concurrency - 在分布式 tensorflow 中制作屏障的正确方法是什么？

Question

在分布式训练期间，我想在每个时期后同步，对首席工作人员进行一些计算，并根据这些计算继续或停止训练。我需要一个障碍才能做到这一点。

我在文档中没有看到任何类似的内容，因此我实现了基于队列的解决方案(类似于分布式训练中梯度的存储和应用方式):

def build_barrier(tasks, task_index, barrier_name):
    queues = []
    for i, task in enumerate(tasks):
        with tf.device('%s/cpu:0' % task):
            with tf.name_scope(barrier_name):
                queues.append(
                    tf.FIFOQueue(
                        len(tasks),
                        (tf.float32),
                        shapes=(()),
                        name=str(i),
                        shared_name=str(i)))

    with tf.control_dependencies([queue.enqueue(1.) for queue in queues]):
        return queues[task_index].dequeue_many(len(tasks))

这个想法是为每个工作人员创建一个队列。对于“信号”，我在每个队列中推送一个 token ，对于“加入”，我从相应的队列中取出如此多的 token ，我想同步多少个任务。

问题是:这是正确的方法还是有更好的方法？

Answer 1

您的解决方案与 SyncReplicasOptimizer 非常相似。在SyncReplicasOptimizer中，它使用同步 token 队列来模拟屏障，并为每个变量使用累加器来累积并平均梯度更新。这是一种非常典型的批量同步并行，同时它还有在 Tensorflow 中实现陈旧同步并行的额外工作。

此外，Tensorflow还提供了Barrier最新版本，您可以查看更多信息。