将 Horovod 与 tf.keras 一起使用时如何从检查点恢复？

Question

注意：我使用的是 TF 2.1.0 和 tf.keras API。 我在 0.18 和 0.19.2 之间的所有 Horovod 版本中都遇到了以下问题。

从 tf.keras h5 检查点恢复时，我们是否应该在所有等级上调用hvd.load_model() ，或者我们只应该在等级 0 上调用它并让BroadcastGlobalVariablesCallback回调与其他工作人员共享这些权重？ 方法 1 是否不正确/无效，因为它会扰乱训练或产生与方法 2 不同的结果？

I'm currently training a ResNet-based model with some BatchNorm layers, and if we only try to load the model on the first rank (and build/compile the model on the other ranks), we get a stalled tensor issue ( https: //github.com/horovod/horovod/issues/1271 ）。 但是，如果我们在恢复时在所有等级上调用hvd.load_model ，训练开始正常恢复但它似乎立即发散，所以我很困惑是否在所有等级上加载检查点 model （使用hvd.load_model ）会以某种方式导致训练分歧？ 但同时，由于https://github.com/horovod/horovod/issues/1271 ，我们无法仅将其加载到 rank 0，导致 Batch Norm 在 horovod 中挂起。 使用 BatchNorm tf.keras 层时，是否有人能够仅在等级 0 上成功调用hvd.load_model ？ 有人可以在这里提供一些提示吗？

谢谢！

Answer 1

根据这个： https://github.com/horovod/horovod/issues/120 ，这是解决方案：

You should also be able to specify optimizer via custom object:
model = keras.models.load_model('file.h5', custom_objects={
    'Adam': lambda **kwargs: hvd.DistributedOptimizer(keras.optimizers.Adam(**kwargs))
})