TensorFlow使用平行計算

在學習如何使用tensorflow平行計算之前，我們必須要明白一些相關概念。這將有助於我們更好的學習和理解tensorflow的並行運算機制。

這句話的意思是一台計算機有多個物理cpu

物理cpu數：主機板上實際插入的cpu數量，可以數不重複的 physical id 有幾個（physical id）

單塊cpu上面能處理資料的晶元組的數量，如雙核、四核等（cpu cores）

一般情況下，邏輯cpu=物理cpu個數×每顆核數，如果不相等的話，則表示伺服器的cpu支援超執行緒技術（ht：簡單來說，它可使處理器中的1 顆核心如2 顆核心那樣在作業系統中發揮作用。這樣一來，作業系統可使用的執行資源擴大了一倍，大幅提高了系統的整體效能，此時邏輯cpu=物理cpu個數×每顆核數x2）

我們知道執行緒是作業系統最小的排程單位，單個執行緒同時只能在單個cpu執行緒（cpu執行緒相當於邏輯cpu數）中執行，對於多核的cpu系統中，開啟多執行緒有助於加速程式的執行。

平行計算（英語：parallel computing）一般是指許多指令得以同時進行的計算模式。在同時進行的前提下，可以將計算的過程分解成小部分，之後以併發方式來加以解決。多執行緒也算做並行運算。一般用以加速程式的運算。

在tensorflow中使用並行運算有很多方式，比如增加執行緒、使用多塊gpu、使用多塊cpu等，因為我使用的伺服器上只有兩塊cpu，所以下面我們以使用cpu為例，gpu也是一樣的。

值得注意的

tensorflow官方文件寫到，對於以上兩種配置，如果都沒有設定或設定為 0，則會預設使用邏輯 cpu 核心的數目。對於許多系統，包括 4 核的 cpu，以及包含

70 多個邏輯核心的多 cpu 系統，測試都顯示預設設定已經非常高效。

關於tensorflow使用並行運算，解釋起來比較抽象，我們還是用乙個例子更好的來說明一下吧！

配置設定如下：

config = tf.configproto(device_count=
,                 inter_op_parallelism_threads =2, 
intra_op_parallelism_threads =4,
log_device_placement=
true
)

執行結果：

配置執行過程使用的核心數和所開執行緒數的方式加速： extracting ./data/mnist/train-images-idx3-ubyte.gz extracting ./data/mnist/train-labels-idx1-ubyte.gz extracting ./data/mnist/t10k-images-idx3-ubyte.gz extracting ./data/mnist/t10k-labels-idx1-ubyte.gz 0.0761 0.8259 0.893 0.9184 0.9262 0.9391 0.945 0.9497 0.9544 0.955 0.9575 0.959 0.9616 0.9652 0.9669 0.9697 0.9684 0.9705 0.9717 0.9709 batch_time: 0.20636706495285034 peak memory: 6262.14 mib, increment: 6042.41 mib cpu times: user 16min 14s, sys: 2min 7s, total: 18min 22s

wall time: 5min 7s

可見，每訓練乙個batch耗時batch_time=0.20636706495285034s; 總耗時5min7s

配置設定如下：

with tf.device(
'/cpu:0'):
資料載入
卷積層with tf.device(
'/cpu:0'):
全連線層
梯度計算
config = tf.configproto(device_count=
,                 inter_op_parallelism_threads =2, 
intra_op_parallelism_threads =4,
log_device_placement=
true
)

執行結果：

extracting ./data/mnist/train-images-idx3-ubyte.gz extracting ./data/mnist/train-labels-idx1-ubyte.gz extracting ./data/mnist/t10k-images-idx3-ubyte.gz extracting ./data/mnist/t10k-labels-idx1-ubyte.gz 0.1135 0.7231 0.8665 0.9071 0.9238 0.9322 0.9389 0.9442 0.9501 0.9519 0.9537 0.957 0.958 0.962 0.965 0.9658 0.964 0.9683 0.9693 0.9698 batch_time: 0.19959420514106752 peak memory: 6239.59 mib, increment: 6020.55 mib cpu times: user 15min 48s, sys: 2min, total: 17min 49s

wall time: 4min 58s

可見，每訓練乙個batch耗時batch_time=0.19959420514106752; 總耗時4min 58s，比第一種方式快。

配置設定如下：

config = tf.configproto(device_count=
,                 inter_op_parallelism_threads =2, 
intra_op_parallelism_threads =40,
log_device_placement=
true
)

執行結果：

配置執行過程使用的核心數和所開執行緒數的方式加速： extracting ./data/mnist/train-images-idx3-ubyte.gz extracting ./data/mnist/train-labels-idx1-ubyte.gz extracting ./data/mnist/t10k-images-idx3-ubyte.gz extracting ./data/mnist/t10k-labels-idx1-ubyte.gz 0.124 0.8032 0.8919 0.9134 0.9293 0.9391 0.9461 0.95 0.9521 0.9556 0.9581 0.9609 0.9646 0.964 0.9652 0.9656 0.9675 0.9694 0.9707 0.9702 batch_time: 0.053559075355529784 peak memory: 6271.99 mib, increment: 6052.40 mib cpu times: user 27min 6s, sys: 6min 47s, total: 33min 53s

wall time: 1min 22s

可見，每訓練乙個batch耗時batch_time=0.053559075355529784; 總耗時1min 22s，比第第乙個配置方式快了近4倍。

通過上面的實驗，我們可以看出通過配置網路使用不同的硬體，增加對運算的執行緒和使用到的cpu核心數等，可以大大提高神經網路的執行效率，節約訓練時間。

TensorFlow使用平行計算

Tensorflow的平行計算

關於Tensorflow分布式並行策略

Tensorflow基本使用

TensorFlow使用平行計算

Tensorflow的平行計算

關於Tensorflow分布式並行策略

Tensorflow基本使用

相關推薦