tensorflow学习笔记(三十一):构建多GPU代码
2017-01-05 14:35
260 查看
构建多GPU代码
结构
先构建单GPU代码写个函数
multi_gpu_model(num_gpus)来生成多
GPU代码,并将对象保存在
collection中
feed data
run
如何构建单GPU代码
见之前博客构建TF代码不要在单GPU代码中创建
optimizer op,因为是
multi gpu,所以参数更新的操作是所有的
GPU计算完梯度之后,才进行更新的。
如何实现multi_gpu_model
函数
def multi_gpu_model(num_gpus=1): grads = [] for i in range(num_gpus): with tf.device("/gpu:%d"%i): with tf.name_scope("tower_%d"%i): model = Model(is_training, config, scope) # 放到collection中,方便feed的时候取 tf.add_to_collection("train_model", model) grads.append(model.grad) #grad 是通过tf.gradients(loss, vars)求得 #以下这些add_to_collection可以直接在模型内部完成。 # 将loss放到 collection中, 方便以后操作 tf.add_to_collection("loss",model.loss) #将predict放到collection中,方便操作 tf.add_to_collection("predict", model.predict) #将 summary.merge op放到collection中,方便操作 tf.add_to_collection("merge_summary", model.merge_summary) # ... with tf.device("cpu:0"): averaged_gradients = average_gradients(grads)# average_gradients后面说明 opt = tf.train.GradientDescentOptimizer(learning_rate) train_op=opt.apply_gradients(zip(average_gradients,tf.trainable_variables())) return train_op
如何feed data
def generate_feed_dic(model, feed_dict, batch_generator): x, y = batch_generator.next_batch() feed_dict[model.x] = x feed_dict[model.y] = y
如何实现run_epoch
#这里的scope是用来区别 train 还是 test def run_epoch(session, data_set, scope, train_op=None, is_training=True): batch_generator = BatchGenerator(data_set, batch_size) ... ... if is_training and train_op is not None: models = tf.get_collection("train_model") # 生成 feed_dict feed_dic = {} for model in models: generate_feed_dic(model, feed_dic, batch_generator) #生成fetch_dict losses = tf.get_collection("loss", scope)#保证了在 test的时候,不会fetch train的loss ... ...
main函数
main 函数干了以下几件事:1. 数据处理
2. 建立多GPU训练模型
3. 建立单/多GPU测试模型
4. 创建
Saver对象和
FileWriter对象
5. 创建
session
6. run_epoch
data_process() with tf.name_scope("train") as train_scope: train_op = multi_gpu_model(..) with tf.name_scope("test") as test_scope: model = Model(...) saver = tf.train.Saver() # 建图完毕,开始执行运算 with tf.Session() as sess: writer = tf.summary.FileWriter(...) ... run_epoch(...,train_scope) run_epoch(...,test_scope)
如何编写average_gradients函数
def average_gradients(grads):#grads:[[grad0, grad1,..], [grad0,grad1,..]..] averaged_grads = [] for grads_per_var in zip(*grads): grads = [] for grad in grads_per_var: expanded_grad = tf.expanded_dim(grad,0) grads.append(expanded_grad) grads = tf.concat_v2(grads, 0) grads = tf.reduce_mean(grads, 0) averaged_grads.append(grads) return averaged_grads
还有一个版本,但是不work,不知为啥
def average_gradients(grads):#grads:[[grad0, grad1,..], [grad0,grad1,..]..] averaged_grads = [] for grads_per_var in zip(*grads): grads = tf.reduce_mean(grads_per_var, 0) averaged_grads.append(grads) return averaged_grads
相关文章推荐
- tensorflow学习笔记(二十六):构建TF代码
- 构建多GPU代码
- Java代码构建一个线程池
- 100行Java代码构建一个线程池
- 一段用java反射动态构建对象的代码
- PHP百行代码快速构建简易聊天室
- 读书《编写移动代码--构建移动应用的基础软件工程》
- Java代码构建一个线程池
- 100行Java代码构建一个线程池
- 100行Java代码构建一个线程池
- 用CSS构建iframe效果代码
- 100行Java代码构建一个线程池
- Java代码构建一个线程池
- 追求代码质量: 通过测试分类实现敏捷构建
- 给Source Insight做个外挂系列之三--构建外挂软件的定制代码框架
- Java代码构建一个线程池
- 100行Java代码构建一个线程池
- 100行Java代码构建一个线程池(zz)
- 追求代码质量: 通过测试分类实现敏捷构建
- EZW算法的过程详解和Matlab代码(1)构建扫描次序表(修正小波树结构)