TensorFlow - 分布式计算

---

本章将重点介绍如何开始使用分布式 TensorFlow。目的是帮助开发人员理解重复出现的基本分布式 TF 概念，例如 TF 服务器。我们将使用 Jupyter Notebook 来评估分布式 TensorFlow。下面提到使用 TensorFlow 进行分布式计算 -

步骤 1 - 导入分布式计算必需的必要模块 -

import tensorflow as tf

第 2 步- 创建一个具有一个节点的 TensorFlow 集群。让该节点负责一项名为“worker”的作业，该作业将在 localhost:2222 上运行一个镜头。

cluster_spec = tf.train.ClusterSpec({'worker' : ['localhost:2222']})
server = tf.train.Server(cluster_spec)
server.target

上述脚本生成以下输出 -

'grpc://localhost:2222'
The server is currently running.

步骤 3 - 可以通过执行以下命令来计算具有相应会话的服务器配置 -

server.server_def

上述命令生成以下输出 -

cluster {
   job {
      name: "worker"
      tasks {
         value: "localhost:2222"
      }
   }
}
job_name: "worker"
protocol: "grpc"

步骤 4 - 启动 TensorFlow 会话，执行引擎为服务器。使用 TensorFlow 创建本地服务器并使用lsof找出服务器的位置。

sess = tf.Session(target = server.target)
server = tf.train.Server.create_local_server()

步骤 5 - 查看此会话中可用的设备并关闭相应的会话。

devices = sess.list_devices()
for d in devices:
   print(d.name)
sess.close()

上述命令生成以下输出 -

/job:worker/replica:0/task:0/device:CPU:0