时间戳

首页 > 解决方案 > Tensorflow 服务器：我不想为每个会话初始化全局变量

python - Tensorflow 服务器：我不想为每个会话初始化全局变量

问题描述

EDIT2：下面的 Github 链接包含从进程调用 TF 模型问题的可能解决方案。它们包括急切执行和专用服务器进程，通过 http 请求提供 TF 模型预测。我想知道与每次初始化全局变量和调用相比，使用自定义服务器和请求是否能赢得任何时间tf.train.Server，但这似乎是一种更优雅的方式。

我将调查内存泄漏，如果它消失了，请关闭此问题。

编辑：添加了问题的简单可重现示例：

https://github.com/hcl14/Tensorflow-server-launched-from-child-process

背景：我正在运行 Tensorflow 服务器，并从“分叉”进程连接到它。动态创建（和销毁）进程对我来说至关重要 - 由于奇怪的内存泄漏，我将高负载的部分代码移到那里，Python 分析器不可见（线程不能解决问题）。因此，我希望进程能够快速初始化并立即开始工作。只有当进程被销毁时才会释放内存。

做实验，我找到了一个解决方案，将加载的模型和图形保存到全局变量中，然后由子进程（默认使用'fork'模式）获取，然后调用服务器。

问题：对我来说奇怪的是，在加载 keras 模型后，我无法锁定我不希望修改的图形，并且tf.global_variables_initializer()每次在子进程中打开新会话时都需要运行。但是，在没有任何会话创建的情况下在主流程中运行虚拟运行正常。我知道在这种情况下 tensorflow 使用默认会话，但是图表上的所有变量都应该在模型运行后初始化，所以我希望新会话可以与之前定义的图表一起工作。

因此，我认为修改模型会使 Python 对子进程（“fork”模式）进行大量腌制，这会产生计算和内存开销。

请原谅我写了很多代码。我使用的模型对我来说是旧版和黑盒，所以我的问题可能与它有关。Tensorflow 版本是 1.2（我无法升级，模型不兼容），Python 3.6.5。

另外，也许我的解决方案效率低下，并且有更好的解决方案，我将不胜感激您的建议。

我的设置如下：

1.Tensorflow服务器在主进程中启动：

初始化服务器：

def start_tf_server():
    import tensorflow as tf
    cluster = tf.train.ClusterSpec({"local": [tf_server_address]})
    server = tf.train.Server(cluster, job_name="local", task_index=0)    
    server.join() # block process from exiting

在主进程中：

p = multiprocessing.Process(target=start_tf_server)
p.daemon=True
p.start() # this process never ends, unless tf server crashes

# WARNING! Graph initialization must be made only after Tf server start!
# Otherwise everything will hang
# I suppose this is because of another session will be 
# created before the server one

# init model graph before branching processes
# share graph in the current process scope
interests = init_interests_for_process()
global_vars.multiprocess_globals["interests"] = interests

2.init_interests_for_process()是一个模型初始化器，它加载我的旧模型并在全局变量中共享它。我做了一个虚拟模型传递以在图形上初始化所有内容，然后想要锁定图形。但它不起作用：

def init_interests_for_process():
    # Prevent errors on my GPU and disable tensorflow 
    # complaining about CPU instructions
    import os
    os.environ["CUDA_VISIBLE_DEVICES"]= ""
    os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

    import tensorflow as tf

    from tensorflow.contrib.keras import models

    # create tensorflow graph
    graph = tf.get_default_graph()

    with graph.as_default():

        TOKENIZER = joblib.load(TOKENIZER_FILE)

        NN1_MODEL = models.load_model(NN1_MODEL_FILE)

        with open(NN1_CATEGORY_NAMES_FILE, 'r') as f:
            NN1_CATEGORY_NAMES = f.read().splitlines()

        NN2_MODEL = models.load_model(NN2_MODEL_FILE)

        with open(NN2_CATEGORY_NAMES_FILE, 'r') as f:
            NN2_CATEGORY_NAMES = f.read().splitlines()
        # global variable with all the data to be shared
        interests = {}

        interests["TOKENIZER"] = TOKENIZER
        interests["NN1_MODEL"] = NN1_MODEL
        interests["NN1_CATEGORY_NAMES"] = NN1_CATEGORY_NAMES
        interests["NN2_MODEL"] = NN2_MODEL
        interests["NN2_CATEGORY_NAMES"] = NN2_CATEGORY_NAMES
        interests['all_category_names'] = NN1_CATEGORY_NAMES + \
                                          NN2_CATEGORY_NAMES
        # Reconstruct a Python object from a file persisted with joblib.dump.
        interests["INTEREST_SETTINGS"] = joblib.load(INTEREST_SETTINGS_FILE)

        # dummy run to create graph
        x = tf.contrib.keras.preprocessing.sequence.pad_sequences(
                         TOKENIZER.texts_to_sequences("Dummy srting"),
                         maxlen=interests["INTEREST_SETTINGS"]["INPUT_LENGTH"]
                         )
        y1 = NN1_MODEL.predict(x)
        y2 = NN2_MODEL.predict(x)

        # PROBLEM: I want, but cannot lock graph, as child process 
        # wants to run its own tf.global_variables_initializer()
        # graph.finalize()

        interests["GRAPH"] = graph

        return interests

3.现在我生成进程（实际上，进程是从另一个进程生成的——层次结构很复杂）：

def foo(q):
     result = call_function_which_uses_interests_model(some_data) 
     q.put(result)
     return # I've read it is essential for destroying local variables
q = Queue()
p = Process(target=foo,args=(q,))
p.start()
p.join()
result = q.get() # retrieve data

4.在这个过程中，我称之为模型：

# retrieve model from global variable
interests = global_vars.multiprocess_globals["interests"]

tokenizer = interests["TOKENIZER"]
nn1_model = interests["NN1_MODEL"]
nn1_category_names = interests["NN1_CATEGORY_NAMES"]
nn2_model = interests["NN2_MODEL"]
nn2_category_names = interests["NN2_CATEGORY_NAMES"]
input_length = interests["INTEREST_SETTINGS"]["INPUT_LENGTH"]

# retrieve graph
graph = interests["GRAPH"]

# open session for server
logger.debug('Trying tf server at ' + 'grpc://'+tf_server_address)
sess = tf.Session('grpc://'+tf_server_address, graph=graph)

# PROBLEM: and I need to run variables initializer:
sess.run(tf.global_variables_initializer())


tf.contrib.keras.backend.set_session(sess)

# finally, make a call to server:
with sess.as_default():        
    x = tf.contrib.keras.preprocessing.sequence.pad_sequences(
                            tokenizer.texts_to_sequences(input_str),
                            maxlen=input_length)
    y1 = nn1_model.predict(x)
    y2 = nn2_model.predict(x)

如果我每次生成新进程时不锁定图形并运行变量初始化程序，一切正常。（除了，每次调用都有大约 30-90 MB 的内存泄漏，python 内存分析器不可见）。当我想锁定图表时，我收到有关未初始化变量的错误：

FailedPreconditionError (see above for traceback): 
Attempting to use uninitialized value gru_1/bias
       [[Node: gru_1/bias/read = Identity[T=DT_FLOAT, _class=["loc:@gru_1/bias"],
       _device="/job:local/replica:0/task:0/cpu:0"](gru_1/bias)]]

提前致谢！

标签： pythontensorflow

解决方案

你考虑过 TensorFlow Serving 吗？https://www.tensorflow.org/serving/

通常你会想要缓存 Sessions，我相信这是 TF Serving 使用的策略。这将是迄今为止将 TF 模型部署到数据中心的最佳体验。

你也可以去另一个方向和tf.enable_eager_execution()，这消除了对会话的需要。变量仍然会被初始化，尽管它会在 Python 变量对象创建后立即发生。

但是如果你真的想创建和销毁会话，你可以用常量替换图中的变量（“冻结”它）。在这种情况下，我还会考虑禁用图形优化，因为session.run使用一组新的提要和获取的第一次调用默认情况下会花一些时间优化图形（通过protoRewriterConfig内部配置）。GraphOptions

（从对问题的评论扩展而来）

推荐阅读