TensorFlow - 分布式计算

TensorFlow分布式计算 - 从简单和简单的步骤学习TensorFlow，从基本到高级概念，包括简介，安装，理解人工智能，数学基础，机器学习和深度学习，基础知识，卷积神经网络，递归神经网络，TensorBoard可视化，单词嵌入，单层感知器，线性回归，TFLearn及其安装，CNN和RNN差异，Keras，分布式计算，TensorFlow导出，多层感知器学习，感知器隐藏层，TensorFlow中的优化器，XOR实现，梯度下降优化，形成图，使用TensorFlow的图像识别，神经网络训练的建议。

本章将重点介绍如何开始使用分布式TensorFlow.目的是帮助开发人员了解重复出现的基本分布式TF概念，例如TF服务器.我们将使用Jupyter Notebook来评估分布式TensorFlow.下面提到使用TensorFlow实现分布式计算 :

步骤1 : 导入分布式计算所必需的必要模块 :

import tensorflow as tf

第2步 : 使用一个节点创建TensorFlow集群.让这个节点负责一个名为"worker"的作业，该作业将在localhost:2222运行一次.

cluster_spec = tf.train.ClusterSpec({'worker' : ['localhost:2222']})server = tf.train.Server(cluster_spec)server.target

以上脚本生成以下输出 :

'grpc://localhost:2222'The server is currently running.

第3步 : 具有相应会话的服务器配置可以通过执行以下命令来计算 :

  server.server_def

以上命令生成以下输出 :

cluster {   job {      name: "worker"      tasks {         value: "localhost:2222"      }   }}job_name: "worker"protocol: "grpc"

第4步 : 启动TensorFlow会话，执行引擎是服务器.使用TensorFlow创建本地服务器并使用 lsof 查找服务器的位置.

 sess = tf .Session(target = server.target) server = tf.train.Server.create_local_server()

第5步 : 查看此会话中可用的设备并关闭相应的会话.

devices = sess.list_devices()for d in devices:   print(d.name)sess.close()

以上命令生成以下输出 :

 /job:worker/replica:0/task:0/device:CPU:0