CIFAR10 多 GPU 版本例程源码分析

# Copyright 2015 Google Inc. All Rights Reserved.  

#  

# Licensed under the Apache License, Version 2.0 (the "License");  

# you may not use this file except in compliance with the License.  

# You may obtain a copy of the License at  

#  

#     http://www.apache.org/licenses/LICENSE-2.0  

#  

# Unless required by applicable law or agreed to in writing, software  

# distributed under the License is distributed on an "AS IS" BASIS,  

# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.  

# See the License for the specific language governing permissions and  

# limitations under the License.  

# ==============================================================================  

  

"""A binary to train CIFAR-10 using multiple GPU's with synchronous updates. 

 

Accuracy: 

cifar10_multi_gpu_train.py achieves ~86% accuracy after 100K steps (256 

epochs of data) as judged by cifar10_eval.py. 

 

Speed: With batch_size 128. 

 

System        | Step Time (sec/batch)  |     Accuracy 

-------------------------------------------------------------------- 

1 Tesla K20m  | 0.35-0.60              | ~86% at 60K steps  (5 hours) 

1 Tesla K40m  | 0.25-0.35              | ~86% at 100K steps (4 hours) 

2 Tesla K20m  | 0.13-0.20              | ~84% at 30K steps  (2.5 hours) 

3 Tesla K20m  | 0.13-0.18              | ~84% at 30K steps 

4 Tesla K20m  | ~0.10                  | ~84% at 30K steps 

 

Usage: 

Please see the tutorial and website for how to download the CIFAR-10 

data set, compile the program and train the model. 

 
http://tensorflow.org/tutorials/deep_cnn/ 
"""  

from __future__ import absolute_import  

from __future__ import division  

from __future__ import print_function  

  

from datetime import datetime  

import os.path  

import re  

import time  

  

import numpy as np  

from six.moves import xrange  # pylint: disable=redefined-builtin  

import tensorflow as tf  

from tensorflow.models.image.cifar10 import cifar10  

  

FLAGS = tf.app.flags.FLAGS  

  

tf.app.flags.DEFINE_string('train_dir', '/tmp/cifar10_train',  

                           """Directory where to write event logs """  

                           """and checkpoint.""")  

tf.app.flags.DEFINE_integer('max_steps', 1000000,  

                            """Number of batches to run.""")  

tf.app.flags.DEFINE_integer('num_gpus', 1,  

                            """How many GPUs to use.""")  

tf.app.flags.DEFINE_boolean('log_device_placement', False,  

                            """Whether to log device placement.""")  

  

  

def tower_loss(scope):  

  """Calculate the total loss on a single tower running the CIFAR model. 

 

  Args: 

    scope: unique prefix string identifying the CIFAR tower, e.g. 'tower_0' 

 

  Returns: 

     Tensor of shape [] containing the total loss for a batch of data 

  """  

  # Get images and labels for CIFAR-10.  

  images, labels = cifar10.distorted_inputs()  

  

  # Build inference Graph.  

  logits = cifar10.inference(images)  

  

  # Build the portion of the Graph calculating the losses. Note that we will  

  # assemble the total_loss using a custom function below.  

  _ = cifar10.loss(logits, labels)  

  

  # Assemble all of the losses for the current tower only.  

  losses = tf.get_collection('losses', scope)  

  

  # Calculate the total loss for the current tower.  

  total_loss = tf.add_n(losses, name='total_loss')  

  

  # Compute the moving average of all individual losses and the total loss.  

  loss_averages = tf.train.ExponentialMovingAverage(0.9, name='avg')  

  loss_averages_op = loss_averages.apply(losses + [total_loss])  

  

  # Attach a scalar summary to all individual losses and the total loss; do the  

  # same for the averaged version of the losses.  

  for l in losses + [total_loss]:  

    # Remove 'tower_[0-9]/' from the name in case this is a multi-GPU training  

    # session. This helps the clarity of presentation on tensorboard.  

    loss_name = re.sub('%s_[0-9]*/' % cifar10.TOWER_NAME, '', l.op.name)  

    # Name each loss as '(raw)' and name the moving average version of the loss  

    # as the original loss name.  

    tf.scalar_summary(loss_name +' (raw)', l)  

    tf.scalar_summary(loss_name, loss_averages.average(l))  

  

  with tf.control_dependencies([loss_averages_op]):  

    total_loss = tf.identity(total_loss)  

  return total_loss  

  

  

def average_gradients(tower_grads):  

  """Calculate the average gradient for each shared variable across all towers. 

 

  Note that this function provides a synchronization point across all towers. 

 

  Args: 

    tower_grads: List of lists of (gradient, variable) tuples. The outer list 

      is over individual gradients. The inner list is over the gradient 

      calculation for each tower. 

  Returns: 

     List of pairs of (gradient, variable) where the gradient has been averaged 

     across all towers. 

  """  

  average_grads = []  

  for grad_and_vars in zip(*tower_grads):  

    # Note that each grad_and_vars looks like the following:  

    #   ((grad0_gpu0, var0_gpu0), ... , (grad0_gpuN, var0_gpuN))  

    grads = []  

    for g, _ in grad_and_vars:  

      # Add 0 dimension to the gradients to represent the tower.  

      expanded_g = tf.expand_dims(g, 0)  

  

      # Append on a 'tower' dimension which we will average over below.  

      grads.append(expanded_g)  

  

    # Average over the 'tower' dimension.  

    grad = tf.concat(0, grads)  

    grad = tf.reduce_mean(grad, 0)  

  

    # Keep in mind that the Variables are redundant because they are shared  

    # across towers. So .. we will just return the first tower's pointer to  

    # the Variable.  

    v = grad_and_vars[0][1]  

    grad_and_var = (grad, v)  

    average_grads.append(grad_and_var)  

  return average_grads  

  

  

def train():  

  """Train CIFAR-10 for a number of steps."""  

  with tf.Graph().as_default(), tf.device('/cpu:0'):  

    # Create a variable to count the number of train() calls. This equals the  

    # number of batches processed * FLAGS.num_gpus.  

    global_step = tf.get_variable(  

        'global_step', [],  

        initializer=tf.constant_initializer(0), trainable=False)  

  

    # Calculate the learning rate schedule.  

    num_batches_per_epoch = (cifar10.NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN /  

                             FLAGS.batch_size)  

    decay_steps = int(num_batches_per_epoch * cifar10.NUM_EPOCHS_PER_DECAY)  

  

    # Decay the learning rate exponentially based on the number of steps.  

    lr = tf.train.exponential_decay(cifar10.INITIAL_LEARNING_RATE,  

                                    global_step,  

                                    decay_steps,  

                                    cifar10.LEARNING_RATE_DECAY_FACTOR,  

                                    staircase=True)  

  

    # Create an optimizer that performs gradient descent.  

    opt = tf.train.GradientDescentOptimizer(lr)  

  

    # Calculate the gradients for each model tower.  

    tower_grads = []  

    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:  

          # 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)  

  

          # 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)  

  

    # We must calculate the mean of each gradient. Note that this is the  

    # synchronization point across all towers.  

    grads = average_gradients(tower_grads)  

  

    # Add a summary to track the learning rate.  

    summaries.append(tf.scalar_summary('learning_rate', lr))  

  

    # Add histograms for gradients.  

    for grad, var in grads:  

      if grad is not None:  

        summaries.append(  

            tf.histogram_summary(var.op.name + '/gradients', grad))  

  

    # Apply the gradients to adjust the shared variables.  

    apply_gradient_op = opt.apply_gradients(grads, global_step=global_step)  

  

    # Add histograms for trainable variables.  

    for var in tf.trainable_variables():  

      summaries.append(tf.histogram_summary(var.op.name, var))  

  

    # Track the moving averages of all trainable variables.  

    variable_averages = tf.train.ExponentialMovingAverage(  

        cifar10.MOVING_AVERAGE_DECAY, global_step)  

    variables_averages_op = variable_averages.apply(tf.trainable_variables())  

  

    # Group all updates to into a single train op.  

    train_op = tf.group(apply_gradient_op, variables_averages_op)  

  

    # Create a saver.  

    saver = tf.train.Saver(tf.all_variables())  

  

    # Build the summary operation from the last tower summaries.  

    summary_op = tf.merge_summary(summaries)  

  

    # Build an initialization operation to run below.  

    init = tf.initialize_all_variables()  

  

    # Start running operations on the Graph. allow_soft_placement must be set to  

    # True to build towers on GPU, as some of the ops do not have GPU  

    # implementations.  

    sess = tf.Session(config=tf.ConfigProto(  

        allow_soft_placement=True,  

        log_device_placement=FLAGS.log_device_placement))  

    sess.run(init)  

  

    # Start the queue runners.  

    tf.train.start_queue_runners(sess=sess)  

  

    summary_writer = tf.train.SummaryWriter(FLAGS.train_dir, sess.graph)  

  

    for step in xrange(FLAGS.max_steps):  

      start_time = time.time()  

      _, loss_value = sess.run([train_op, loss])  

      duration = time.time() - start_time  

  

      assert not np.isnan(loss_value), 'Model diverged with loss = NaN'  

  

      if step % 10 == 0:  

        num_examples_per_step = FLAGS.batch_size * FLAGS.num_gpus  

        examples_per_sec = num_examples_per_step / duration  

        sec_per_batch = duration / FLAGS.num_gpus  

  

        format_str = ('%s: step %d, loss = %.2f (%.1f examples/sec; %.3f '  

                      'sec/batch)')  

        print (format_str % (datetime.now(), step, loss_value,  

                             examples_per_sec, sec_per_batch))  

  

      if step % 100 == 0:  

        summary_str = sess.run(summary_op)  

        summary_writer.add_summary(summary_str, step)  

  

      # Save the model checkpoint periodically.  

      if step % 1000 == 0 or (step + 1) == FLAGS.max_steps:  

        checkpoint_path = os.path.join(FLAGS.train_dir, 'model.ckpt')  

        saver.save(sess, checkpoint_path, global_step=step)  

  

  

def main(argv=None):  # pylint: disable=unused-argument  

  cifar10.maybe_download_and_extract()  

  if tf.gfile.Exists(FLAGS.train_dir):  

    tf.gfile.DeleteRecursively(FLAGS.train_dir)  

  tf.gfile.MakeDirs(FLAGS.train_dir)  

  train()  

  

  

if __name__ == '__main__':  

  tf.app.run()