tf.distribute.cluster_resolver.KubernetesClusterResolver

{'worker': ['job-name=worker-cluster-a', 'job-name=worker-cluster-b'],
 'ps': ['job-name=ps-1', 'job-name=ps-2']}

Возможны два значения возврата: "google" (если TensorFlow выполняется во внутренней среде Google) или пустая строка (если TensorFlow выполняется где-то ещё).

Если вы реализуете ClusterResolver, который работает как в среде Google, так и в открытом источнике (например, TPU ClusterResolver или аналогичный), вам придётся вернуть соответствующую строку, в зависимости от среды, которую вам нужно определить.

В противном случае, если вы реализуете ClusterResolver, который будет работать только с открытым TensorFlow, вам не нужно реализовывать этот свойство.

В распределённой среде TensorFlow каждое задание может иметь соответствующий идентификатор задачи, который является индексом экземпляра в рамках его типа задачи. Это полезно, когда пользователю нужно выполнить определённый код в соответствии с индексом 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 такая информация недоступна или неприменима в текущей распределённой среде, например, при обучении с помощью tf.distribute.cluster_resolver.TPUClusterResolver.

Для получения более подробной информации, см. строку документации класса tf.distribute.cluster_resolver.ClusterResolver.

В распределённой среде TensorFlow каждое задание может иметь соответствующий тип задачи. Действительные типы задач в TensorFlow включают 'chief': рабочий элемент, которому назначена большая ответственность, 'worker': обычный рабочий элемент для обучения/оценки, 'ps': сервер параметров или 'evaluator': оценщик, который оценивает контрольные точки по метрикам.

См. Многоузловую конфигурацию для получения более подробной информации о типах задач 'chief' и 'worker', которые наиболее часто используются.

Доступ к такой информации полезен, когда пользователь хочет выполнить определенный 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 такая информация недоступна или неприменима в текущей распределённой среде, например, при обучении с помощью tf.distribute.experimental.TPUStrategy.

Для получения дополнительной информации, см. документацию класса tf.distribute.cluster_resolver.ClusterResolver.