Tensorflow TF2.x急切模式现在无法支持ParameterServerStrategy？
TF版本：最新母版，b083cea 下面是一个使用TF2.0急切模式的简单示例，它使用MirroredStrategy成功运行，但使用ParameterServerStrategy出错 TF2.0急切模式现在可以支持ParameterServerStrategy吗？到目前为止，我还没有找到一个成功的例子：(Tensorflow TF2.x急切模式现在无法支持ParameterServerStrategy？,tensorflow,machine-learning,keras,tensorflow2.0,eager,Tensorflow,Machine Learning,Keras,Tensorflow2.0,Eager,TF版本：最新母版，b083cea 下面是一个使用TF2.0急切模式的简单示例，它使用MirroredStrategy成功运行，但使用ParameterServerStrategy出错 TF2.0急切模式现在可以支持ParameterServerStrategy吗？到目前为止，我还没有找到一个成功的例子：( 来自未来导入绝对导入、除法、打印函数、unicode文本 导入tensorflow作为tf 将tensorflow_数据集作为TFD导入 导入操作系统，json 数据集，info=tfds.
来自未来导入绝对导入、除法、打印函数、unicode文本
导入tensorflow作为tf
将tensorflow_数据集作为TFD导入
导入操作系统，json
数据集，info=tfds.load（name='mnist'，其中\u info=True，as\u supervised=True）
mnist_列，mnist_测试=数据集['train'，数据集['test']
os.environ['TF_CONFIG']=json.dumps({
“集群”：{
“worker”：[“localhost:12345”]，
“ps”：[“本地主机：12346”]
},
“任务”：{“类型”：“工作者”，“索引”：0}
})
strategy=tf.distribute.experimental.ParameterServerStrategy（）
#strategy=tf.distribute.MirroredStrategy（）
打印（'Number of devices:{}'。格式（strategy.num\u replications\u in\u sync））
num_train_examples=info.splits['train'].num_examples
num_test_examples=info.splits['test'].num_examples
缓冲区大小=10000
每个副本的批处理大小=64
BATCH\u SIZE=BATCH\u SIZE\u PER\u REPLICA*strategy.num\u replications\u in\u sync
def刻度（图像、标签）：
image=tf.cast（image，tf.float32）
图像/=255
返回图像、标签
train\u dataset=mnist\u train.map（比例）、shuffle（缓冲区大小）、batch（批大小）
eval\u数据集=mnist\u test.map（比例）。批次（批次大小）
使用strategy.scope（）：
模型=tf.keras.Sequential([
Conv2D（32,3，activation='relu'，input_shape=（28,28,1）），
tf.keras.layers.MaxPoolig2D（），
tf.keras.layers.flatte（），
tf.keras.layers.Dense（64，活化='relu'），
tf.keras.layers.Dense（10，活化='softmax'）
])
model.compile（loss='sparse\u categorical\u crossentropy'，
optimizer=tf.keras.optimizers.Adam（），
指标=[‘准确度’]）
检查点目录='/培训检查点'
#检查点文件的名称
checkpoint_prefix=os.path.join（checkpoint_dir，“ckpt{epoch}”）
#用于衰减学习速率的函数。
#可以定义所需的任何衰减函数。
def衰减（历元）：
如果历元<3：
返回1e-3
elif epoch>=3和epoch<7：
返回1e-4
其他：
返回1e-5
#用于在每个历元结束时打印LR的回调。
类PrintLR（tf.keras.callbacks.Callback）：
def on_epoch_end（self、epoch、logs=None）：
打印（“\n历元{}的学习率为{}”。格式（历元+1，
model.optimizer.lr.numpy（））
回调=[
tf.keras.callbacks.TensorBoard（log_dir='./logs'），
tf.keras.callbacks.ModelCheckpoint（filepath=checkpoint\u前缀，
保存权重（仅为真），
tf.keras.callbacks.LearningRateScheduler（衰退），
PrintLR（）
]
model.fit（train_数据集，epochs=12，callbacks=callbacks）
模型.负载重量（tf.列车.最新检查点（检查点方向））
评估损失，评估acc=model.evaluate（评估数据集）
打印（'Eval loss:{}，Eval acc:{}'。格式（Eval_loss，Eval_acc））
tf.distribute.experimental.ParameterServerStrategy（）strategy = tf.distribute.experimental.ParameterServerStrategy()
run_config = tf.estimator.RunConfig(
experimental_distribute.train_distribute=strategy)
estimator = tf.estimator.Estimator(config=run_config)
tf.estimator.train_and_evaluate(estimator,...)