Wielowątkowe modelowanie TensorFlow/Keras

Question

Próbuję przeprowadzić wiele modeli keras z różnymi wartościami parametrów przy użyciu wielu wątków (i zaplecza tensorflow). Widziałem kilka przykładów używania tego samego modelu w wielu wątkach, ale w tym konkretnym przypadku napotykam różne błędy dotyczące sprzecznych wykresów itp. Oto prosty przykład tego, co chciałbym móc zrobić:

from concurrent.futures import ThreadPoolExecutor 
import numpy as np 
import tensorflow as tf 
from keras import backend as K 
from keras.layers import Dense 
from keras.models import Sequential 


sess = tf.Session() 


def example_model(size): 
    model = Sequential() 
    model.add(Dense(size, input_shape=(5,))) 
    model.add(Dense(1)) 
    model.compile(optimizer='sgd', loss='mse') 
    return model 


if __name__ == '__main__': 
    K.set_session(sess) 
    X = np.random.random((10, 5)) 
    y = np.random.random((10, 1)) 
    models = [example_model(i) for i in range(5, 10)] 

    e = ThreadPoolExecutor(4) 
    res_list = [e.submit(model.fit, X, y) for model in models] 

    for res in res_list: 
     print(res.result()) 

Wynikowy błąd to ValueError: Tensor("Variable:0", shape=(5, 5), dtype=float32_ref) must be from the same graph as Tensor("Variable_2/read:0", shape=(), dtype=float32).. Próbowałem również zainicjować modele w wątkach, co daje podobne niepowodzenie.

Jakieś przemyślenia na temat najlepszego sposobu rozwiązania tego problemu? Nie jestem w żaden sposób związany z tą dokładną strukturą, ale wolałbym móc używać wielu wątków zamiast procesów, więc wszystkie modele są szkolone w ramach tego samego przydziału pamięci GPU.

Answer 1

Wykresy Tensorflow nie są zabezpieczone wątkami (patrz https://www.tensorflow.org/api_docs/python/tf/Graph), a po utworzeniu nowej sesji Tensorflow domyślnie jest używany wykres domyślny.

Możesz obejść to, tworząc nową sesję z nowym wykresem w funkcji równoległej i tworząc tam swój model kerasów.

Oto kod, który tworzy i pasuje do modelu na każdej dostępnej GPU równolegle:

import concurrent.futures 
import numpy as np 

import keras.backend as K 
from keras.layers import Dense 
from keras.models import Sequential 

import tensorflow as tf 
from tensorflow.python.client import device_lib 

def get_available_gpus(): 
    local_device_protos = device_lib.list_local_devices() 
    return [x.name for x in local_device_protos if x.device_type == 'GPU'] 

xdata = np.random.randn(100, 8) 
ytrue = np.random.randint(0, 2, 100) 

def fit(gpu): 
    with tf.Session(graph=tf.Graph()) as sess: 
     K.set_session(sess) 
     with tf.device(gpu): 
      model = Sequential() 
      model.add(Dense(12, input_dim=8, activation='relu')) 
      model.add(Dense(8, activation='relu')) 
      model.add(Dense(1, activation='sigmoid')) 

      model.compile(loss='binary_crossentropy', optimizer='adam') 
      model.fit(xdata, ytrue, verbose=0) 

      return model.evaluate(xdata, ytrue, verbose=0) 

gpus = get_available_gpus() 
with concurrent.futures.ThreadPoolExecutor(len(gpus)) as executor: 
    results = [x for x in executor.map(fit, gpus)] 
print('results: ', results)