欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Tensorflow實現(xiàn)多GPU并行方式

 更新時間:2020年02月03日 09:08:16   作者:winycg  
今天小編就為大家分享一篇Tensorflow實現(xiàn)多GPU并行方式,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧

Tebsorflow開源實現(xiàn)多GPU訓(xùn)練cifar10數(shù)據(jù)集:cifar10_multi_gpu_train.py

Tensorflow開源實現(xiàn)cifar10神經(jīng)網(wǎng)絡(luò):cifar10.py

Tensorflow中的并行分為模型并行和數(shù)據(jù)并行。模型并行需要根據(jù)不同模型設(shè)計不同的并行方式,其主要原理是將模型中不同計算節(jié)點放在不同硬件資源上運算。比較通用且能簡便地實現(xiàn)大規(guī)模并行的方式是數(shù)據(jù)并行,同時使用多個硬件資源來計算不同batch的數(shù)據(jù)梯度,然后匯總梯度進(jìn)行全局更新。

數(shù)據(jù)并行幾乎適用于所有深度學(xué)習(xí)模型,總是可以利用多塊GPU同時訓(xùn)練多個batch數(shù)據(jù),運行在每塊GPU上的模型都基于同一個神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)一樣,并且共享模型參數(shù)。

import os
import re
import time
import numpy as np
import tensorflow as tf
import cifar10_input
import cifar10

batch_size = 128
max_steps = 1000
num_gpus = 1 # gpu數(shù)量


# 在scope下生成神經(jīng)網(wǎng)絡(luò)并返回scope下的loss
def tower_loss(scope):
 # 數(shù)據(jù)集的路徑可以在cifar10.py中的tf.app.flags.DEFINE_string中定義
 images, labels = cifar10.distorted_inputs()
 logits = cifar10.inference(images) # 生成神經(jīng)網(wǎng)絡(luò)
 _ = cifar10.loss(logits, labels) # 不直接返回loss而是放到collection
 losses = tf.get_collection('losses', scope) # 獲取當(dāng)前GPU上的loss(通過scope限定范圍)
 total_loss = tf.add_n(losses, name='total_loss')
 return total_loss


'''
外層是不同GPU計算的梯度,內(nèi)層是某個GPU對應(yīng)的不同var的值
tower_grads = 
[[(grad0_gpu0, var0_gpu0), (grad1_gpu0, var1_gpu0),...],
 [(grad0_gpu1, var0_gpu1), (grad1_gpu1, var1_gpu1),...]]
zip(*tower_grads)= 相當(dāng)于轉(zhuǎn)置了
[[(grad0_gpu0, var0_gpu0), (grad0_gpu1, var0, gpu1),...],
 [(grad1_gpu0, var1_gpu0), (grad1_gpu1, var1_gpu1),...]]
'''


def average_gradients(tower_grads):
 average_grads = []
 for grad_and_vars in zip(*tower_grads):
  grads = [tf.expand_dims(g, 0) for g, _ in grad_and_vars]
  grads = tf.concat(grads, 0)
  grad = tf.reduce_mean(grads, 0)
  grad_and_var = (grad, grad_and_vars[0][1])
  # [(grad0, var0),(grad1, var1),...]
  average_grads.append(grad_and_var)
 return average_grads


def train():
 # 默認(rèn)的計算設(shè)備為CPU
 with tf.Graph().as_default(), tf.device('/cpu:0'):
  # []表示沒有維度,為一個數(shù)
  # trainable=False,不會加入GraphKeys.TRAINABLE_VARIABLES參與訓(xùn)練
  global_step = tf.get_variable('global_step', [],
          initializer=tf.constant_initializer(0),
          trainable=False)
  num_batches_per_epoch = cifar10.NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN / batch_size
  decay_steps = int(num_batches_per_epoch * cifar10.NUM_EPOCHS_PER_DECAY)
  # https://tensorflow.google.cn/api_docs/python/tf/train/exponential_decay
  # decayed_learning_rate = learning_rate * decay_rate ^ (global_step / decay_steps)
  # staircase is True, then global_step / decay_steps is an integer division
  lr = tf.train.exponential_decay(cifar10.INITIAL_LEARNING_RATE,
          global_step,
          decay_steps,
          cifar10.LEARNING_RATE_DECAY_FACTOR,
          staircase=True)
  opt = tf.train.GradientDescentOptimizer(lr)

  tower_grads = []
  for i in range(num_gpus):
   with tf.device('/gpu:%d' % i):
    with tf.name_scope('%s_%d' % (cifar10.TOWER_NAME, i)) as scope:
     loss = tower_loss(scope)
     # 讓神經(jīng)網(wǎng)絡(luò)的變量可以重用,所有GPU使用完全相同的參數(shù)
     # 讓下一個tower重用參數(shù)
     tf.get_variable_scope().reuse_variables()
     grads = opt.compute_gradients(loss)
     tower_grads.append(grads)
  grads = average_gradients(tower_grads)
  apply_gradient_op = opt.apply_gradients(grads, global_step=global_step)

  init = tf.global_variables_initializer()
  # True會自動選擇一個存在并且支持的設(shè)備來運行
  sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))
  sess.run(init)
  tf.train.start_queue_runners(sess=sess)

  for step in range(max_steps):
   start_time = time.time()
   _, loss_value = sess.run([apply_gradient_op, loss])
   duration = time.time() - start_time

   if step % 10 == 0:
    num_examples_per_step = batch_size * num_gpus
    examples_per_sec = num_examples_per_step / duration
    sec_per_batch = duration / num_gpus

    print('step %d, loss=%.2f(%.1f examples/sec;%.3f sec/batch)'
      % (step, loss_value, examples_per_sec, sec_per_batch))



if __name__ == '__main__':
 train()

以上這篇Tensorflow實現(xiàn)多GPU并行方式就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持腳本之家。

相關(guān)文章

  • python ChainMap的使用和說明詳解

    python ChainMap的使用和說明詳解

    這篇文章主要介紹了python ChainMap的使用和說明詳解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2019-06-06
  • LyScript實現(xiàn)內(nèi)存交換與差異對比的方法詳解

    LyScript實現(xiàn)內(nèi)存交換與差異對比的方法詳解

    LyScript?針對內(nèi)存讀寫函數(shù)的封裝功能并不多,只提供了內(nèi)存讀取和內(nèi)存寫入函數(shù)的封裝,本篇文章將繼續(xù)對API進(jìn)行封裝,實現(xiàn)一些在軟件逆向分析中非常實用的功能,需要的可以參考一下
    2022-08-08
  • pycharm中成功運行圖片的配置教程

    pycharm中成功運行圖片的配置教程

    今天小編就為大家分享一篇pycharm中成功運行圖片的配置教程,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2018-10-10
  • Python join()函數(shù)原理及使用方法

    Python join()函數(shù)原理及使用方法

    這篇文章主要介紹了Python join()函數(shù)原理及使用方法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下
    2020-11-11
  • Python中的type與isinstance的區(qū)別詳解

    Python中的type與isinstance的區(qū)別詳解

    本文主要介紹了Python中的type與isinstance的區(qū)別詳解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2023-04-04
  • python實現(xiàn)邏輯回歸的示例

    python實現(xiàn)邏輯回歸的示例

    這篇文章主要介紹了python實現(xiàn)邏輯回歸的示例,幫助大家更好的理解和使用機器學(xué)習(xí)算法,感興趣的朋友可以了解下
    2020-10-10
  • Python3.5面向?qū)ο缶幊虉D文與實例詳解

    Python3.5面向?qū)ο缶幊虉D文與實例詳解

    這篇文章主要介紹了Python3.5面向?qū)ο缶幊?結(jié)合圖文與實例形式詳細(xì)分析了Python面向?qū)ο缶幊滔嚓P(guān)的概念、類定義、實例化、實例變量、類變量、析構(gòu)函數(shù)等相關(guān)原理及使用技巧,需要的朋友可以參考下
    2019-04-04
  • Python字符串替換實例分析

    Python字符串替換實例分析

    這篇文章主要介紹了Python字符串替換的方法,實例對比分析了單個字符替換與字符串替換的相關(guān)技巧,非常簡單實用,需要的朋友可以參考下
    2015-05-05
  • python爬取拉勾網(wǎng)職位數(shù)據(jù)的方法

    python爬取拉勾網(wǎng)職位數(shù)據(jù)的方法

    這篇文章主要介紹了python爬取拉勾網(wǎng)職位數(shù)據(jù)的實現(xiàn)方法,非常不錯,具有參考借鑒價值,需要的朋友可以參考下
    2018-01-01
  • Django Sitemap 站點地圖的實現(xiàn)方法

    Django Sitemap 站點地圖的實現(xiàn)方法

    這篇文章主要介紹了Django Sitemap 站點地圖的實現(xiàn)方法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2019-04-04

最新評論