郭一璞 发自 凹非寺
量子位 报道 | 公众号 QbitAI
DeepMind最近为TensorFlow 2.0献祭了自己私藏的工具：
TF-Replicator，本来是内部自用的一个软件库，能够让从来没做过分布式系统的研究人员方便地在多GPU/云TPU上部署他们的TensorFlow模型，也适用于Keras。
目前，TF-Replicator的编程模型已经作为TensorFlow中tf.distribute.Strategy的一部分开源。
推特上的一位工程师惊叹：这简直是TensorFlow 2.0里隐藏的宝藏啊！
怎么用
使用TF-Replicator编写的代码与TensorFlow中为单个设备编写的代码类似，允许用户自由定义自己的模型运行循环。
用户只需要定义两个部分：
1.公开数据集的输入函数；
2.模型逻辑的步骤函数。
1# Deploying a model with TpuReplicator.
2repl = tf_replicator.TpuReplicator(
3 num_workers=1, num_tpu_cores_per_worker=8
4)
5with repl.context():
6 model = resnet_model()
7 base_optimizer = tf.train.AdamOptimizer()
8 optimizer = repl.wrap_optimizer(base_optimizer)
9
10# ... code to define replica input_fn and step_fn.
11
12per_replica_loss = repl.run(step_fn, input_fn)
13train_op = tf.reduce_mean(per_replica_loss)
14
15with tf.train.MonitoredSession() as session:
16 repl.init(session)
17 for i in xrange(num_train_steps):
18 session.run(train_op)
19 repl.shutdown(session)
拿来GAN一下试试
现在，我们用GAN来测试一下TF-Replicator的效果。这里用到的是在ImageNet上训练的谱归一化GAN（SN-GAN, arXiv:1802.05957）。
相比在单一的一块GPU上训练，用TF-Replicator在多块GPU上分布式训练的效果要好得多。
比如，生成橙子的图片，这是batch size 8和batch size 16的时候：
基本看不出来是橙子了。
batch size 32和batch size 64要好一些，能看出来是橙子，但是一个像长了毛，一个像被拍了一巴掌：
batch size 128有了橙子果肉，batch size 256形状相对正常了：
示例中最高的batch size 512，橙子的形状已经和真实的橙子差不多了，果肉和果肉瓣之间的白色也可以看出来，除了皮有点厚之外这橙子质量没问题。
从分数来看，只要将batch size从64提高到512就可以将出实得分提高大约50%。
效果不错，希望DeepMind继续公开一些自用好货。
传送门
最后，附上官方的相关文档：
TensorFlow文档
https://www.tensorflow.org/alpha/guide/distribute_strategy
GitHub笔记本
https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/distribute_strategy.ipynb
DeepMind博客
https://deepmind.com/blog/tf-replicator-distributed-machine-learning/
论文
https://arxiv.org/abs/1902.00465
— 完 —
量子位 · QbitAI
վ’ᴗ’ ի 追踪AI技术和产品新动态
戳右上角「+关注」获取最新资讯↗↗
如果喜欢，请分享or点赞吧~比心❤
