एमएल समुदाय दिवस 9 नवंबर है! TensorFlow, JAX से नई जानकारी के लिए हमसे जुड़ें, और अधिक जानें

बहु-कार्यकर्ता CPU/GPU प्रशिक्षण माइग्रेट करें

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखें नोटबुक डाउनलोड करें

यह मार्गदर्शिका दर्शाती है कि अपने बहु-कार्यकर्ता वितरित प्रशिक्षण वर्कफ़्लो को TensorFlow 1 से TensorFlow 2 में कैसे स्थानांतरित किया जाए।

CPU/GPU के साथ बहु-कार्यकर्ता प्रशिक्षण करने के लिए:

सेट अप

कुछ आवश्यक आयात और प्रदर्शन उद्देश्यों के लिए एक साधारण डेटासेट के साथ प्रारंभ करें:

# Install tf-nightly as the notebook uses a dataset instance for `Model.fit`
# with `ParameterServerStrategy`, which depends on symbols in TF 2.7.
!pip uninstall -q -y tensorflow keras
!pip install -q tf-nightly
# Install a utility needed for this demonstration
!pip install portpicker

import tensorflow as tf
import tensorflow.compat.v1 as tf1
features = [[1., 1.5], [2., 2.5], [3., 3.5]]
labels = [[0.3], [0.5], [0.7]]
eval_features = [[4., 4.5], [5., 5.5], [6., 6.5]]
eval_labels = [[0.8], [0.9], [1.]]

आप की आवश्यकता होगी 'TF_CONFIG' TensorFlow में कई मशीनों पर प्रशिक्षण के लिए विन्यास वातावरण चर। का प्रयोग करें 'TF_CONFIG' निर्दिष्ट करने के लिए 'cluster' और 'task' एस 'के पते। (में और जानें Distributed_training गाइड।)

import json
import os

tf_config = {
    'cluster': {
        'chief': ['localhost:11111'],
        'worker': ['localhost:12345', 'localhost:23456', 'localhost:21212'],
        'ps': ['localhost:12121', 'localhost:13131'],
    },
    'task': {'type': 'chief', 'index': 0}
}

os.environ['TF_CONFIG'] = json.dumps(tf_config)

का प्रयोग करें del चर को दूर करने के बयान (लेकिन TensorFlow 1 में वास्तविक दुनिया बहु कार्यकर्ता प्रशिक्षण में, यदि आप ऐसा करने की ज़रूरत नहीं होगी):

del os.environ['TF_CONFIG']

TensorFlow 1: tf.estimator APIs के साथ बहु-कार्यकर्ता वितरित प्रशिक्षण

निम्नलिखित कोड का टुकड़ा दर्शाता TF1 में बहु कार्यकर्ता प्रशिक्षण के विहित कार्यप्रवाह: यदि आप एक का उपयोग करेगा tf.estimator.Estimator , एक tf.estimator.TrainSpec , एक tf.estimator.EvalSpec , और tf.estimator.train_and_evaluate एपीआई वितरित करने के लिए प्रशिक्षण:

def _input_fn():
  return tf1.data.Dataset.from_tensor_slices((features, labels)).batch(1)

def _eval_input_fn():
  return tf1.data.Dataset.from_tensor_slices(
      (eval_features, eval_labels)).batch(1)

def _model_fn(features, labels, mode):
  logits = tf1.layers.Dense(1)(features)
  loss = tf1.losses.mean_squared_error(labels=labels, predictions=logits)
  optimizer = tf1.train.AdagradOptimizer(0.05)
  train_op = optimizer.minimize(loss, global_step=tf1.train.get_global_step())
  return tf1.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)

estimator = tf1.estimator.Estimator(model_fn=_model_fn)
train_spec = tf1.estimator.TrainSpec(input_fn=_input_fn)
eval_spec = tf1.estimator.EvalSpec(input_fn=_eval_input_fn)
tf1.estimator.train_and_evaluate(estimator, train_spec, eval_spec)
INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpu5zsvkn2
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpu5zsvkn2', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}
INFO:tensorflow:Not using Distribute Coordinator.
INFO:tensorflow:Running training and evaluation locally (non-distributed).
INFO:tensorflow:Start train and evaluate loop. The evaluate will happen after every checkpoint. Checkpoint frequency is determined based on RunConfig arguments: save_checkpoints_steps None or save_checkpoints_secs 600.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/training/training_util.py:401: Variable.initialized_value (from tensorflow.python.ops.variables) is deprecated and will be removed in a future version.
Instructions for updating:
Use Variable.read_value. Variables in 2.X are initialized automatically both in eager and graph (inside tf.defun) contexts.
INFO:tensorflow:Calling model_fn.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/training/adagrad.py:143: calling Constant.__init__ (from tensorflow.python.ops.init_ops) with dtype is deprecated and will be removed in a future version.
Instructions for updating:
Call initializer instance with the dtype argument instead of passing it to the constructor
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Saving checkpoints for 0 into /tmp/tmpu5zsvkn2/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 0.0176871, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 3...
INFO:tensorflow:Saving checkpoints for 3 into /tmp/tmpu5zsvkn2/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 3...
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Starting evaluation at 2021-09-22T20:01:54
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpu5zsvkn2/model.ckpt-3
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Inference Time : 0.16660s
INFO:tensorflow:Finished evaluation at 2021-09-22-20:01:55
INFO:tensorflow:Saving dict for global step 3: global_step = 3, loss = 0.0040814565
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 3: /tmp/tmpu5zsvkn2/model.ckpt-3
INFO:tensorflow:Loss for final step: 0.034454126.
({'loss': 0.0040814565, 'global_step': 3}, [])

TensorFlow 2: वितरण रणनीतियों के साथ बहु-कार्यकर्ता प्रशिक्षण

TensorFlow 2 में, सीपीयू, GPUs के साथ कई कार्यकर्ताओं भर में प्रशिक्षण वितरित, और tpus माध्यम से किया जाता tf.distribute.Strategy रों।

निम्न उदाहरण दर्शाता है कि कैसे इस तरह के दो रणनीतियों का उपयोग करने के लिए: tf.distribute.experimental.ParameterServerStrategy और tf.distribute.MultiWorkerMirroredStrategy , जो दोनों के कई कार्यकर्ताओं के साथ CPU / GPU प्रशिक्षण के लिए डिजाइन किए हैं।

ParameterServerStrategy एक समन्वयक (रोजगार 'chief' ) है, जो इसे और अधिक इस Colab नोटबुक में पर्यावरण के साथ अनुकूल बनाता है। आप यहाँ कुछ उपयोगिताओं का उपयोग किया जाएगा एक runnable अनुभव यहाँ के लिए आवश्यक समर्थन तत्वों स्थापित करने के लिए: यदि आप एक में प्रक्रिया क्लस्टर, जहां धागे पैरामीटर सर्वर (अनुकरण करने के लिए उपयोग किया जाता है पैदा करेगा 'ps' ) और श्रमिकों ( 'worker' ) . पैरामीटर सर्वर प्रशिक्षण के बारे में अधिक जानकारी के लिए, का उल्लेख ParameterServerStrategy साथ पैरामीटर सर्वर प्रशिक्षण ट्यूटोरियल।

इस उदाहरण में, पहले परिभाषित 'TF_CONFIG' एक साथ वातावरण चर tf.distribute.cluster_resolver.TFConfigClusterResolver क्लस्टर जानकारी प्रदान करते हैं। आप अपने वितरित प्रशिक्षण के लिए एक क्लस्टर प्रबंधन प्रणाली का उपयोग कर रहे हैं, तो देखें कि यह प्रदान करता है 'TF_CONFIG' आप के लिए पहले से ही है, जो मामले में आप इस वातावरण चर स्पष्ट रूप से सेट की जरूरत नहीं है। (स्थापित करने में और जानें 'TF_CONFIG' में वातावरण चर अनुभाग TensorFlow साथ वितरित प्रशिक्षण गाइड।)

# Find ports that are available for the `'chief'` (the coordinator),
# `'worker'`s, and `'ps'` (parameter servers).
import portpicker

chief_port = portpicker.pick_unused_port()
worker_ports = [portpicker.pick_unused_port() for _ in range(3)]
ps_ports = [portpicker.pick_unused_port() for _ in range(2)]

# Dump the cluster information to `'TF_CONFIG'`.
tf_config = {
    'cluster': {
        'chief': ["localhost:%s" % chief_port],
        'worker': ["localhost:%s" % port for port in worker_ports],
        'ps':  ["localhost:%s" % port for port in ps_ports],
    },
    'task': {'type': 'chief', 'index': 0}
}
os.environ['TF_CONFIG'] = json.dumps(tf_config)

# Use a cluster resolver to bridge the information to the strategy created below.
cluster_resolver = tf.distribute.cluster_resolver.TFConfigClusterResolver()

फिर, बनाने tf.distribute.Server कार्यकर्ताओं और पैरामीटर सर्वर एक-एक करके के लिए रों:

# Workers need some inter_ops threads to work properly.
# This is only needed for this notebook to demo. Real servers
# should not need this.
worker_config = tf.compat.v1.ConfigProto()
worker_config.inter_op_parallelism_threads = 4

for i in range(3):
  tf.distribute.Server(
      cluster_resolver.cluster_spec(),
      job_name="worker",
      task_index=i,
      config=worker_config)

for i in range(2):
  tf.distribute.Server(
      cluster_resolver.cluster_spec(),
      job_name="ps",
      task_index=i)

वास्तविक दुनिया में वितरित प्रशिक्षण, बजाय सभी शुरू करने की tf.distribute.Server रों कई मशीनों समन्वयक पर, आप का उपयोग किया जाएगा, और जो कि के रूप में नामित कर रहे हैं "worker" और "ps" (पैरामीटर सर्वर) प्रत्येक जाएगा एक चलाने tf.distribute.Server । में असली दुनिया खंड में क्लस्टर का संदर्भ लें पैरामीटर सर्वर प्रशिक्षण अधिक जानकारी के लिए ट्यूटोरियल।

सब कुछ तैयार के साथ, बनाने ParameterServerStrategy वस्तु:

strategy = tf.distribute.experimental.ParameterServerStrategy(cluster_resolver)
INFO:tensorflow:`tf.distribute.experimental.ParameterServerStrategy` is initialized with cluster_spec: ClusterSpec({'chief': ['localhost:18600'], 'ps': ['localhost:18336', 'localhost:15625'], 'worker': ['localhost:16022', 'localhost:17375', 'localhost:18365']})
INFO:tensorflow:ParameterServerStrategyV2 is now connecting to cluster with cluster_spec: ClusterSpec({'chief': ['localhost:18600'], 'ps': ['localhost:18336', 'localhost:15625'], 'worker': ['localhost:16022', 'localhost:17375', 'localhost:18365']})
INFO:tensorflow:ParameterServerStrategy (CentralStorageStrategy if you are using a single machine) with compute_devices = ['/job:chief/replica:0/task:0/device:GPU:0'], variable_device = '/job:chief/replica:0/task:0/device:GPU:0'
INFO:tensorflow:Number of GPUs on workers: 1

एक बार जब आप एक रणनीति वस्तु बनाया है, मॉडल, अनुकूलक, और अन्य चर निर्धारित है, और Keras फोन Model.compile भीतर Strategy.scope एपीआई प्रशिक्षण वितरित करने के लिए। (देखें Strategy.scope अधिक जानकारी के लिए एपीआई डॉक्स।)

आप उदाहरण के लिए, द्वारा अपने प्रशिक्षण अनुकूलित करने के लिए, आगे और पीछे गुजरता को परिभाषित पसंद करते हैं, में एक कस्टम प्रशिक्षण पाश अनुभाग के साथ प्रशिक्षण का उल्लेख पैरामीटर सर्वर प्रशिक्षण अधिक जानकारी के लिए ट्यूटोरियल।

dataset = tf.data.Dataset.from_tensor_slices(
      (features, labels)).shuffle(10).repeat().batch(64)

eval_dataset = tf.data.Dataset.from_tensor_slices(
      (eval_features, eval_labels)).repeat().batch(1)

with strategy.scope():
  model = tf.keras.models.Sequential([tf.keras.layers.Dense(1)])
  optimizer = tf.keras.optimizers.Adagrad(learning_rate=0.05)
  model.compile(optimizer, "mse")

model.fit(dataset, epochs=5, steps_per_epoch=10)
Epoch 1/5
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/data/ops/dataset_ops.py:453: UserWarning: To make it possible to preserve tf.data options across serialization boundaries, their implementation has moved to be part of the TensorFlow graph. As a consequence, the options value is in general no longer known at graph construction time. Invoking this method in graph mode retains the legacy behavior of the original implementation, but note that the returned value might not reflect the actual value of the options.
  warnings.warn("To make it possible to preserve tf.data options across "
INFO:tensorflow:Reduce to /device:CPU:0 then broadcast to ('/replica:0/device:CPU:0',).
INFO:tensorflow:Reduce to /device:CPU:0 then broadcast to ('/replica:0/device:CPU:0',).
INFO:tensorflow:Reduce to /device:CPU:0 then broadcast to ('/replica:0/device:CPU:0',).
INFO:tensorflow:Reduce to /device:CPU:0 then broadcast to ('/replica:0/device:CPU:0',).
2021-09-22 20:01:56.897008: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:765] AUTO sharding policy will apply DATA sharding policy as it failed to apply FILE sharding policy because of the following reason: Found an unshardable source dataset: name: "TensorSliceDataset/_2"
op: "TensorSliceDataset"
input: "Placeholder/_0"
input: "Placeholder/_1"
attr {
  key: "Toutput_types"
  value {
    list {
      type: DT_FLOAT
      type: DT_FLOAT
    }
  }
}
attr {
  key: "_cardinality"
  value {
    i: 3
  }
}
attr {
  key: "is_files"
  value {
    b: false
  }
}
attr {
  key: "metadata"
  value {
    s: "\n\024TensorSliceDataset:4"
  }
}
attr {
  key: "output_shapes"
  value {
    list {
      shape {
        dim {
          size: 2
        }
      }
      shape {
        dim {
          size: 1
        }
      }
    }
  }
}

2021-09-22 20:01:56.899102: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:765] AUTO sharding policy will apply DATA sharding policy as it failed to apply FILE sharding policy because of the following reason: Found an unshardable source dataset: name: "TensorSliceDataset/_2"
op: "TensorSliceDataset"
input: "Placeholder/_0"
input: "Placeholder/_1"
attr {
  key: "Toutput_types"
  value {
    list {
      type: DT_FLOAT
      type: DT_FLOAT
    }
  }
}
attr {
  key: "_cardinality"
  value {
    i: 3
  }
}
attr {
  key: "is_files"
  value {
    b: false
  }
}
attr {
  key: "metadata"
  value {
    s: "\n\024TensorSliceDataset:4"
  }
}
attr {
  key: "output_shapes"
  value {
    list {
      shape {
        dim {
          size: 2
        }
      }
      shape {
        dim {
          size: 1
        }
      }
    }
  }
}

2021-09-22 20:01:56.914645: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:765] AUTO sharding policy will apply DATA sharding policy as it failed to apply FILE sharding policy because of the following reason: Found an unshardable source dataset: name: "TensorSliceDataset/_2"
op: "TensorSliceDataset"
input: "Placeholder/_0"
input: "Placeholder/_1"
attr {
  key: "Toutput_types"
  value {
    list {
      type: DT_FLOAT
      type: DT_FLOAT
    }
  }
}
attr {
  key: "_cardinality"
  value {
    i: 3
  }
}
attr {
  key: "is_files"
  value {
    b: false
  }
}
attr {
  key: "metadata"
  value {
    s: "\n\024TensorSliceDataset:4"
  }
}
attr {
  key: "output_shapes"
  value {
    list {
      shape {
        dim {
          size: 2
        }
      }
      shape {
        dim {
          size: 1
        }
      }
    }
  }
}
10/10 - 2s - loss: 0.1728 - 2s/epoch - 176ms/step
Epoch 2/5
10/10 - 0s - loss: 0.0102 - 73ms/epoch - 7ms/step
Epoch 3/5
10/10 - 0s - loss: 0.0091 - 71ms/epoch - 7ms/step
Epoch 4/5
10/10 - 0s - loss: 0.0083 - 71ms/epoch - 7ms/step
Epoch 5/5
10/10 - 0s - loss: 0.0077 - 73ms/epoch - 7ms/step
<keras.callbacks.History at 0x7fec502068d0>
model.evaluate(eval_dataset, steps=10, return_dict=True)
1/10 [==>...........................] - ETA: 12s - loss: 0.0761
2021-09-22 20:01:58.817232: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:765] AUTO sharding policy will apply DATA sharding policy as it failed to apply FILE sharding policy because of the following reason: Found an unshardable source dataset: name: "TensorSliceDataset/_2"
op: "TensorSliceDataset"
input: "Placeholder/_0"
input: "Placeholder/_1"
attr {
  key: "Toutput_types"
  value {
    list {
      type: DT_FLOAT
      type: DT_FLOAT
    }
  }
}
attr {
  key: "_cardinality"
  value {
    i: 3
  }
}
attr {
  key: "is_files"
  value {
    b: false
  }
}
attr {
  key: "metadata"
  value {
    s: "\n\024TensorSliceDataset:8"
  }
}
attr {
  key: "output_shapes"
  value {
    list {
      shape {
        dim {
          size: 2
        }
      }
      shape {
        dim {
          size: 1
        }
      }
    }
  }
}

2021-09-22 20:01:58.997047: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:765] AUTO sharding policy will apply DATA sharding policy as it failed to apply FILE sharding policy because of the following reason: Found an unshardable source dataset: name: "TensorSliceDataset/_2"
op: "TensorSliceDataset"
input: "Placeholder/_0"
input: "Placeholder/_1"
attr {
  key: "Toutput_types"
  value {
    list {
      type: DT_FLOAT
      type: DT_FLOAT
    }
  }
}
attr {
  key: "_cardinality"
  value {
    i: 3
  }
}
attr {
  key: "is_files"
  value {
    b: false
  }
}
attr {
  key: "metadata"
  value {
    s: "\n\024TensorSliceDataset:8"
  }
}
attr {
  key: "output_shapes"
  value {
    list {
      shape {
        dim {
          size: 2
        }
      }
      shape {
        dim {
          size: 1
        }
      }
    }
  }
}
8/10 [=======================>......] - ETA: 0s - loss: 0.2278
2021-09-22 20:01:59.177706: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:765] AUTO sharding policy will apply DATA sharding policy as it failed to apply FILE sharding policy because of the following reason: Found an unshardable source dataset: name: "TensorSliceDataset/_2"
op: "TensorSliceDataset"
input: "Placeholder/_0"
input: "Placeholder/_1"
attr {
  key: "Toutput_types"
  value {
    list {
      type: DT_FLOAT
      type: DT_FLOAT
    }
  }
}
attr {
  key: "_cardinality"
  value {
    i: 3
  }
}
attr {
  key: "is_files"
  value {
    b: false
  }
}
attr {
  key: "metadata"
  value {
    s: "\n\024TensorSliceDataset:8"
  }
}
attr {
  key: "output_shapes"
  value {
    list {
      shape {
        dim {
          size: 2
        }
      }
      shape {
        dim {
          size: 1
        }
      }
    }
  }
}
10/10 [==============================] - 2s 50ms/step - loss: 0.2356
{'loss': 0.23556283}

Partitioners ( tf.distribute.experimental.partitioners )

ParameterServerStrategy TensorFlow में 2 का समर्थन करता है चर विभाजन और TensorFlow 1 के रूप में ही partitioners प्रदान करता है, कम भ्रामक नाम के साथ: - tf.compat.v1.variable_axis_size_partitioner -> tf.distribute.experimental.partitioners.MaxSizePartitioner : एक विभाजक है कि अधिकतम आकार के नीचे टुकड़े रहता है) . - tf.compat.v1.min_max_variable_partitioner -> tf.distribute.experimental.partitioners.MinSizePartitioner : एक विभाजक कि आबंटित करता प्रति ठीकरा एक न्यूनतम आकार। - tf.compat.v1.fixed_size_partitioner -> tf.distribute.experimental.partitioners.FixedShardsPartitioner : एक विभाजक कि आबंटित करता है के टुकड़े की एक निश्चित संख्या।

वैकल्पिक रूप से, आप एक का उपयोग कर सकते MultiWorkerMirroredStrategy वस्तु:

# To clean up the `TF_CONFIG` used for `ParameterServerStrategy`.
del os.environ['TF_CONFIG']
strategy = tf.distribute.MultiWorkerMirroredStrategy()
WARNING:tensorflow:Collective ops is not configured at program startup. Some performance features may not be enabled.
INFO:tensorflow:Single-worker MultiWorkerMirroredStrategy with local_devices = ('/device:GPU:0',), communication = CommunicationImplementation.AUTO

आप एक साथ ऊपर उपयोग की गई रणनीति की जगह ले सकता MultiWorkerMirroredStrategy वस्तु इस रणनीति के साथ प्रशिक्षण प्रदर्शन करते हैं।

साथ के रूप में tf.estimator एपीआई, के बाद से MultiWorkerMirroredStrategy एक बहु ग्राहक रणनीति है, इसलिए इस Colab नोटबुक में वितरित प्रशिक्षण चलाने के लिए किसी आसान तरीका है। इसलिए, उपरोक्त कोड को इस रणनीति के साथ बदलने से स्थानीय स्तर पर चल रही चीजें समाप्त हो जाती हैं। मल्टी कार्यकर्ता प्रशिक्षण Keras Model.fit साथ / एक कस्टम प्रशिक्षण पाश ट्यूटोरियल कैसे साथ बहु कार्यकर्ता प्रशिक्षण चलाने के लिए प्रदर्शित 'TF_CONFIG' Colab में एक स्थानीय होस्ट पर, की स्थापना की दो कार्यकर्ताओं के साथ चर। अभ्यास में, आप बाहरी IP पते / बंदरगाहों पर एक से अधिक कार्यकर्ताओं बनाते हैं, और प्रयोग करेंगे 'TF_CONFIG' प्रत्येक कार्यकर्ता के लिए क्लस्टर विन्यास निर्दिष्ट करने के लिए चर।

अगला कदम

साथ बहु कार्यकर्ता के बारे में अधिक वितरित प्रशिक्षण जानने के लिए tf.distribute.experimental.ParameterServerStrategy और tf.distribute.MultiWorkerMirroredStrategy TensorFlow 2 में, निम्न संसाधनों पर विचार करें: