TensorFlow分布式实践
作者：个推数据建模工程师 陈玉琪
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。
更多技术干货