tf.distribute.cluster_resolver.UnionResolver

Выполняет объединение базовых ClusterResolvers.

Унаследован от: ClusterResolver

tf.distribute.cluster_resolver.UnionResolver(
    *args, **kwargs
)

Этот класс выполняет объединение, заданное двумя или более существующими ClusterResolvers. Он объединяет базовые ClusterResolvers и возвращает объединённый ClusterSpec при вызове cluster_spec. Подробности функции объединения описаны в функции cluster_spec.

Для дополнительных свойств ClusterResolver, таких как тип задачи, индекс задачи, уровень RPC, среда и т. д., мы вернём значение из первого ClusterResolver в объединении.

Пример объединения двух resolvers кластера:

cluster_0 = tf.train.ClusterSpec({"worker": ["worker0.example.com:2222",
                                             "worker1.example.com:2222"]})
cluster_resolver_0 = SimpleClusterResolver(cluster, task_type="worker",
                                           task_id=0,
                                           rpc_layer="grpc")

cluster_1 = tf.train.ClusterSpec({"ps": ["ps0.example.com:2222",
                                         "ps1.example.com:2222"]})
cluster_resolver_1 = SimpleClusterResolver(cluster, task_type="ps",
                                           task_id=0,
                                           rpc_layer="grpc")

# Its task type would be "worker".
cluster_resolver = UnionClusterResolver(cluster_resolver_0,
                                        cluster_resolver_1)

Пример переопределения количества GPU в экземпляре TFConfigClusterResolver:

tf_config = TFConfigClusterResolver()
gpu_override = SimpleClusterResolver(tf_config.cluster_spec(),
                                     num_accelerators={"GPU": 1})
cluster_resolver = UnionResolver(gpu_override, tf_config)

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.

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.

Методы

cluster_spec

Просмотреть исходный код

cluster_spec()

Возвращает объединение всех ClusterSpecs из ClusterResolvers.

Примечание: Если несколько ClusterResolvers экспонируют ClusterSpecs с одинаковым именем работы, мы объединим список/словарь рабочих узлов.

Если все базовые ClusterSpecs экспонируют набор рабочих узлов в виде списков, мы склеим списки рабочих узлов, начиная со списка рабочих узлов из первого ClusterResolver, переданного в конструктор.

Если любой из ClusterSpecs экспонирует набор рабочих узлов в виде словаря, мы будем обрабатывать все наборы рабочих узлов как словари (даже если они возвращаются как списки) и будем объединять их только в словарь, если нет конфликтующих ключей. Если есть конфликтующий ключ, мы выведем KeyError.

master

Просмотреть исходный код

master(
    task_type=None, task_id=None, rpc_layer=None
)

Возвращает адрес master для использования при создании сессии.

Обычно возвращает мастер из первого ClusterResolver, переданного, но вы можете переопределить это, указав task_type и task_id.

Примечание: это полезно только для TensorFlow 1.x.

num_accelerators

Просмотреть исходный код

num_accelerators(
    task_type=None, task_id=None, config_proto=None
)

Возвращает количество ускорителей на рабочий узел.

Возвращает количество ускорителей (например, GPU и TPU) на рабочий узел.

Мы также позволяем вызывающей стороне указать task_type и task_id, если она хочет нацелиться на конкретную задачу TensorFlow для запроса количества ускорителей. Это для поддержки гетерогенных сред, где количество ускорителей на хост отличается.