矩池云｜GPU 分布式使用教程之 TensorFlow

GPU 分布式使用教程之 TensorFlow

TensorFlow 提供了 6 种策略实现分布式计算，各个策略详情请参考官方文档。本文档使用 MirroredStrategy 实现单机多卡分布式，MultiWorkerMirroredStrategy 实现多机多卡分布式计算。

选择机器

• 单机多卡分布式：租用同个计算节点的多张卡即可。
• 多机多卡分布式：需要先申请开通 分布式集群 功能，点击这里申请开通，在租用时，请选择带有如图所示图标的机器。没有这个图标的机器不支持加入分布式网络。

单机多卡

1）租用机器： 为实现 TensorFlow 的单机多卡分布式，首先，您需要按正常流程租用 GPU，如单节点 4 卡 A2000，选择 TensorFlow 镜像，如 TensorFlow2.8 镜像。

租用的时候 GPU 数设置成 4，即表示 4 卡，对应显存、内存等配置也会翻倍。

2）适配代码： 单机多卡分布式使用 MirroredStrategy 需对脚本进行相应修改，点击下载测试代码（将下面代码写入机器中的一个 .py 文件即可，如：tf-demo.py ）：

3）运行代码： 进入运行脚本所在目录，输入命令行，如：

# 进入脚本目录
cd /mnt/test/multi-card/tf
# 解压数据集到当前目录
unzip /public/tensorflow_datasets/cats_vs_dogs/kagglecatsanddogs_3367a.zip -d ./cats_vs_dogs
# 安装缺的依赖包
pip install tensorflow_datasets
# 运行程序
python tf-demo.py 

4）查看 GPU 使用情况： 租用界面点击 详情 按钮即可查看 GPU、CPU 使用情况。从截图中可以看到 4 个显卡都有使用到。

多机多卡

多机多卡使用需要先申请开通 分布式集群 功能，点击这里申请开通

1）租用机器： 首先，您需要按正常流程租用 GPU，除了上文提到的通过图标直接选择支持分布式集群的机器外，还可以在主机市场筛选栏选择 支持分布式集群 筛选，然后选择自己需要的机器租用即可。

如两个计算节点，租用两台 A2000 4，共计 8 卡。选择相同的 TensorFlow 镜像，如 TensorFlow2.8 镜像。

注意： 单机多卡中每个节点的 GPU 卡数应该一样，才能都使用上，机器类型也最好一样。

2）创建集群： 进入 【个人中心】 — 【我的租用】 — 【分布式集群】。

分布式集群需要先进行申请，申请通过后，点击【添加集群】- 【添加机器】—【确定】。

3）添加机器： 点击集群页面添加机器按钮，勾选要加入集群的机器，点击确定，即可将租用机器添加到集群。

添加机器成功后，系统会给每个节点分配集群 IP，当状态为已连接时，代表机器间可相互通信。

4）添加机器： 登录任一节点。因密钥由您掌握，故需由您按以下步骤完成节点间的 ssh 连通:

ssh-keygen -t rsa # 一路默认，生成公私钥
ssh-copy-id root@其他节点IP  #分发给其他节点，输入对应密钥。IP可在我的集群页面查看，如192.168.1.1

5）适配代码： 注意和单机多卡不同，多机多卡使用了 MultiWorkerMirroredStrategy，并配置了'TF_CONFIG'网络设置：

os.environ['TF_CONFIG'] = json.dumps({
    'cluster': {
        'worker': ["192.168.1.7:20005", "192.168.1.8:20006"]
    },
    'task': {'type': 'worker', 'index':0}
})

其中 cluster 包含了全部节点的 IP 和端口信息，所有节点此部分相同；task 包含当前节点的角色，例如节点一为 worker 0，节点二为 worker 1。

点击下载测试代码（将下面代码写入机器中的一个 .py 文件即可，如：tf-demo2.py ）：

6）运行程序： 登录主节点，进入运行脚本所在目录，输入命令行，如：

# 进入脚本目录
cd /mnt/test/multi-card/tf
# 解压数据集到当前目录
unzip /public/tensorflow_datasets/cats_vs_dogs/kagglecatsanddogs_3367a.zip -d ./cats_vs_dogs
# 安装缺的依赖包
pip install tensorflow_datasets
# 运行程序
python tf-demo2.py --num_workers 2 --worker_no 0

测试代码中，--num_workers 指定节点数（总共 2 个节点），用于设定 batch_size， --worker_no 指定节点顺序（主节点故为 0 号）。

登录剩余节点，运行：

cd /mnt/test/multi-card/tf
python tf-demo2.py --num_workers 2 --worker_no 1

其中，--worker_no 指定节点顺序（第二个节点故为 1 号），如有更多节点，需做相应修改，其他参数不用修改。运行后，系统会自动连接并运行训练任务。

7）查看 GPU 使用情况： 租用界面点击 详情 按钮即可查看 GPU、CPU 使用情况。