如何在 Tensorflow 多 GPU 案例中使用 feed_dict

Question

最近，我尝试学习如何在多个GPU上使用Tensorflow来加快训练速度。我找到了一个关于基于Cifar10数据集训练分类模型的官方教程。但是，我发现本教程使用队列读取图像。出于好奇，我如何通过向 Session 提供价值来使用多个 GPU？似乎我很难解决从同一数据集向不同 GPU 提供不同值的问题。谢谢大家！以下代码是关于官方教程的一部分。

images, labels = cifar10.distorted_inputs()
batch_queue = tf.contrib.slim.prefetch_queue.prefetch_queue(
      [images, labels], capacity=2 * FLAGS.num_gpus)
# Calculate the gradients for each model tower.
tower_grads = []
with tf.variable_scope(tf.get_variable_scope()):
  for i in xrange(FLAGS.num_gpus):
    with tf.device('/gpu:%d' % i):
      with tf.name_scope('%s_%d' % (cifar10.TOWER_NAME, i)) as scope:
        # Dequeues one batch for the GPU
        image_batch, label_batch = batch_queue.dequeue()
        # Calculate the loss for one tower of the CIFAR model. This function
        # constructs the entire CIFAR model but shares the variables across
        # all towers.
        loss = tower_loss(scope, image_batch, label_batch)

        # Reuse variables for the next tower.
        tf.get_variable_scope().reuse_variables()

        # Retain the summaries from the final tower.
        summaries = tf.get_collection(tf.GraphKeys.SUMMARIES, scope)

        # Calculate the gradients for the batch of data on this CIFAR tower.
        grads = opt.compute_gradients(loss)

        # Keep track of the gradients across all towers.
        tower_grads.append(grads)

Answer 1

QueueRunner and Queue-based API is relatively out-dated, it is clearly mentioned in Tensorflow docs:

Input pipelines using the queue-based APIs can be cleanly replaced by the tf.data API

因此，建议使用tf.dataAPI。它针对多 GPU 和 TPU 目的进行了优化。

如何使用？

dataset = tf.data.Dataset.from_tensor_slices((x_train,y_train))
iterator = dataset.make_one_shot_iterator()
x,y = iterator.get_next()
# define your model
logit = tf.layers.dense(x,2) # use x directrly in your model
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y))
train_step = tf.train.AdamOptimizer().minimize(cost)
with tf.Session() as sess:
  sess.run(train_step)

您可以使用 Dataset.shard() 或更轻松地使用估算器 API.

为每个 GPU 创建多个迭代器

有关完整教程，请参阅 here。

Answer 2

多 GPU 示例的核心思想是将操作显式分配给 tf.device。该示例遍历 FLAGS.num_gpus 个设备并为每个 GPU 创建一个副本。

如果您在 for 循环中创建占位符操作，它们将被分配到各自的设备。您需要做的就是保留创建的占位符的句柄，然后在单个 session.run 调用中独立地提供它们。

placeholders = []
for i in range(FLAGS.num_gpus):
    with tf.device('/gpu:%d' % i):
        plc = tf.placeholder(tf.int32) 
        placeholders.append(plc)

with tf.Session() as sess:
    fd = {plc: i for i, plc in enumerate(placeholders)}
    sess.run(sum(placeholders), feed_dict=fd)  # this should give you the sum of all
                                               # numbers from 0 to FLAGS.num_gpus - 1

为了解决您的具体示例，用两个占位符（对于 image_batch 和 label_batch 张量）的构造替换 batch_queue.dequeue() 调用就足够了，将这些占位符存储在某处，然后将您需要的值提供给那些。

另一种（有点古怪）的方法是直接在 session.run 调用中覆盖 image_batch 和 label_batch 张量，因为您可以 feed_dict 任何张量（不仅仅是一个占位符）。您仍然需要将张量存储在某处，以便能够从 run 调用中引用它们。

如何在 Tensorflow 多 GPU 案例中使用 feed_dict

How to use feed_dict in Tensorflow multiple GPU case

python

tensorflow

distributed