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 माइग्रेट करें।

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:

# The notebook uses a dataset instance for `Model.fit` with
# `ParameterServerStrategy`, which depends on symbols in TF 2.7.
# 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.]]

TensorFlow में कई मशीनों पर प्रशिक्षण के लिए आपको 'TF_CONFIG' कॉन्फ़िगरेशन पर्यावरण चर की आवश्यकता होगी। 'cluster' और 'task' के पते निर्दिष्ट करने के लिए 'TF_CONFIG' का उपयोग करें। ( डिस्ट्रिब्यूटेड_ट्रेनिंग गाइड में और जानें।)

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)

चर को हटाने के लिए del स्टेटमेंट का उपयोग करें (लेकिन TensorFlow 1 में वास्तविक दुनिया के बहु-कार्यकर्ता प्रशिक्षण में, आपको ऐसा करने की आवश्यकता नहीं होगी):

del os.environ['TF_CONFIG']

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

निम्नलिखित कोड स्निपेट TF1 में बहु-कार्यकर्ता प्रशिक्षण के विहित कार्यप्रवाह को प्रदर्शित करता है: आप वितरित करने के लिए tf.estimator.Estimator , tf.estimator.TrainSpec , tf.estimator.EvalSpec और tf.estimator.train_and_evaluate API का उपयोग करेंगे। 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/tmpvfb91q_5
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpvfb91q_5', '_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/tmpvfb91q_5/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 0.038075272, step = 0
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 3...
INFO:tensorflow:Saving checkpoints for 3 into /tmp/tmpvfb91q_5/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 2021-11-13T02:31:06
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpvfb91q_5/model.ckpt-3
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Inference Time : 0.13630s
INFO:tensorflow:Finished evaluation at 2021-11-13-02:31:06
INFO:tensorflow:Saving dict for global step 3: global_step = 3, loss = 0.005215075
INFO:tensorflow:Saving 'checkpoint_path' summary for global step 3: /tmp/tmpvfb91q_5/model.ckpt-3
INFO:tensorflow:Loss for final step: 0.061832994.
({'loss': 0.005215075, 'global_step': 3}, [])

TensorFlow 2: वितरण रणनीतियों के साथ बहु-कार्यकर्ता प्रशिक्षण

TensorFlow 2 में, CPU, GPU और TPU के साथ कई श्रमिकों में वितरित प्रशिक्षण tf.distribute.Strategy s के माध्यम से किया जाता है।

निम्न उदाहरण दर्शाता है कि ऐसी दो रणनीतियों का उपयोग कैसे किया जाता है: tf.distribute.experimental.ParameterServerStrategy और tf.distribute.MultiWorkerMirroredStrategy , दोनों को कई कर्मचारियों के साथ CPU/GPU प्रशिक्षण के लिए डिज़ाइन किया गया है।

ParameterServerStrategy एक समन्वयक ( 'chief' ) को नियुक्त करता है, जो इसे इस Colab नोटबुक में पर्यावरण के साथ अधिक अनुकूल बनाता है। आप यहां कुछ उपयोगिताओं का उपयोग यहां चलाने योग्य अनुभव के लिए आवश्यक सहायक तत्वों को स्थापित करने के लिए करेंगे: आप एक इन-प्रोसेस क्लस्टर बनाएंगे, जहां पैरामीटर सर्वर ( 'ps' ) और वर्कर्स ( 'worker' ) का अनुकरण करने के लिए थ्रेड्स का उपयोग किया जाता है। . पैरामीटर सर्वर प्रशिक्षण के बारे में अधिक जानकारी के लिए, ParameterServerStrategy ट्यूटोरियल के साथ पैरामीटर सर्वर प्रशिक्षण देखें।

इस उदाहरण में, क्लस्टर जानकारी प्रदान करने के लिए पहले 'TF_CONFIG' पर्यावरण चर को tf.distribute.cluster_resolver.TFConfigClusterResolver के साथ परिभाषित करें। यदि आप अपने वितरित प्रशिक्षण के लिए क्लस्टर प्रबंधन प्रणाली का उपयोग कर रहे हैं, तो जांचें कि क्या यह आपके लिए पहले से ही 'TF_CONFIG' प्रदान करता है, इस स्थिति में आपको इस पर्यावरण चर को स्पष्ट रूप से सेट करने की आवश्यकता नहीं है। ( TensorFlow गाइड के साथ वितरित प्रशिक्षण में 'TF_CONFIG' पर्यावरण चर अनुभाग की स्थापना में और जानें।)

# 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, कर्मचारियों और पैरामीटर सर्वरों के लिए एक-एक करके tf.distribute.Server s बनाएं:

# 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 में, समन्वयक पर सभी tf.distribute.Server s शुरू करने के बजाय, आप कई मशीनों का उपयोग करेंगे, और जिन्हें "worker" s और "ps" (पैरामीटर सर्वर) के रूप में नामित किया गया है, उनमें से प्रत्येक एक tf.distribute.Server चलाएँ। अधिक विवरण के लिए पैरामीटर सर्वर प्रशिक्षण ट्यूटोरियल में वास्तविक दुनिया अनुभाग में क्लस्टर देखें।

सब कुछ तैयार होने के साथ, ParameterServerStrategy ऑब्जेक्ट बनाएं:

strategy = tf.distribute.experimental.ParameterServerStrategy(cluster_resolver)

INFO:tensorflow:`tf.distribute.experimental.ParameterServerStrategy` is initialized with cluster_spec: ClusterSpec({'chief': ['localhost:16660'], 'ps': ['localhost:15313', 'localhost:20369'], 'worker': ['localhost:21380', 'localhost:18699', 'localhost:19420']})
INFO:tensorflow:ParameterServerStrategyV2 is now connecting to cluster with cluster_spec: ClusterSpec({'chief': ['localhost:16660'], 'ps': ['localhost:15313', 'localhost:20369'], 'worker': ['localhost:21380', 'localhost:18699', 'localhost:19420']})
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 बना लेते हैं, तो मॉडल, ऑप्टिमाइज़र और अन्य चरों को परिभाषित करें, और प्रशिक्षण वितरित करने के लिए Model.compile को Strategy.scope API के भीतर कॉल करें। (अधिक जानकारी के लिए Strategy.scope API दस्तावेज़ देखें।)

यदि आप अपने प्रशिक्षण को अनुकूलित करना पसंद करते हैं, उदाहरण के लिए, आगे और पीछे के पास को परिभाषित करते हुए, अधिक विवरण के लिए पैरामीटर सर्वर प्रशिक्षण ट्यूटोरियल में एक कस्टम प्रशिक्षण लूप अनुभाग के साथ प्रशिक्षण देखें।

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
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',).
/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',).
2021-11-13 02:31:09.110074: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:766] 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
        }
      }
    }
  }
}

2021-11-13 02:31:09.115349: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:766] 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
        }
      }
    }
  }
}

2021-11-13 02:31:09.117963: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:766] 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 - 3s - loss: 7.4912 - 3s/epoch - 259ms/step
Epoch 2/5
10/10 - 0s - loss: 3.3420 - 43ms/epoch - 4ms/step
Epoch 3/5
10/10 - 0s - loss: 1.9022 - 44ms/epoch - 4ms/step
Epoch 4/5
10/10 - 0s - loss: 1.1536 - 42ms/epoch - 4ms/step
Epoch 5/5
10/10 - 0s - loss: 0.7208 - 43ms/epoch - 4ms/step
<keras.callbacks.History at 0x7f45d83f3a50>

model.evaluate(eval_dataset, steps=10, return_dict=True)

1/10 [==>...........................] - ETA: 11s - loss: 2.4114
2021-11-13 02:31:10.757780: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:766] 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
        }
      }
    }
  }
}

2021-11-13 02:31:10.910985: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:766] 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 38ms/step - loss: 3.8431
2021-11-13 02:31:11.053772: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:766] 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
        }
      }
    }
  }
}
{'loss': 3.843122}

विभाजनकर्ता ( tf.distribute.experimental.partitioners )

TensorFlow 2 में ParameterServerStrategy चर विभाजन का समर्थन करता है और कम भ्रमित नामों के साथ TensorFlow 1 के समान विभाजन प्रदान करता है: - tf.compat.v1.variable_axis_size_partitioner -> tf.distribute.experimental.partitioners.MaxSizePartitioner : एक पार्टीशनर जो अधिकतम आकार के तहत शार्क रखता है) . - tf.compat.v1.min_max_variable_partitioner -> tf.distribute.experimental.partitioners.MinSizePartitioner : एक पार्टीशनर जो प्रति शार्ड न्यूनतम आकार आवंटित करता है। - tf.compat.v1.fixed_size_partitioner -> tf.distribute.experimental.partitioners.FixedShardsPartitioner : एक पार्टिशनर जो एक निश्चित संख्या में शार्क आवंटित करता है।

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

# 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 इस रणनीति के साथ प्रशिक्षण करने के लिए ऊपर उपयोग की गई रणनीति को MultiWorkerMirroredStrategy ऑब्जेक्ट से बदल सकते हैं।

tf.estimator API की तरह, चूंकि MultiWorkerMirroredStrategy एक बहु-क्लाइंट रणनीति है, इस Colab नोटबुक में वितरित प्रशिक्षण चलाने का कोई आसान तरीका नहीं है। इसलिए, उपरोक्त कोड को इस रणनीति के साथ बदलने से स्थानीय स्तर पर चल रही चीजें समाप्त हो जाती हैं। Keras Model.fit / एक कस्टम प्रशिक्षण लूप ट्यूटोरियल के साथ बहु-कार्यकर्ता प्रशिक्षण प्रदर्शित करता है कि कोलाब में स्थानीयहोस्ट पर दो श्रमिकों के साथ 'TF_CONFIG' चर सेट अप के साथ बहु-कार्यकर्ता प्रशिक्षण कैसे चलाया जाता है। व्यवहार में, आप बाहरी IP पतों/पोर्टों पर कई कार्यकर्ता बनाएंगे, और प्रत्येक कार्यकर्ता के लिए क्लस्टर कॉन्फ़िगरेशन निर्दिष्ट करने के लिए 'TF_CONFIG' चर का उपयोग करेंगे।

अगले कदम

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