 TensorFlow.org에서 보기 |
 Google Colab에서 실행하기 |
 GitHub에서 소스 보기 |
 노트북 다운로드하기 |
tf.distribute API는 사용자가 단일 머신에서 여러 머신으로 훈련을 쉽게 확장하는 방법을 제공합니다. 모델을 확장할 때 사용자는 입력을 여러 장치로 분산해야 합니다. tf.distribute는 입력을 전체 장치에 자동으로 분산할 수 있는 API를 제공합니다.
이 가이드는 tf.distribute API를 사용하여 분산 데이터세트 및 반복기를 생성할 수 있는 다양한 방법을 보여줍니다. 또한 다음 주제들도 다룹니다.
tf.distribute.Strategy.experimental_distribute_dataset및tf.distribute.Strategy.distribute_datasets_from_function을 사용할 때의 사용법, 샤딩 및 일괄 처리 옵션- 분산 데이터세트를 반복할 수 있는 다양한 방법
- Differences between
tf.distribute.Strategy.experimental_distribute_dataset/tf.distribute.Strategy.distribute_datasets_from_functionAPIs andtf.dataAPIs as well any limitations that users may come across in their usage.
이 가이드는 Keras API를 사용한 분산 입력 사용법에 대해서는 다루지 않습니다.
분산 데이터세트
tf.distribute API를 사용하여 확장하려면 tf.data.Dataset을 사용하여 입력을 나타냅니다. tf.distribute는 tf.data.Dataset과 효율적으로 작동합니다. 각 가속기 장치에 대한 자동 프리페치 및 정기적인 성능 업데이트를 예로 들 수 있습니다. tf.data.Dataset 이외의 것을 사용하는 사용 사례가 있는 경우 이 가이드의 Tensor 입력 섹션을 참조하세요. 비분산 훈련 루프에서 먼저 tf.data.Dataset 인스턴스를 만든 다음 요소를 반복합니다. 예를 들면 다음과 같습니다.
import tensorflow as tf
# Helper libraries
import numpy as np
import os
print(tf.__version__)
2022-12-15 02:00:49.883291: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory 2022-12-15 02:00:49.883393: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory 2022-12-15 02:00:49.883403: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly. 2.11.0
# Simulate multiple CPUs with virtual devices
N_VIRTUAL_DEVICES = 2
physical_devices = tf.config.list_physical_devices("CPU")
tf.config.set_logical_device_configuration(
physical_devices[0], [tf.config.LogicalDeviceConfiguration() for _ in range(N_VIRTUAL_DEVICES)])
print("Available devices:")
for i, device in enumerate(tf.config.list_logical_devices()):
print("%d) %s" % (i, device))
Available devices: 0) LogicalDevice(name='/device:CPU:0', device_type='CPU') 1) LogicalDevice(name='/device:CPU:1', device_type='CPU') 2) LogicalDevice(name='/device:GPU:0', device_type='GPU') 3) LogicalDevice(name='/device:GPU:1', device_type='GPU') 4) LogicalDevice(name='/device:GPU:2', device_type='GPU') 5) LogicalDevice(name='/device:GPU:3', device_type='GPU')
global_batch_size = 16
# Create a tf.data.Dataset object.
dataset = tf.data.Dataset.from_tensors(([1.], [1.])).repeat(100).batch(global_batch_size)
@tf.function
def train_step(inputs):
features, labels = inputs
return labels - 0.3 * features
# Iterate over the dataset using the for..in construct.
for inputs in dataset:
print(train_step(inputs))
tf.Tensor( [[0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7]], shape=(16, 1), dtype=float32) tf.Tensor( [[0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7]], shape=(16, 1), dtype=float32) tf.Tensor( [[0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7]], shape=(16, 1), dtype=float32) tf.Tensor( [[0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7]], shape=(16, 1), dtype=float32) tf.Tensor( [[0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7]], shape=(16, 1), dtype=float32) tf.Tensor( [[0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7] [0.7]], shape=(16, 1), dtype=float32) tf.Tensor( [[0.7] [0.7] [0.7] [0.7]], shape=(4, 1), dtype=float32)
사용자가 기존 코드를 최소한으로 변경하면서 tf.distribute 전략을 사용할 수 있도록 tf.data.Dataset 인스턴스를 분산시키고 분산된 데이터세트 객체를 반환하는 두 개의 API가 도입되었습니다. 그러면 사용자가 이 분산 데이터세트 인스턴스를 반복하고 이전과 같이 모델을 훈련할 수 있습니다. 이제 두 가지 API인 tf.distribute.Strategy.experimental_distribute_dataset 및 tf.distribute.Strategy.distribute_datasets_from_function를 자세히 살펴 보겠습니다.
tf.distribute.Strategy.experimental_distribute_dataset
사용법
이 API는 tf.data.Dataset 인스턴스를 입력으로 받고 tf.distribute.DistributedDataset 인스턴스를 반환합니다. 입력 데이터세트를 전역 배치 크기와 동일한 값으로 배치 처리해야 합니다. 이 전역 배치 크기는 모든 장치에 걸쳐 1스텝에서 처리하려는 샘플의 수입니다. 이 분산 데이터세트를 Python 방식으로 반복하거나 iter를 사용하여 반복기를 만들 수 있습니다. 반환된 객체는 tf.data.Dataset 인스턴스가 아니며 어떤 식으로든 데이터세트를 변환하거나 검사하는 다른 API를 지원하지 않습니다. 여러 복제본에 걸쳐 입력을 샤딩하려는 특정한 방법이 없는 경우 이것이 권장되는 API입니다.
global_batch_size = 16
mirrored_strategy = tf.distribute.MirroredStrategy()
dataset = tf.data.Dataset.from_tensors(([1.], [1.])).repeat(100).batch(global_batch_size)
# Distribute input using the `experimental_distribute_dataset`.
dist_dataset = mirrored_strategy.experimental_distribute_dataset(dataset)
# 1 global batch of data fed to the model in 1 step.
print(next(iter(dist_dataset)))
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1', '/job:localhost/replica:0/task:0/device:GPU:2', '/job:localhost/replica:0/task:0/device:GPU:3')
2022-12-15 02:00:56.055218: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:784] 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: "TensorDataset/_2"
op: "TensorDataset"
input: "Placeholder/_0"
input: "Placeholder/_1"
attr {
key: "Toutput_types"
value {
list {
type: DT_FLOAT
type: DT_FLOAT
}
}
}
attr {
key: "_cardinality"
value {
i: 1
}
}
attr {
key: "metadata"
value {
s: "\n\017TensorDataset:4"
}
}
attr {
key: "output_shapes"
value {
list {
shape {
dim {
size: 1
}
}
shape {
dim {
size: 1
}
}
}
}
}
experimental_type {
type_id: TFT_PRODUCT
args {
type_id: TFT_DATASET
args {
type_id: TFT_PRODUCT
args {
type_id: TFT_TENSOR
args {
type_id: TFT_FLOAT
}
}
args {
type_id: TFT_TENSOR
args {
type_id: TFT_FLOAT
}
}
}
}
}
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
}, PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
속성
배치 처리
tf.distribute는 전역 배치 크기를 동기화된 복제본 수로 나눈 값인 새 배치 크기로 입력 tf.data.Dataset 인스턴스의 배치를 다시 처리합니다. 동기화된 복제본의 수는 훈련 중 기울기 allreduce에 참여하는 장치의 수와 같습니다. 사용자가 분산 반복기에서 next를 호출하면 각 복제본에서 복제본당 배치 크기의 데이터가 반환됩니다. 배치가 다시 처리된 데이터세트의 카디널리티는 항상 복제본 수의 배수입니다. 다음은 몇 가지 예입니다.
tf.data.Dataset.range(6).batch(4, drop_remainder=False)분산 제외:
- 배치 1: [0, 1, 2, 3]
- 배치 2: [4, 5]
2개 복제본에서 분산 포함. 마지막 배치 ([4, 5])는 2개의 복제본으로 분할됩니다.
배치 1:
- 복제본 1: [0, 1]
- 복제본 2: [2, 3]
배치 2:
- 복제본 1: [4]
- 복제본 2: [5]
tf.data.Dataset.range(4).batch(4)- 분산 제외:
- 배치 1: [0, 1, 2, 3]
- 5개 복제본에서 분산:
- 배치 1:
- 복제본 1: [0]
- 복제본 2: [1]
- 복제본 3: [2]
- 복제본 4: [3]
- 복제본 5: []
- 배치 1:
- 분산 제외:
tf.data.Dataset.range(8).batch(4)- 분산 제외:
- 배치 1: [0, 1, 2, 3]
- 배치 2: [4, 5, 6, 7]
- 3개 복제본에서 분산:
- 배치 1:
- 복제본 1: [0, 1]
- 복제본 2: [2, 3]
- 복제본 3: []
- 배치 2:
- 복제본 1: [4, 5]
- 복제본 2: [6, 7]
- 복제본 3: []
- 배치 1:
- 분산 제외:
참고: 위의 예는 전역 배치가 여러 복제본에서 분할되는 방식만 보여줍니다. 구현에 따라 각 복제본은 변경될 수 있으므로 각 복제본에서 발생 수 있는 실제 값에 의존하지 않는 것이 좋습니다.
데이터세트를 다시 배치 처리하면 복제본 수에 비례하여 공간 복잡성이 선형적으로 증가합니다. 이는 다중 작업자 훈련의 사용 사례에서 입력 파이프라인에 OOM 오류가 발생할 수 있음을 의미합니다.
샤딩
tf.distribute는 또한 MultiWorkerMirroredStrategy 및 TPUStrategy를 사용하여 다중 작업자 훈련에서 입력 데이터세트를 자동 샤딩합니다. 각 데이터세트는 작업자의 CPU 장치에 생성됩니다. 일단의 작업자에 대해 데이터세트를 자동 샤딩한다는 것은 각 작업자에게 전체 데이터세트의 하위 집합이 할당된다는 것을 의미합니다(올바른 tf.data.experimental.AutoShardPolicy가 설정된 경우). 이는 각 단계에서 겹치지 않는 데이터세트 요소의 전역 배치 크기가 각 작업자에 의해 처리되도록 하기 위한 것입니다. 자동 샤딩에는 tf.data.experimental.DistributeOptions를 사용하여 지정할 수 있는 몇 가지 다른 옵션이 있습니다. ParameterServerStrategy를 사용한 다중 작업자 훈련에는 자동 샤딩이 없으며 이 전략을 사용한 데이터세트 생성에 대한 자세한 내용은 매개변수 서버 전략 튜토리얼에서 확인할 수 있습니다.
dataset = tf.data.Dataset.from_tensors(([1.], [1.])).repeat(64).batch(16)
options = tf.data.Options()
options.experimental_distribute.auto_shard_policy = tf.data.experimental.AutoShardPolicy.DATA
dataset = dataset.with_options(options)
tf.data.experimental.AutoShardPolicy에 대해 세 가지 다른 옵션을 설정할 수 있습니다.
AUTO: 기본 옵션이며 FILE별 샤딩 시도가 이루어짐을 의미합니다. 파일 기반 데이터세트가 탐지되지 않으면 FILE별 샤딩 시도가 실패합니다. 그러면
tf.distribute가 DATA별 샤딩으로 폴백합니다. 입력 데이터세트가 파일 기반이지만 파일 수가 작업자 수보다 적으면,InvalidArgumentError가 발생합니다. 이 경우, 정책을 명시적으로AutoShardPolicy.DATA로 설정하거나 파일 수가 작업자 수보다 많도록 입력 소스를 더 작은 파일로 분할합니다.FILE: 모든 작업자에 대해 입력 파일을 샤딩하려는 경우 사용하는 옵션입니다. 입력 파일의 수가 작업자의 수보다 훨씬 많고 파일의 데이터가 균등하게 분산된 경우, 이 옵션을 사용해야 합니다. 이 옵션의 단점은 파일의 데이터가 균등하게 분산되어 있지 않으면 유휴 작업자가 생긴다는 것입니다. 파일의 수가 작업자의 수보다 적으면
InvalidArgumentError가 발생합니다. 이 경우에는 정책을 명시적으로AutoShardPolicy.DATA로 설정합니다. 예를 들어, 각각 1개의 복제본이 있는 두 작업자에 2개의 파일을 배포해 보겠습니다. 파일 1에는 [0, 1, 2, 3, 4, 5]가 포함되고 파일 2에는 [6, 7, 8, 9, 10, 11]이 포함됩니다. 동기화된 총 복제본의 수를 2개로, 전역 배치 크기를 4로 설정합니다.- 작업자 0:
- 배치 1 = 복제본 1: [0, 1]
- 배치 2 = 복제본 1: [2, 3]
- 배치 3 = 복제본 1: [4]
- 배치 4 = 복제본 1: [5]
- 작업자 1:
- 배치 1 = 복제본 2: [6, 7]
- 배치 2 = 복제본 2: [8, 9]
- 배치 3 = 복제본 2: [10]
- 배치 4 = 복제본 2: [11]
- 작업자 0:
DATA: 모든 작업자에 걸쳐 요소를 자동 샤딩합니다. 각 작업자는 전체 데이터세트를 읽고 할당된 샤드만 처리합니다. 다른 모든 샤드는 삭제됩니다. 이 옵션은 일반적으로 입력 파일의 수가 작업자의 수보다 적고 모든 작업자에서 데이터를 더 잘 샤딩하려는 경우에 사용됩니다. 단점은 각 작업자에서 전체 데이터세트를 읽는다는 것입니다. 예를 들어, 두 작업자에 1개의 파일을 배포해 보겠습니다. 파일 1에 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]이 포함됩니다. 동기화된 총 복제본의 수를 2개로 설정합니다.
- 작업자 0:
- 배치 1 = 복제본 1: [0, 1]
- 배치 2 = 복제본 1: [4, 5]
- 배치 3 = 복제본 1: [8, 9]
- 작업자 1:
- 배치 1 = 복제본 2: [2, 3]
- 배치 2 = 복제본 2: [6, 7]
- 배치 3 = 복제본 2: [10, 11]
- 작업자 0:
OFF: 자동 샤딩을 끄면 각 작업자가 모든 데이터를 처리합니다. 예를 들어, 두 작업자에 1개의 파일을 배포해 보겠습니다. 파일 1에 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]이 포함됩니다. 동기화된 총 복제본의 수를 2개로 설정합니다. 그러면 각 작업자는 다음과 같은 분산을 볼 수 있습니다.
작업자 0:
- 배치 1 = 복제본 1: [0, 1]
- 배치 2 = 복제본 1: [2, 3]
- 배치 3 = 복제본 1: [4, 5]
- 배치 4 = 복제본 1: [6, 7]
- 배치 5 = 복제본 1: [8, 9]
- 배치 6 = 복제본 1: [10, 11]
작업자 1:
- 배치 1 = 복제본 2: [0, 1]
- 배치 2 = 복제본 2: [2, 3]
- 배치 3 = 복제본 2: [4, 5]
- 배치 4 = 복제본 2: [6, 7]
- 배치 5 = 복제본 2: [8, 9]
- 배치 6 = 복제본 2: [10, 11]
프리페칭
기본적으로 tf.distribute는 사용자가 제공한 tf.data.Dataset 인스턴스 끝에 프리페치 변환을 추가합니다. 프리페치 변환에 대한 인수 buffer_size는 동기화되는 복제본의 수에 해당합니다.
tf.distribute.Strategy.distribute_datasets_from_function
사용법
이 API는 입력 함수를 받고 tf.distribute.DistributedDataset 인스턴스를 반환합니다. 사용자가 전달하는 입력 함수는 tf.distribute.InputContext 인수를 갖고 tf.data.Dataset 인스턴스를 반환해야 합니다. 이 API를 사용하면 tf.distribute가 입력 함수로부터 반환된 사용자의 tf.data.Dataset 인스턴스를 더 이상 변경하지 않습니다. 데이터세트를 배치 처리하고 샤딩하는 것은 사용자의 몫입니다. tf.distribute는 각 작업자의 CPU 장치에서 입력 함수를 호출합니다. 사용자가 자체 배치 및 샤딩 로직을 지정할 수 있게 해주는 이외에도 이 API는 다중 작업자 훈련을 사용할 때 tf.distribute.Strategy.experimental_distribute_dataset에 비해 확장성과 성능이 더 우수합니다.
mirrored_strategy = tf.distribute.MirroredStrategy()
def dataset_fn(input_context):
batch_size = input_context.get_per_replica_batch_size(global_batch_size)
dataset = tf.data.Dataset.from_tensors(([1.], [1.])).repeat(64).batch(16)
dataset = dataset.shard(
input_context.num_input_pipelines, input_context.input_pipeline_id)
dataset = dataset.batch(batch_size)
dataset = dataset.prefetch(2) # This prefetches 2 batches per device.
return dataset
dist_dataset = mirrored_strategy.distribute_datasets_from_function(dataset_fn)
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1', '/job:localhost/replica:0/task:0/device:GPU:2', '/job:localhost/replica:0/task:0/device:GPU:3')
속성
배치 처리
입력 함수의 반환 값인 tf.data.Dataset 인스턴스는 복제본별 배치 크기를 사용하여 배치 처리해야 합니다. 복제본별 배치 크기는 전역 배치 크기를 동기화 훈련에 참여하는 복제본의 수로 나눈 값입니다. tf.distribute가 각 작업자의 CPU 장치에서 입력 함수를 호출하기 때문입니다. 지정된 작업자에서 생성된 데이터세트는 해당 작업자의 모든 복제본에서 사용할 수 있어야 합니다.
샤딩
사용자의 입력 함수에 대한 인수로 암시적으로 전달되는 tf.distribute.InputContext 객체는 내부에서 tf.distribute에 의해 생성됩니다. 여기에는 작업자 수, 현재 작업자 ID 등에 대한 정보가 들어 있습니다. 이 입력 함수는 tf.distribute.InputContext 객체의 일부인 이러한 속성을 사용하여 사용자가 설정한 정책에 따라 샤딩을 처리할 수 있습니다.
프리페칭
tf.distribute는 사용자가 제공한 입력 함수에 의해 반환된 tf.data.Dataset의 끝에 프리페치 변환을 추가하지 않으므로 위의 예에서 Dataset.prefetch를 명시적으로 호출합니다.
참고: tf.distribute.Strategy.experimental_distribute_dataset 및 tf.distribute.Strategy.distribute_datasets_from_function 모두 tf.data.Dataset 형식이 아닌 tf.distribute.DistributedDataset 인스턴스를 반환합니다. 분산 반복기 섹션에 표시된 대로 이러한 인스턴스를 반복하고 element_spec 속성을 사용할 수 있습니다.
분산 반복기
비분산 tf.data.Dataset 인스턴스와 유사하게, tf.distribute.DistributedDataset 인스턴스에서 반복기를 생성하여 이를 반복하고 tf.distribute.DistributedDataset에서 요소에 액세스해야 합니다. 다음은 tf.distribute.DistributedIterator를 생성하고 모델을 훈련할 때 사용하는 방법입니다.
사용법
루프 구성에 Python 사용하기
사용자 친화적인 Python 루프를 사용하여 tf.distribute.DistributedDataset을 반복할 수 있습니다. tf.distribute.DistributedIterator에서 반환된 요소는 단일 tf.Tensor 또는 복제본당 값을 포함하는 tf.distribute.DistributedValues일 수 있습니다. 루프를 tf.function 내에 배치하면 성능이 향상됩니다. 그러나 break 및 return은 현재 tf.function 내에 있는 tf.distribute.DistributedDataset에 대한 루프에 대해 지원되지 않습니다.
global_batch_size = 16
mirrored_strategy = tf.distribute.MirroredStrategy()
dataset = tf.data.Dataset.from_tensors(([1.], [1.])).repeat(100).batch(global_batch_size)
dist_dataset = mirrored_strategy.experimental_distribute_dataset(dataset)
@tf.function
def train_step(inputs):
features, labels = inputs
return labels - 0.3 * features
for x in dist_dataset:
# train_step trains the model using the dataset elements
loss = mirrored_strategy.run(train_step, args=(x,))
print("Loss is ", loss)
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1', '/job:localhost/replica:0/task:0/device:GPU:2', '/job:localhost/replica:0/task:0/device:GPU:3')
2022-12-15 02:00:56.399901: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:784] 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: "TensorDataset/_2"
op: "TensorDataset"
input: "Placeholder/_0"
input: "Placeholder/_1"
attr {
key: "Toutput_types"
value {
list {
type: DT_FLOAT
type: DT_FLOAT
}
}
}
attr {
key: "_cardinality"
value {
i: 1
}
}
attr {
key: "metadata"
value {
s: "\n\020TensorDataset:38"
}
}
attr {
key: "output_shapes"
value {
list {
shape {
dim {
size: 1
}
}
shape {
dim {
size: 1
}
}
}
}
}
experimental_type {
type_id: TFT_PRODUCT
args {
type_id: TFT_DATASET
args {
type_id: TFT_PRODUCT
args {
type_id: TFT_TENSOR
args {
type_id: TFT_FLOAT
}
}
args {
type_id: TFT_TENSOR
args {
type_id: TFT_FLOAT
}
}
}
}
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor([[0.7]], shape=(1, 1), dtype=float32),
1: tf.Tensor([[0.7]], shape=(1, 1), dtype=float32),
2: tf.Tensor([[0.7]], shape=(1, 1), dtype=float32),
3: tf.Tensor([[0.7]], shape=(1, 1), dtype=float32)
}
iter를 사용하여 명시적인 반복기 만들기
tf.distribute.DistributedDataset 인스턴스의 요소를 반복하기 위해 iter API를 사용하여 tf.distribute.DistributedIterator를 작성할 수 있습니다. 명시적인 반복자를 사용하면 고정된 수의 스텝을 반복할 수 있습니다. tf.distribute.DistributedIterator 인스턴스 dist_iterator에서 다음 요소를 가져오려면 next(dist_iterator), dist_iterator.get_next() 또는 dist_iterator.get_next_as_optional()을 호출할 수 있습니다. 앞의 두 가지는 본질적으로 동일합니다.
num_epochs = 10
steps_per_epoch = 5
for epoch in range(num_epochs):
dist_iterator = iter(dist_dataset)
for step in range(steps_per_epoch):
# train_step trains the model using the dataset elements
loss = mirrored_strategy.run(train_step, args=(next(dist_iterator),))
# which is the same as
# loss = mirrored_strategy.run(train_step, args=(dist_iterator.get_next(),))
print("Loss is ", loss)
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
Loss is PerReplica:{
0: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
1: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
2: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32),
3: tf.Tensor(
[[0.7]
[0.7]
[0.7]
[0.7]], shape=(4, 1), dtype=float32)
}
next 또는 tf.distribute.DistributedIterator.get_next()를 사용하여 tf.distribute.DistributedIterator의 끝에 도달하면 OutOfRange 오류가 발생합니다. 클라이언트는 Python 측에서 오류를 포착하고 검사점 및 평가와 같은 다른 작업을 계속할 수 있습니다. 그러나 다음과 같이 호스트 훈련 루프를 사용하는 경우(예: tf.function당 여러 스텝 실행) 작동하지 않습니다.
@tf.function
def train_fn(iterator):
for _ in tf.range(steps_per_loop):
strategy.run(step_fn, args=(next(iterator),))
이 예제 train_fn에는 tf.range 내부에 스텝 본문을 래핑하여 여러 스텝이 포함되어 있습니다. 이 경우 종속성이 없는 루프의 여러 반복이 병렬로 시작될 수 있으므로 이전 반복의 계산이 완료되기 전에 이후 반복에서 OutOfRange 오류가 트리거될 수 있습니다. OutOfRange 오류가 발생하면 함수의 모든 ops가 즉시 종료됩니다. 이러한 상황을 피하고 싶은 경우 OutOfRange 오류를 발생시키지 않는 대안은 tf.distribute.DistributedIterator.get_next_as_optional입니다. get_next_as_optional은 다음 요소를 포함하거나 tf.distribute.DistributedIterator가 끝에 도달한 경우 값이 없는 tf.experimental.Optional을 반환합니다.
# You can break the loop with `get_next_as_optional` by checking if the `Optional` contains a value
global_batch_size = 4
steps_per_loop = 5
strategy = tf.distribute.MirroredStrategy()
dataset = tf.data.Dataset.range(9).batch(global_batch_size)
distributed_iterator = iter(strategy.experimental_distribute_dataset(dataset))
@tf.function
def train_fn(distributed_iterator):
for _ in tf.range(steps_per_loop):
optional_data = distributed_iterator.get_next_as_optional()
if not optional_data.has_value():
break
per_replica_results = strategy.run(lambda x: x, args=(optional_data.get_value(),))
tf.print(strategy.experimental_local_results(per_replica_results))
train_fn(distributed_iterator)
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1', '/job:localhost/replica:0/task:0/device:GPU:2', '/job:localhost/replica:0/task:0/device:GPU:3')
2022-12-15 02:01:01.859283: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:784] 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: "RangeDataset/_3"
op: "RangeDataset"
input: "Const/_0"
input: "Const/_1"
input: "Const/_2"
attr {
key: "_cardinality"
value {
i: 9
}
}
attr {
key: "metadata"
value {
s: "\n\020RangeDataset:212"
}
}
attr {
key: "output_shapes"
value {
list {
shape {
}
}
}
}
attr {
key: "output_types"
value {
list {
type: DT_INT64
}
}
}
attr {
key: "replicate_on_split"
value {
b: false
}
}
experimental_type {
type_id: TFT_PRODUCT
args {
type_id: TFT_DATASET
args {
type_id: TFT_PRODUCT
args {
type_id: TFT_TENSOR
args {
type_id: TFT_INT64
}
}
}
}
}
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.9/site-packages/tensorflow/python/autograph/pyct/static_analysis/liveness.py:83: Analyzer.lamba_check (from tensorflow.python.autograph.pyct.static_analysis.liveness) is deprecated and will be removed after 2023-09-23.
Instructions for updating:
Lambda fuctions will be no more assumed to be used in the statement where they are used, or at least in the same block. https://github.com/tensorflow/tensorflow/issues/56089
([0], [1], [2], [3])
([4], [5], [6], [7])
([8], [], [], [])
element_spec 속성 사용하기
분산 데이터세트의 요소를 tf.function에 전달하고 tf.TypeSpec 보장을 원하는 경우 tf.function의 input_signature 인수를 지정할 수 있습니다. 분산 데이터세트의 출력은 단일 장치 또는 여러 장치에 대한 입력을 나타낼 수 있는 tf.distribute.DistributedValues입니다. 이 분산 값에 해당하는 tf.TypeSpec을 얻으려면 tf.distribute.DistributedDataset.element_spec 또는 tf.distribute.DistributedIterator.element_spec을 사용할 수 있습니다.
global_batch_size = 16
epochs = 5
steps_per_epoch = 5
mirrored_strategy = tf.distribute.MirroredStrategy()
dataset = tf.data.Dataset.from_tensors(([1.], [1.])).repeat(100).batch(global_batch_size)
dist_dataset = mirrored_strategy.experimental_distribute_dataset(dataset)
@tf.function(input_signature=[dist_dataset.element_spec])
def train_step(per_replica_inputs):
def step_fn(inputs):
return 2 * inputs
return mirrored_strategy.run(step_fn, args=(per_replica_inputs,))
for _ in range(epochs):
iterator = iter(dist_dataset)
for _ in range(steps_per_epoch):
output = train_step(next(iterator))
tf.print(output)
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1', '/job:localhost/replica:0/task:0/device:GPU:2', '/job:localhost/replica:0/task:0/device:GPU:3')
2022-12-15 02:01:02.436659: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:784] 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: "TensorDataset/_2"
op: "TensorDataset"
input: "Placeholder/_0"
input: "Placeholder/_1"
attr {
key: "Toutput_types"
value {
list {
type: DT_FLOAT
type: DT_FLOAT
}
}
}
attr {
key: "_cardinality"
value {
i: 1
}
}
attr {
key: "metadata"
value {
s: "\n\021TensorDataset:235"
}
}
attr {
key: "output_shapes"
value {
list {
shape {
dim {
size: 1
}
}
shape {
dim {
size: 1
}
}
}
}
}
experimental_type {
type_id: TFT_PRODUCT
args {
type_id: TFT_DATASET
args {
type_id: TFT_PRODUCT
args {
type_id: TFT_TENSOR
args {
type_id: TFT_FLOAT
}
}
args {
type_id: TFT_TENSOR
args {
type_id: TFT_FLOAT
}
}
}
}
}
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
(PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
},
PerReplica:{
0: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
1: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
2: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>,
3: <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
array([[1.],
[1.],
[1.],
[1.]], dtype=float32)>
})
데이터 전처리
지금까지 tf.data.Dataset을 배포하는 방법을 배웠습니다. 그러나 데이터를 모델에 맞게 준비하려면 예를 들어 데이터를 정리, 변환 및 보강하는 등 사전에 처리가 필요합니다. 이를 위해 다음과 같은 두 가지 편리한 도구를 사용할 수 있습니다.
Keras 전처리 레이어: 개발자가 Keras 네이티브 입력 처리 파이프라인을 구축할 수 있도록 하는 Keras 레이어 집합입니다. 일부 Keras 전처리 레이어에는 훈련할 수 없는 상태가 포함되어 있으며 이는 초기화 시 설정되거나
adapt될 수 있습니다(Keras 전처리 레이어 가이드의adapt섹션 참조). 상태 저장 전처리 레이어를 배포할 때 상태는 모든 작업자에게 복제되어야 합니다. 이러한 레이어를 사용하려면 모델의 일부로 만들거나 데이터세트에 적용할 수 있습니다.TensorFlow Transform(tf.Transform): 데이터 전처리 파이프라인을 통해 인스턴스 수준 및 전체 패스 데이터 변환을 모두 정의할 수 있는 TensorFlow용 라이브러리입니다. Tensorflow Transform에는 두 단계가 있습니다. 첫 번째는 분석 단계로, 변환에 필요한 통계를 계산하기 위해 원시 훈련 데이터가 전체 패스 프로세스에서 분석되고 변환 논리가 인스턴스 수준 작업으로 생성됩니다. 두 번째 단계는 원시 훈련 데이터가 인스턴스 수준 프로세스에서 변환되는 변환 단계입니다.
Keras 전처리 레이어 대 Tensorflow Transform
Tensorflow Transform 및 Keras 전처리 레이어는 모두 훈련 중 전처리를 분리하고 추론 중 모델과 전처리를 묶어 훈련/서브 스큐를 줄이는 방법을 제공합니다.
TFX와 긴밀하게 통합된 Tensorflow Transform은 훈련 파이프라인과 별개의 작업에서 모든 크기의 데이터세트를 분석하고 변환하기 위한 확장 가능한 맵 축소 솔루션을 제공합니다. 단일 시스템에 맞지 않을 수 있는 데이터세트에 대한 분석을 실행해야 하는 경우, Tensorflow Transform이 가장 먼저 선택되어야 합니다.
Keras 전처리 레이어는 디스크에서 데이터를 읽은 후 훈련 중에 적용되는 전처리에 더 적합합니다. Keras 라이브러리의 모델 개발과 완벽하게 맞습니다. adapt을 통해 더 작은 데이터세트의 분석을 지원하고 입력 데이터세트를 통과할 때마다 훈련을 위한 다른 예가 생성되는 이미지 데이터 강화와 같은 사용 사례를 지원합니다.
두 라이브러리를 혼합할 수도 있습니다. 여기서 Tensorflow Transform은 입력 데이터의 분석 및 정적 변환에 사용되고 Keras 전처리 레이어는 기차 시간 변환(예: 원-핫 인코딩 또는 데이터 강화)에 사용됩니다.
tf.distribute의 모범 사례
두 도구를 모두 사용하려면 데이터에 적용할 변환 논리를 초기화해야 하며, 이로부터 Tensorflow 리소스가 생성될 수 있습니다. 이러한 리소스 또는 상태는 작업자 간 또는 작업자-조정자 통신을 저장하기 위해 모든 작업자에게 복제되어야 합니다. 이렇게 하려면 다른 Keras 레이어와 마찬가지로 tf.distribute.Strategy.scope에서 tft.TFTransformOutput.transform_features_layer 또는 tft.TransformFeaturesLayer의 Keras 전처리 레이어를 생성하는 것이 좋습니다.
다음 예는 tf.distribute.Strategy API를 높은 수준의 Keras Model.fit API 및 사용자 지정 훈련 루프와 함께 개별적으로 사용하는 방법을 보여줍니다.
Keras 전처리 레이어 사용자를 위한 추가 참고 사항:
전처리 레이어 및 방대한 어휘
다중 작업자 설정(예: tf.distribute.MultiWorkerMirroredStrategy, tf.distribute.experimental.ParameterServerStrategy, tf.distribute.TPUStrategy)에서 방대한 어휘(1기가바이트 이상)를 처리할 때 어휘를 모든 작업자가 액세스할 수 있는 정적 파일(예: Cloud Storage 사용)에 저장하는 것이 좋습니다. 그러면 훈련 중에 모든 작업자에게 어휘를 복제하는 데 소요되는 시간이 줄어듭니다.
tf.data 파이프라인과 모델의 전처리 비교
Keras 전처리 레이어는 모델의 일부로 적용하거나 tf.data.Dataset에 직접 적용할 수 있지만 각 옵션에는 강점이 있습니다.
- 모델 내에서 전처리 레이어를 적용하면 모델을 이식할 수 있고 훈련/서브 스큐를 줄이는 데 도움이 됩니다. 자세한 내용은 전처리 레이어 작업 가이드의 추론 시 모델 내부에서 전처리를 수행할 때의 이점 섹션을 참조하세요.
tf.data파이프라인 내에서 적용하면 CPU로 프리패칭하거나 오프로딩할 수 있으므로 일반적으로 가속기를 사용할 때 더 나은 성능을 제공합니다.
하나 이상의 TPU에서 실행할 때 모든 레이어가 TPU를 지원하지는 않고 문자열 ops가 TPU에서 실행되지 않기 때문에 사용자는 거의 항상 tf.data 파이프라인에 Keras 전처리 레이어를 배치해야 합니다. 두 가지 예외인 tf.keras.layers.Normalization 및 tf.keras.layers.Rescaling은 TPU에서 잘 실행되고 이미지 모델에서 첫 레이어로 일반적으로 사용됩니다.
Model.fit으로 전처리하기
Model.fit을 사용할 때 tf.distribute.Strategy.experimental_distribute_dataset 또는 tf.distribute.Strategy.distribute_datasets_from_function 자체를 사용하여 데이터를 배포할 필요가 없습니다. 자세한 내용은 전처리 레이어로 작업하기 가이드 및 Keras를 사용한 분산 훈련 가이드를 확인하세요. 간단한 예를 들면 다음과 같습니다.
strategy = tf.distribute.MirroredStrategy()
with strategy.scope():
# Create the layer(s) under scope.
integer_preprocessing_layer = tf.keras.layers.IntegerLookup(vocabulary=FILE_PATH)
model = ...
model.compile(...)
dataset = dataset.map(lambda x, y: (integer_preprocessing_layer(x), y))
model.fit(dataset)
Model.fit API를 사용하는 tf.keras.utils.experimental.DatasetCreator 사용자는 tf.distribute.experimental.ParameterServerStrategy를 입력으로 사용해야 합니다. 자세한 내용은 매개변수 서버 훈련 가이드를 참조하세요.
strategy = tf.distribute.experimental.ParameterServerStrategy(
cluster_resolver,
variable_partitioner=variable_partitioner)
with strategy.scope():
preprocessing_layer = tf.keras.layers.StringLookup(vocabulary=FILE_PATH)
model = ...
model.compile(...)
def dataset_fn(input_context):
...
dataset = dataset.map(preprocessing_layer)
...
return dataset
dataset_creator = tf.keras.utils.experimental.DatasetCreator(dataset_fn)
model.fit(dataset_creator, epochs=5, steps_per_epoch=20, callbacks=callbacks)
사용자 정의 훈련 루프로 전처리하기
사용자 정의 훈련 루프를 작성할 때 tf.distribute.Strategy.experimental_distribute_dataset API 또는 tf.distribute.Strategy.distribute_datasets_from_function API를 사용하여 데이터를 배포합니다. tf.distribute.Strategy.experimental_distribute_dataset를 통해 데이터세트를 배포하는 경우, 데이터 파이프라인에 이러한 전처리 API를 적용하면 원격 리소스 액세스를 방지하기 위해 데이터 파이프라인과 함께 자동으로 리소스가 배치됩니다. 따라서 여기의 예제는 모두 tf.distribute.Strategy.distribute_datasets_from_function을 사용합니다. 이 경우 효율성을 위해 이러한 API의 초기화를 strategy.scope() 아래에 배치하는 것이 중요합니다.
strategy = tf.distribute.MirroredStrategy()
vocab = ["a", "b", "c", "d", "f"]
with strategy.scope():
# Create the layer(s) under scope.
layer = tf.keras.layers.StringLookup(vocabulary=vocab)
def dataset_fn(input_context):
# a tf.data.Dataset
dataset = tf.data.Dataset.from_tensor_slices(["a", "c", "e"]).repeat()
# Custom your batching, sharding, prefetching, etc.
global_batch_size = 4
batch_size = input_context.get_per_replica_batch_size(global_batch_size)
dataset = dataset.batch(batch_size)
dataset = dataset.shard(
input_context.num_input_pipelines,
input_context.input_pipeline_id)
# Apply the preprocessing layer(s) to the tf.data.Dataset
def preprocess_with_kpl(input):
return layer(input)
processed_ds = dataset.map(preprocess_with_kpl)
return processed_ds
distributed_dataset = strategy.distribute_datasets_from_function(dataset_fn)
# Print out a few example batches.
distributed_dataset_iterator = iter(distributed_dataset)
for _ in range(3):
print(next(distributed_dataset_iterator))
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1', '/job:localhost/replica:0/task:0/device:GPU:2', '/job:localhost/replica:0/task:0/device:GPU:3')
PerReplica:{
0: tf.Tensor([1], shape=(1,), dtype=int64),
1: tf.Tensor([3], shape=(1,), dtype=int64),
2: tf.Tensor([0], shape=(1,), dtype=int64),
3: tf.Tensor([1], shape=(1,), dtype=int64)
}
PerReplica:{
0: tf.Tensor([3], shape=(1,), dtype=int64),
1: tf.Tensor([0], shape=(1,), dtype=int64),
2: tf.Tensor([1], shape=(1,), dtype=int64),
3: tf.Tensor([3], shape=(1,), dtype=int64)
}
PerReplica:{
0: tf.Tensor([0], shape=(1,), dtype=int64),
1: tf.Tensor([1], shape=(1,), dtype=int64),
2: tf.Tensor([3], shape=(1,), dtype=int64),
3: tf.Tensor([0], shape=(1,), dtype=int64)
}
tf.distribute.experimental.ParameterServerStrategy로 훈련하는 경우 tf.distribute.experimental.coordinator.ClusterCoordinator.create_per_worker_dataset도 호출합니다.
@tf.function
def per_worker_dataset_fn():
return strategy.distribute_datasets_from_function(dataset_fn)
per_worker_dataset = coordinator.create_per_worker_dataset(per_worker_dataset_fn)
per_worker_iterator = iter(per_worker_dataset)
Tensorflow Transform의 경우 위에서 언급한 것처럼 분석 단계는 훈련과 별도로 수행되므로 여기서는 생략합니다. 자세한 방법은 튜토리얼을 참조하세요. 일반적으로 이 단계에는 tf.Transform 전처리 기능을 만들고 이 전처리 기능을 사용하여 Apache Beam 파이프라인의 데이터를 변환하는 작업이 포함됩니다. 분석 단계가 끝나면 출력을 훈련과 제공 모두에 사용할 수 있는 TensorFlow 그래프로 내보낼 수 있습니다. 이 예에서는 훈련 파이프라인 부분만 다룹니다.
with strategy.scope():
# working_dir contains the tf.Transform output.
tf_transform_output = tft.TFTransformOutput(working_dir)
# Loading from working_dir to create a Keras layer for applying the tf.Transform output to data
tft_layer = tf_transform_output.transform_features_layer()
...
def dataset_fn(input_context):
...
dataset.map(tft_layer, num_parallel_calls=tf.data.AUTOTUNE)
...
return dataset
distributed_dataset = strategy.distribute_datasets_from_function(dataset_fn)
부분 배치
부분 배치는 다음의 경우에 발생합니다. 1) 사용자가 생성하는 tf.data.Dataset 인스턴스에 복제본 수로 균등하게 나눌 수 없는 배치 크기가 포함될 수 있습니다. 또는 2) 데이터세트 인스턴스의 카디널리티를 배치 크기로 나눌 수 없습니다. 이는 데이터세트가 여러 복제본에 분산되어 있을 때 일부 반복자에 대한 next 호출에서 tf.errors.OutOfRangeError가 발생함을 의미합니다. 이 사용 사례를 처리하기 위해 tf.distribute는 더 이상 처리할 데이터가 없는 복제본에서 배치 크기가 0인 더미 배치를 반환합니다.
단일 작업자의 경우 반복자에 대한 next 호출에서 데이터가 반환되지 않으면 배치 크기가 0인 더미 배치가 생성되어 데이터세트의 실제 데이터와 함께 사용됩니다. 부분 배치의 경우, 데이터의 마지막 전역 배치에는 더미 데이터 배치와 함께 실제 데이터가 포함됩니다. 데이터 처리를 위한 중지 조건은 이제 복제본에 데이터가 있는지 확인합니다. 데이터가 없는 복제본이 있으면 tf.errors.OutOfRangeError가 발생합니다.
다중 작업자 사례의 경우, 각 작업자에서 데이터의 존재를 나타내는 부울 값은 복제본 간 통신을 사용하여 집계하며, 이는 모든 작업자가 분산 데이터세트의 처리를 완료했는지 식별하는 데 사용됩니다. 여기에는 작업자 간 통신이 포함되므로 성능에 약간의 불이익이 따릅니다.
주의 사항
다중 작업자 설정과 함께
tf.distribute.Strategy.experimental_distribute_datasetAPI를 사용할 때 파일에서 정보를 읽는tf.data.Dataset을 전달하게 됩니다.tf.data.experimental.AutoShardPolicy가AUTO또는FILE로 설정된 경우 실제 단계별 배치 크기는 전역 배치 크기에 대해 정의한 것보다 작을 수 있습니다. 이는 파일의 나머지 요소가 전역 배치 크기보다 작은 경우 발생할 수 있습니다. 실행할 단계 수에 의존하지 않고 데이터세트를 소진하거나tf.data.experimental.AutoShardPolicy를DATA로 설정하여 문제를 해결할 수 있습니다.상태 저장 데이터세트 변환은 현재
tf.distribute에서 지원되지 않으며 데이터세트에 있을 수 있는 상태 저장 ops는 현재 무시됩니다. 예를 들어, 데이터세트에map_fn을 사용하여 이미지를 회전시키는tf.random.uniform이 있는 경우, Python 프로세스가 실행되는 로컬 머신의 상태(예: 임의 시드)에 의존하는 데이터세트 그래프가 있습니다.tf.distribute와 함께 사용될 때와 같이, 특정 컨텍스트에서 기본적으로 비활성화되어 있는 실험적인tf.data.experimental.OptimizationOptions은 성능 저하를 유발합니다. 배포 설정에서 워크로드의 성능 향상이 확인된 후에만 이 옵션을 사용해야 합니다.tf.data로 입력 파이프라인을 최적화하는 방법에 대한 전반적인 내용은 이 가이드를 참조하세요. 몇 가지 추가 팁:- 여러 작업자가 있고
tf.data.Dataset.list_files를 사용하여 하나 이상의 glob 패턴과 일치하는 모든 파일에서 데이터세트를 생성하는 경우 각 작업자가 파일을 일관되게 샤딩하도록seed인수를 설정하거나shuffle=False를 설정해야 합니다.
- 여러 작업자가 있고
입력 파이프라인에 레코드 수준의 데이터 셔플링과 데이터 구문 분석이 모두 포함되어 있는 경우, 구문 분석되지 않은 데이터가 구문 분석된 데이터보다 훨씬 크지 않다면(일반적으로 그렇지 않음), 다음 예제와 같이 먼저 셔플링한 다음 구문 분석하세요. 그러면 메모리 사용량과 성능에 도움이 될 수 있습니다.
d = tf.data.Dataset.list_files(pattern, shuffle=False)
d = d.shard(num_workers, worker_index)
d = d.repeat(num_epochs)
d = d.shuffle(shuffle_buffer_size)
d = d.interleave(tf.data.TFRecordDataset,
cycle_length=num_readers, block_length=1)
d = d.map(parser_fn, num_parallel_calls=num_map_threads)
tf.data.Dataset.shuffle(buffer_size, seed=None, reshuffle_each_iteration=None)은buffer_size요소의 내부 버퍼를 유지하므로buffer_size를 줄이면 OOM 문제가 완화될 수 있습니다.tf.distribute.experimental_distribute_dataset또는tf.distribute.distribute_datasets_from_function을 사용할 때 작업자가 데이터를 처리하는 순서는 보장되지 않습니다. 이는 일반적으로tf.distribute를 사용하여 예측을 확장하는 경우 필요합니다. 그러나 배치의 각 요소에 대한 인덱스를 삽입하고 그에 따라 출력 순서를 정할 수 있습니다. 다음 스니펫은 출력 순서를 정하는 방법을 보여주는 예입니다.
참고: 여기서 tf.distribute.MirroredStrategy는 편의상 사용됩니다. 여러 작업자를 사용할 때만 입력 순서를 다시 지정하면 되지만 tf.distribute.MirroredStrategy는 단일 작업자에 대한 훈련을 배포하는 데 사용됩니다.
mirrored_strategy = tf.distribute.MirroredStrategy()
dataset_size = 24
batch_size = 6
dataset = tf.data.Dataset.range(dataset_size).enumerate().batch(batch_size)
dist_dataset = mirrored_strategy.experimental_distribute_dataset(dataset)
def predict(index, inputs):
outputs = 2 * inputs
return index, outputs
result = {}
for index, inputs in dist_dataset:
output_index, outputs = mirrored_strategy.run(predict, args=(index, inputs))
indices = list(mirrored_strategy.experimental_local_results(output_index))
rindices = []
for a in indices:
rindices.extend(a.numpy())
outputs = list(mirrored_strategy.experimental_local_results(outputs))
routputs = []
for a in outputs:
routputs.extend(a.numpy())
for i, value in zip(rindices, routputs):
result[i] = value
print(result)
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1', '/job:localhost/replica:0/task:0/device:GPU:2', '/job:localhost/replica:0/task:0/device:GPU:3')
2022-12-15 02:01:05.726671: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:784] 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: "RangeDataset/_3"
op: "RangeDataset"
input: "Const/_0"
input: "Const/_1"
input: "Const/_2"
attr {
key: "_cardinality"
value {
i: 9223372036854775807
}
}
attr {
key: "metadata"
value {
s: "\n\020RangeDataset:340"
}
}
attr {
key: "output_shapes"
value {
list {
shape {
}
}
}
}
attr {
key: "output_types"
value {
list {
type: DT_INT64
}
}
}
attr {
key: "replicate_on_split"
value {
b: true
}
}
experimental_type {
type_id: TFT_PRODUCT
args {
type_id: TFT_DATASET
args {
type_id: TFT_PRODUCT
args {
type_id: TFT_TENSOR
args {
type_id: TFT_INT64
}
}
}
}
}
WARNING:tensorflow:Using MirroredStrategy eagerly has significant overhead currently. We will be working on improving this in the future, but for now please wrap `call_for_each_replica` or `experimental_run` or `run` inside a tf.function to get the best performance.
WARNING:tensorflow:Using MirroredStrategy eagerly has significant overhead currently. We will be working on improving this in the future, but for now please wrap `call_for_each_replica` or `experimental_run` or `run` inside a tf.function to get the best performance.
WARNING:tensorflow:Using MirroredStrategy eagerly has significant overhead currently. We will be working on improving this in the future, but for now please wrap `call_for_each_replica` or `experimental_run` or `run` inside a tf.function to get the best performance.
WARNING:tensorflow:Using MirroredStrategy eagerly has significant overhead currently. We will be working on improving this in the future, but for now please wrap `call_for_each_replica` or `experimental_run` or `run` inside a tf.function to get the best performance.
{0: 0, 1: 2, 2: 4, 3: 6, 4: 8, 5: 10, 6: 12, 7: 14, 8: 16, 9: 18, 10: 20, 11: 22, 12: 24, 13: 26, 14: 28, 15: 30, 16: 32, 17: 34, 18: 36, 19: 38, 20: 40, 21: 42, 22: 44, 23: 46}
사용자가 tf.data.Dataset을 사용하여 입력을 나타내고 이후에 위에 언급한 API를 사용하여 데이터세트를 여러 장치에 분배할 수 없는 경우가 가끔 있습니다. 이러한 경우 생성기의 원시 텐서 또는 입력을 사용할 수 있습니다.
임의의 텐서 입력에 experiment_distribute_values_from_function 사용하기
strategy.run은 next(iterator)의 출력인 tf.distribute.DistributedValues를 허용합니다. 텐서 값을 전달하려면 tf.distribute.DistributedValues을 사용하여 원시 텐서에서 tf.distribute.Strategy.experimental_distribute_values_from_function를 생성합니다. 사용자는 이 옵션을 사용하여 입력 기능에서 자신의 일괄 처리 및 분할 논리를 지정해야 하는데, 이를 위해 tf.distribute.experimental.ValueContext 입력 개체를 사용합니다.
mirrored_strategy = tf.distribute.MirroredStrategy()
def value_fn(ctx):
return tf.constant(ctx.replica_id_in_sync_group)
distributed_values = mirrored_strategy.experimental_distribute_values_from_function(value_fn)
for _ in range(4):
result = mirrored_strategy.run(lambda x: x, args=(distributed_values,))
print(result)
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1', '/job:localhost/replica:0/task:0/device:GPU:2', '/job:localhost/replica:0/task:0/device:GPU:3')
WARNING:tensorflow:Using MirroredStrategy eagerly has significant overhead currently. We will be working on improving this in the future, but for now please wrap `call_for_each_replica` or `experimental_run` or `run` inside a tf.function to get the best performance.
PerReplica:{
0: tf.Tensor(0, shape=(), dtype=int32),
1: tf.Tensor(1, shape=(), dtype=int32),
2: tf.Tensor(2, shape=(), dtype=int32),
3: tf.Tensor(3, shape=(), dtype=int32)
}
PerReplica:{
0: tf.Tensor(0, shape=(), dtype=int32),
1: tf.Tensor(1, shape=(), dtype=int32),
2: tf.Tensor(2, shape=(), dtype=int32),
3: tf.Tensor(3, shape=(), dtype=int32)
}
PerReplica:{
0: tf.Tensor(0, shape=(), dtype=int32),
1: tf.Tensor(1, shape=(), dtype=int32),
2: tf.Tensor(2, shape=(), dtype=int32),
3: tf.Tensor(3, shape=(), dtype=int32)
}
PerReplica:{
0: tf.Tensor(0, shape=(), dtype=int32),
1: tf.Tensor(1, shape=(), dtype=int32),
2: tf.Tensor(2, shape=(), dtype=int32),
3: tf.Tensor(3, shape=(), dtype=int32)
}
생성기에서 입력한 경우 tf.data.Dataset.from_generator 사용하기
사용하려는 생성기 함수가 있는 경우, from_generator API를 사용하여 tf.data.Dataset 인스턴스를 생성할 수 있습니다.
참고: 현재 tf.distribute.TPUStrategy에서는 지원하지 않습니다.
mirrored_strategy = tf.distribute.MirroredStrategy()
def input_gen():
while True:
yield np.random.rand(4)
# use Dataset.from_generator
dataset = tf.data.Dataset.from_generator(
input_gen, output_types=(tf.float32), output_shapes=tf.TensorShape([4]))
dist_dataset = mirrored_strategy.experimental_distribute_dataset(dataset)
iterator = iter(dist_dataset)
for _ in range(4):
result = mirrored_strategy.run(lambda x: x, args=(next(iterator),))
print(result)
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1', '/job:localhost/replica:0/task:0/device:GPU:2', '/job:localhost/replica:0/task:0/device:GPU:3')
2022-12-15 02:01:06.101836: W tensorflow/core/grappler/optimizers/data/auto_shard.cc:784] 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: "TensorDataset/_1"
op: "TensorDataset"
input: "Placeholder/_0"
attr {
key: "Toutput_types"
value {
list {
type: DT_INT32
}
}
}
attr {
key: "_cardinality"
value {
i: 1
}
}
attr {
key: "metadata"
value {
s: "\n\021TensorDataset:364"
}
}
attr {
key: "output_shapes"
value {
list {
shape {
}
}
}
}
experimental_type {
type_id: TFT_PRODUCT
args {
type_id: TFT_DATASET
args {
type_id: TFT_PRODUCT
args {
type_id: TFT_TENSOR
args {
type_id: TFT_INT32
}
}
}
}
}
PerReplica:{
0: tf.Tensor([0.9051125], shape=(1,), dtype=float32),
1: tf.Tensor([0.4379109], shape=(1,), dtype=float32),
2: tf.Tensor([0.3473103], shape=(1,), dtype=float32),
3: tf.Tensor([0.864537], shape=(1,), dtype=float32)
}
PerReplica:{
0: tf.Tensor([0.33274612], shape=(1,), dtype=float32),
1: tf.Tensor([0.40963104], shape=(1,), dtype=float32),
2: tf.Tensor([0.6077633], shape=(1,), dtype=float32),
3: tf.Tensor([0.3069321], shape=(1,), dtype=float32)
}
PerReplica:{
0: tf.Tensor([0.75392634], shape=(1,), dtype=float32),
1: tf.Tensor([0.17748609], shape=(1,), dtype=float32),
2: tf.Tensor([0.88923043], shape=(1,), dtype=float32),
3: tf.Tensor([0.30796507], shape=(1,), dtype=float32)
}
PerReplica:{
0: tf.Tensor([0.61147165], shape=(1,), dtype=float32),
1: tf.Tensor([0.33569282], shape=(1,), dtype=float32),
2: tf.Tensor([0.76590794], shape=(1,), dtype=float32),
3: tf.Tensor([0.41486776], shape=(1,), dtype=float32)
}