当我们在大型的数据集上面进行深度学习的训练时，往往需要大量的运行资源，而且还要花费大量时间才能完成训练。
1.分布式TensorFlow的角色与原理
在分布式的TensorFlow中的角色分配如下：
PS：作为分布式训练的服务端，等待各个终端(supervisors)来连接。
worker：在TensorFlow的代码注释中被称为终端(supervisors)，作为分布式训练的计算资源终端。
chief supervisors：在众多的运算终端中必须选择一个作为主要的运算终端。该终端在运算终端中最先启动，它的功能是合并各个终端运算后的学习参数，将其保存或者载入。
每个具体的网络标识都是唯一的，即分布在不同IP的机器上(或者同一个机器的不同端口)。在实际的运行中，各个角色的网络构建部分代码必须100%的相同。三者的分工如下：
服务端作为一个多方协调者，等待各个运算终端来连接。
chief supervisors会在启动时同一管理全局的学习参数，进行初始化或者从模型载入。
其他的运算终端只是负责得到其对应的任务并进行计算，并不会保存检查点，用于TensorBoard可视化中的summary日志等任何参数信息。
在整个过程都是通过RPC协议来进行通信的。
2.分布部署TensorFlow的具体方法
配置过程中，首先建立一个server，在server中会将ps及所有worker的IP端口准备好。接着，使用tf.train.Supervisor中的managed_ssion来管理一个打开的session。session中只是负责运算，而通信协调的事情就都交给supervisor来管理了。
3.部署训练实例
下面开始实现一个分布式训练的网络模型，以线性回归为例，通过3个端口来建立3个终端，分别是一个ps，两个worker，实现TensorFlow的分布式运算。
1. 为每个角色添加IP地址和端口，创建sever，在一台机器上开3个不同的端口，分别代表PS，chief supervisor和worker。角色的名称用strjob_name表示，以ps为例，代码如下：
# 定义IP和端口
strps_hosts = ‘localhost:1681‘
strworker_hosts = ‘localhost:1682,localhost:1683‘
# 定义角色名称
strjob_name = ‘ps‘
task_index = 0
# 将字符串转数组
ps_hosts = strps_hosts.split(‘,‘)
worker_hosts = strps_hosts.split(‘,‘)
cluster_spec = tf.train.ClusterSpec({‘ps‘: ps_hosts, ‘worker‘: worker_hosts})
# 创建server
server = tf.train.Server({‘ps‘:ps_hosts, ‘worker‘:worker_hosts}, job_name=strjob_name, task_index=task_index)
2为ps角色添加等待函数
ps角色使用server.join函数进行线程挂起，开始接受连续消息。
# ps角色使用join进行等待
if strjob_name == ‘ps‘:
print("wait")
server.join()
3.创建网络的结构
与正常的程序不同，在创建网络结构时，使用tf.device函数将全部的节点都放在当前任务下。在tf.device函数中的任务是通过tf.train.replica_device_setter来指定的。在tf.train.replica_device_setter中使用worker_device来定义具体任务名称；使用cluster的配置来指定角色及对应的IP地址，从而实现管理整个任务下的图节点。代码如下：
with tf.device(tf.train.replica_device_setter(worker_device=‘/job:worker/task:%d‘%task_index,
cluster=cluster_spec)):
X = tf.placeholder(‘float‘)
Y = tf.placeholder(‘float‘)
# 模型参数
w = tf.Variable(tf.random_normal([1]), name=‘weight‘)
b = tf.Variable(tf.zeros([1]), name=‘bias‘)
global_step = tf.train.get_or_create_global_step() # 获取迭代次数
z = tf.multiply(X, w) + b
tf.summary(‘z‘, z)
cost = tf.reduce_mean(tf.square(Y - z))
tf.summary.scalar(‘loss_function‘, cost)
learning_rate = 0.001
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost, global_step=global_step)
saver = tf.train.Saver(max_to_keep=1)
merged_summary_op = tf.summary.merge_all() # 合并所有summary
init = tf.global_variables_initializer()
4.创建Supercisor，管理session
在tf.train.Supervisor函数中，is_chief表明为是否为chief Supervisor角色，这里将task_index=0的worker设置成chief Supervisor。saver需要将保存检查点的saver对象传入。init_op表示使用初始化变量的函数。
training_epochs = 2000
display_step = 2
sv = tf.train.Supervisor(is_chief=(task_index == 0),# 0号为chief
logdir=‘log/spuer/‘,
init_op=init,
summary_op=None,
saver=saver,
global_step=global_step,
save_model_secs=5)
# 连接目标角色创建session
with sv.managed_session(saver.target) as sess:
5迭代训练
session中的内容与以前一样，直接迭代训练即可。由于使用了supervisor管理session，将使用sv.summary_computed函数来保存summary文件。
print(‘sess ok‘)
print(global_step.eval(session=sess))
for epoch in range(global_step.eval(session=sess), training_epochs*len(train_x)):
for (x, y) in zip(train_x, train_y):
_, epoch = sess.run([optimizer, global_step], feed_dict={X: x, Y: y})
summary_str = sess.run(merged_summary_op, feed_dict={X: x, Y: y})
sv.summary_computed(sess, summary_str, global_step=epoch)
if epoch % display_step == 0:
loss = sess.run(cost, feed_dict={X:train_x, Y:train_y})
print("Epoch:", epoch+1, ‘loss:‘, loss, ‘W=‘, sess.run(w), w, ‘b=‘, sess.run(b))
print(‘ finished ‘)
sv.saver.save(sess, ‘log/linear/‘ + "sv.cpk", global_step=epoch)
sv.stop()
（1）在设置自动保存检查点文件后，手动保存仍然有效，
（2）在运行一半后，在运行supervisor时会自动载入模型的参数，不需要手动调用restore。
（3）在session中不需要进行初始化的操作。
6.建立worker文件
新建两个py文件，设置task_index分别为0和1，其他的部分和上述的代码相一致。
strjob_name = ‘worker‘ task_index = 1 strjob_name = ‘worker‘ task_index = 0
7.运行
我们分别启动写好的三个文件，在运行结果中，我们可以看到循环的次数不是连续的，显示结果中会有警告，这是因为在构建supervisor时没有填写local_init_op参数，该参数的含义是在创建worker实例时，初始化本地变量，上述代码中没有设置，系统会自动初始化，并给出警告提示。
分布运算的目的是为了提高整体运算速度，如果同步epoch的准确率需要牺牲总体运行速度为代价，自然很不合适。
在ps的文件中，它只是负责连接，并不参与运算。
原文地址：https://www.cnblogs.com/baby-lily/p/10960828.html