tf.distribute.cluster_resolver.KubernetesClusterResolver

Возможны два значения: "google" (если TensorFlow выполняется во внутренней среде Google) или пустая строка (если TensorFlow выполняется в другой среде).

Если вы реализуете ClusterResolver, работающий как в среде Google, так и в мире открытого исходного кода (например, TPU ClusterResolver или аналогичный), необходимо возвращать соответствующую строку в зависимости от среды, которую нужно определить.

В противном случае, если вы реализуете ClusterResolver, предназначенный только для TensorFlow с открытым исходным кодом, реализовывать это свойство не требуется.

В распределённой среде TensorFlow для каждого задания может быть задан соответствующий идентификатор задачи — индекс экземпляра в рамках её типа. Это полезно, когда пользователю нужно выполнять определённый код в зависимости от индекса задачи. Например:

cluster_spec = tf.train.ClusterSpec({
    "ps": ["localhost:2222", "localhost:2223"],
    "worker": ["localhost:2224", "localhost:2225", "localhost:2226"]
})

# SimpleClusterResolver is used here for illustration; other cluster
# resolvers may be used for other source of task type/id.
simple_resolver = SimpleClusterResolver(cluster_spec, task_type="worker",
                                        task_id=0)

...

if cluster_resolver.task_type == 'worker' and cluster_resolver.task_id == 0:
  # Perform something that's only applicable on 'worker' type, id 0. This
  # block will run on this particular instance since we've specified this
  # task to be a 'worker', id 0 in above cluster resolver.
else:
  # Perform something that's only applicable on other ids. This block will
  # not run on this particular instance.

Возвращает None, если такие сведения недоступны или неприменимы в текущей распределённой среде, например при обучении с помощью tf.distribute.cluster_resolver.TPUClusterResolver.

Дополнительную информацию см. в документации класса tf.distribute.cluster_resolver.ClusterResolver.

В распределённой среде TensorFlow для каждого задания может быть задан соответствующий тип задачи. Допустимые типы задач в TensorFlow: 'chief' — рабочий узел с дополнительными обязанностями; 'worker' — обычный рабочий узел для обучения или оценки; 'ps' — сервер параметров; 'evaluator' — узел оценки, который вычисляет метрики для контрольных точек.

Дополнительную информацию о типах задач 'chief' и 'worker', которые используются чаще всего, см. в разделе «Конфигурация для нескольких рабочих узлов».

Доступ к этой информации полезен, когда пользователю нужно выполнять определённый код в зависимости от типа задачи. Например:

cluster_spec = tf.train.ClusterSpec({
    "ps": ["localhost:2222", "localhost:2223"],
    "worker": ["localhost:2224", "localhost:2225", "localhost:2226"]
})

# SimpleClusterResolver is used here for illustration; other cluster
# resolvers may be used for other source of task type/id.
simple_resolver = SimpleClusterResolver(cluster_spec, task_type="worker",
                                        task_id=1)

...

if cluster_resolver.task_type == 'worker':
  # Perform something that's only applicable on workers. This block
  # will run on this particular instance since we've specified this task to
  # be a worker in above cluster resolver.
elif cluster_resolver.task_type == 'ps':
  # Perform something that's only applicable on parameter servers. This
  # block will not run on this particular instance.

Возвращает None, если такие сведения недоступны или неприменимы в текущей распределённой среде, например при обучении с помощью tf.distribute.experimental.TPUStrategy.

Дополнительную информацию см. в документации класса tf.distribute.cluster_resolver.ClusterResolver.