的集群(Cluster)指的是一系列能夠對TensorFlow中的圖(graph)進行分布式計算的任務(task)。每個任務是同服務(server)相關聯的。TensorFlow中的服務會包含一個用于創建session的主節點和至少一個用于圖運算的工作節點。另外在TensorFlow中，一個集群可以被拆分為一個或者多個作業(job)，每個作業可以包含至少一個任務。
cluster(集群)、job(作業)、task(任務)三者可以簡單的看成是層次關系，task可以看成每臺機器上的一個進程，多個task組成job；job又有：ps、worker兩種，分別用于參數服務、計算服務，組成cluster。
二、構建步驟
TensorFlow分布式集群的構建主要通過代碼實現，主要步驟如下：
1、創建集群(Cluster)
- 創建一個tf.train.ClusterSpec用于對集群中的所有任務進行描述，該描述內容對于所有內容應該是相同的。
- 創建tf.train.Se中參數傳入構造函數，rver并將tf.train.ClusterSpec
2、使用tf.device API指定運算的設備，構建計算圖，最后提交運算
備注：TensorFlow負責內部作業之間的數據傳輸
三、實現方式
TensorFlow中主要包含兩個方面
第一：對不同數據大小進行計算的任務(work作業)
第二：用于不停更新共享參數的任務(ps作業)。這樣任務都可以運行不同在機器上，在TensorFlow中，主要實現方式如下：
- 圖內的拷貝(In-Graph Replication)
- 圖間的拷貝(Between-Graph Replication)
- 異步訓練(Asynchronous Training)
- 同步訓練(Synchronous Training)
3.1）在In-Graph Replication
指定整個集群由一個客戶端來構建圖，并且這個客戶端來提交圖到集群中，worker只負責處理執行任務。In-Graph模式的好處在于解耦了TensorFlow集群和訓練應用之間的關系，這樣可以提前構建好參數服務器和計算服務器，而這些角色本身不需要額外的邏輯代碼，只需要使用join等待即可，真正的訓練邏輯全部位于客戶端，具有足夠高的靈活性。
備注：在小規模數據集的情況下，經常使用。在海量數據的訓練過程中，不建議使用該方式，建議使用Between-Graph Replication模式。
3.2）在Between-Graph Replication
每個客戶端會構建一個相似的圖結構，該結構中的參數均通過ps作業進行聲明并使用tf.train.replica_device_setter方法將參數映射到不同的任務作業中。
3.3）Synchronous Training
在同步訓練中，每個graph的副本讀取相同的parameter值，并行的計算，然后將計算完的結果放到一起處理。在TensorFlow中，如果是Betweengraph replication的情況下，可以通tf.train.SyncReplicasOptimizer來處理，如果是In-graph replication情況下，直接對結果進行處理即可(比如平均).
3.4）Asynchronous Training
在異步訓練中，每個任務計算完后，就會直接使用計算出的結果更新parameter值。不同的任務之間不存在協調進度。
同步訓練需要等待最慢的一個任務執行完后，才可用更新參數；異步訓練中，可以每執行完一個任務，就更新一次參數。一般情況下，建議使用異步訓練。
四、Demo演示
server-demo.py服務器代碼：
import?tensorflow as tf
# 1. 配置服務器相關信息
# 因為tensorflow底層代碼中，默認就是使用ps和work分別表示兩類不同的工作節點
# ps：變量/張量的初始化、存儲相關節點
# work: 變量/張量的計算/運算的相關節點
ps_hosts?=?['127.0.0.1:33331',?'127.0.0.1:33332']
work_hosts?=?['127.0.0.1:33333',?'127.0.0.1:33334',?'127.0.0.1:33335']
cluster?=?tf.train.ClusterSpec({'ps': ps_hosts,?'work': work_hosts})# 2. 定義一些運行參數(在運行該python文件的時候就可以指定這些參數了)
tf.app.flags.DEFINE_string('job_name', default_value='work', docstring="One of 'ps' or 'work'")
tf.app.flags.DEFINE_integer('task_index', default_value=0, docstring="Index of task within the job")
FLAGS?=?tf.app.flags.FLAGS# 2. 啟動服務
def?main(_):print(FLAGS.job_name)server?=?tf.train.Server(cluster,job_name=FLAGS.job_name,task_index=FLAGS.task_index)server.join()
if?__name__?==?'__main__':# 底層默認會調用main方法tf.app.run()客戶端代碼：client-demo01
import?tensorflow as tf
import?numpy as np
# 1. 構建圖
with tf.device('/job:ps/task:0'):# 2. 構造數據x?=?tf.constant(np.random.rand(100).astype(np.float32))# 3. 使用另外一個機器
with tf.device('/job:work/task:1'):y?=?x?*?0.1?+?0.3# 4. 運行
with tf.Session(target='grpc://127.0.0.1:33335',config=tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)) as sess:print(sess.run(y))執行：
1、通過命令行，進入對應環境：進入server-demo.py所在文件夾，重復打開5個，分別輸入（雖然最后結果只是在最后3335中顯示，但是必須要全部運行，才能運算出結果）：
- python server-demo.py --job_name=ps --task_index=0
- python server-demo.py --job_name=ps --task_index=1
- python server-demo.py --job_name=work --task_index=0
- python server-demo.py --job_name=work --task_index=1
- python server-demo.py --job_name=work --task_index=2
2、運行客戶端，最后結果如下：
)
