TensorFlow 是一個為數值計算（最常見的是訓練神經網絡）設計的流行開源庫。在這個框架中，計算流程通過數據流程圖（data flow graph）設計，這為更改操作結構與安置提供了很大靈活性。TensorFlow 允許多個 worker 並行計算，這對必須通過處理的大量訓練數據訓練的神經網絡是有益的。此外，如果模型足夠大，這種並行化有時可能是必須的。
當在多個計算節點間分配神經網絡訓練時，通常採用兩種策略：數據並行和模型並行。在前者中，在每個節點上單獨創建模型的實例，並饋送不同的訓練樣本這種架構允許更高的訓練吞吐量。相反，在模型並行中，模型的單一實例在多個節點間分配，這種架構允許訓練更大的模型（可能不一定適合單節點的存儲器）。如果需要，也可以組合這兩種策略，使給定模型擁有多個實例，每個實例跨越多個節點。
當使用 TensorFlow 時，數據並行主要表現為兩種形式：圖內複製（in-graph replication）和圖間複製（between-graph replication）。兩種策略之間最顯著的區別在於流程圖的結構與其結果。
圖內複製
圖內複製通常被認為是兩種方法中更簡單和更直接（但更不可擴展的）的方法。當採用這種策略時，需要在分佈式的主機上創建一個包含所有 worker 設備中副本的流程圖。可以想象，隨着 worker 數量的增長，這樣的流程圖可能會大幅擴展，這可能會對模型性能產生不利影響。然而，對於小系統（例如，雙 GPU 台式計算機），由於其簡單性，圖內複製可能是最優的。
圖間複製
認識到圖內複製在擴展上的侷限性，圖間複製的優勢在於運用大量節點時保證模型性能。這是通過在每個 worker 上創建計算圖的副本來實現的，並且不需要主機保存每個 worker 的圖副本。通過一些 TensorFlow 技巧來協調這些 worker 的圖——如果兩個單獨的節點在同一個 TensorFlow 設備上分配一個具有相同名稱的變量，則這些分配將被合併，變量將共享相同的後端存儲，從而這兩個 worker 將合併在一起。
但是，必須確保設備的正確配置。如果兩個 worker 在不同的設備上分配變量，則不會發生合併。對此，TensorFlow 提供了 replica_device_setter 函數。只要每個 worker 以相同的順序創建計算圖，replica_device_setter 為變量分配提供了確定的方法，確保變量在同一設備上。這將在下面的代碼中演示。
由於圖間複製在很大程度上重複了原始圖，因此多數相關的修改實際上都在集羣中節點的配置上。因此，下面的代碼段將只針對這一點進行改動。重要的是要注意，這個腳本通常會在集羣中的每台機器上執行，但具體的命令行參數不同。
運行分佈式 TensorFlow 的第一步是使用 terSpec 來指定集羣的架構。節點通常分為兩個角色（或「job」）：含有變量的參數服務器（「ps」）和執行大量計算的「worker」。下面提供每個節點的 IP 地址和端口。接下來，腳本必須確定其 job 類型和在網絡中的索引這通常是通過將命令行參數傳遞給腳本並解析來實現的。job_type 指定節點是運行 ps 還是 worker 任務，而 task_idx 指定節點在 ps 或 worker 列表中的索引。使用以上變量創建 TensorFlow 服務器，用於連接各設備。
接下來，如果節點是參數服務器，它只連接它們的線程並等待它們終止。雖然似乎沒有特定的 ps 代碼，但圖元素實際上是由 worker 推送到 ps 的。
相反，如果設備是 worker，則使用 replica_device_setter 構建我們的模型，以便在前面討論的這些 ps 服務器上連續分配參數。這些副本將在很大程度上與單機的流程圖相同。最後，我們創建一個 ion 並訓練我們的模型。
品位站
