tensorflow 将“tf.data.dataset”中的数据分发给多个工作进程(例如Horovod)

np8igboo 于 2022-12-27 发布在其他

关注(0)|答案(2)|浏览(163)

使用Horovod，您基本上运行N个独立的示例（因此这是一种“图间复制”形式），它们通过特殊的Horovod操作（基本上是广播+减少）进行通信。
现在假设示例0或其他外部示例加载了数据（通过tf.data.Dataset），那么如何将iterator.get_next()分发到每个示例呢？使用Horovod广播将效率低下，因为您需要将所有数据复制到所有示例。
在每个示例中都有数据集，并在其中执行所有加载，然后在数据集上使用shard也会效率低下，因为您将在所有地方加载数据，然后丢弃（N-1）/N。这就是为什么您也不希望进行分片，而是仅在单个（生产者/数据集工作者）示例，然后该示例将批分发给所有列车工作者。
我猜TF MultiDeviceIterator提供了一些类似的功能（或者基本上就是这样），但我不确定它是否能与Horovod一起工作，以及如何设置它？
或者您可以通过TF工作者（guide）进行分发（您也可以这样配置MultiDeviceIterator）。
如有可能，应通过TensorFlow操作/函数执行此操作（有很多相关功能可能已经给予了这些功能，但我可能不了解它们，或者误解了它的工作原理）。或者答案是TensorFlow还没有提供任何此类功能？（了解这一点还是很有用的。然后，我会用C++实现自己的解决方案，并将其 Package 为TensorFlow操作。但在此之前，最好了解一下这是否真的有必要。
（与之相关的还有this Horovod issue。）
(This这个问题实际上比Horovod更一般，尽管Horovod可能是一个很好的例子。您可能在分布式TensorFlow中总是遇到这个问题？）
（我收集了所有分布式TensorFlow术语和方面here的概述，主要是为了澄清。
（相关的问题（也许？）还有this、this、this、this或this。）

tensorflow

来源：https://stackoverflow.com/questions/61975841/distribute-data-from-tf-data-dataset-to-multiple-workers-e-g-for-horovod

2条答案

按热度按时间

wwtsj6pe1#

正如您所说，复制每个示例中的数据并对每个示例的数据进行分片是不切实际的。
一种解决方案是将数据流程中的数据分开，并让每个示例从数据流程中提取数据，如下图所示。例如，可以使用队列建立此通信。
在这样的系统中，数据处理将加载数据集，将其预处理为批处理，并将批处理推入队列。然后，每个训练示例将从该队列中提取批处理。例如，您可以将队列作为生成器传递到数据集API中（请参阅tf.data.Dataset.from_generator）。此外，如果批处理的生成速度不够快，则可以创建更多的数据进程来提高批处理吞吐量。
具体的实现细节将因使用情况而异。有关详细信息，可以查找Networking and Interprocess communication和多处理管道和队列。

Training        
                                                         +--------------+  ++
                                                         |              |   |
                                                    +----+  Instance 1  |   |
                                                    |    |              |   |
                                                    |    +--------------+   |
                                                    |                       |
                      Preprocessing                 |                       |
                  +--------------------+            +---->      X           |
                  |                    |            |                       |
             Load |                    | Batches    +           X           |
    Dataset+------>    Data Process    +--------->Queue                     |  N instances
                  |                    |            +           X           |  Distributed training
                  |                    |            |                       |  For example, using
                  +--------------------+            +---->      X           |  Horovod broadcast + reduce
                                                    |                       |
                                                    |        Training       |
                                                    |    +--------------+   |
                                                    |    |              |   |
                                                    +----+  Instance N  |   |
                                                         |              |   |
                                                         +--------------+  ++

对于tensorflow 实现，可以将tf.data.Dataset.shard与tf.data.TFRecordDataset一起使用。
该文档解决了您对使用TFRecords时效率低下的担忧：
重要警告：

确保在使用任何随机化操作符（如随机播放）之前进行分片。
通常，最好在数据集管道的早期使用shard运算符。例如，从一组TFRecord文件中阅读时，请在将数据集转换为输入样本之前进行shard。这样可以避免读取每个工作进程上的每个文件。下面是完整管道中有效的分片策略示例：

d = Dataset.list_files(pattern)
d = d.shard(num_workers, worker_index)
d = d.repeat(num_epochs)
d = d.shuffle(shuffle_buffer_size)
d = d.interleave(tf.data.TFRecordDataset,
                 cycle_length=num_readers, block_length=1)
d = d.map(parser_fn, num_parallel_calls=num_map_threads)

赞(0）回复(0）举报 2022-12-27

bwleehnv2#

我想重新看一下YogaDL，它允许缓存数据集，这样在训练（或重新训练）期间，您将只访问该碎片上需要的数据，而不是丢弃（N-1）/N个数据读取。

赞(0）回复(0）举报 2022-12-27