如何在Tensorflow多GPU情况下使用feed_dict

Question

最近，我尝试学习如何在多个GPU上使用Tensorflow来加快训练速度。我找到了一个关于基于 Cifar10 数据集的训练分类模型的官方教程。但是，我发现本教程使用队列读取图像。出于好奇，如何通过将值输入会话来使用多个 GPU？我似乎很难解决将不同值从同一数据集馈送到不同 GPU 的问题。谢谢大家！以下代码是关于官方教程的一部分。

images, labels = cifar10.distorted_inputs()
batch_queue = tf.contrib.slim.prefetch_queue.prefetch_queue(
      [images, labels], capacity=2 * FLAGS.num_gpus)
# Calculate the gradients for each model tower.
tower_grads = []
with tf.variable_scope(tf.get_variable_scope()):
  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:
        # Dequeues one batch for the GPU
        image_batch, label_batch = batch_queue.dequeue()
        # 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, image_batch, label_batch)
        # 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)

Answer 1

多 GPU 示例的核心思想是将操作显式分配给tf.device 。该示例遍历FLAGS.num_gpus设备，并为每个 GPU 创建一个副本。

如果您在 for 循环中创建占位符操作，它们将被分配给各自的设备。您需要做的就是保留已创建占位符的句柄，然后在单个session.run调用中独立地馈送它们。

placeholders = []
for i in range(FLAGS.num_gpus):
    with tf.device('/gpu:%d' % i):
        plc = tf.placeholder(tf.int32) 
        placeholders.append(plc)
with tf.Session() as sess:
    fd = {plc: i for i, plc in enumerate(placeholders)}
    sess.run(sum(placeholders), feed_dict=fd)  # this should give you the sum of all
                                               # numbers from 0 to FLAGS.num_gpus - 1

为了解决您的特定示例，只需将 batch_queue.dequeue() 调用替换为两个占位符（用于 image_batch 张量和label_batch张量）的构造，将这些占位符存储在某个地方，然后将您需要的值提供给这些占位符。

另一种（有点笨拙）方法是覆盖image_batch并直接在session.run调用中label_batch张量，因为您可以feed_dict任何张量（而不仅仅是占位符）。您仍然需要将张量存储在某个地方，以便能够从run调用中引用它们。

Answer 2

QueueRunner 和基于队列的 API 相对过时，在 Tensorflow 文档中明确提到：

使用基于队列的 API 的输入管道可以干净利落地 替换为tf.data API

因此，建议使用tf.data API。它针对多GPU和TPU目的进行了优化。

如何使用？

dataset = tf.data.Dataset.from_tensor_slices((x_train,y_train))
iterator = dataset.make_one_shot_iterator()
x,y = iterator.get_next()
# define your model
logit = tf.layers.dense(x,2) # use x directrly in your model
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y))
train_step = tf.train.AdamOptimizer().minimize(cost)
with tf.Session() as sess:
  sess.run(train_step) 

您可以使用Dataset.shard()或更轻松地使用估算器 API 为每个 GPU 创建多个迭代器。

有关完整的教程，请参阅此处。