TL; DR：
TensorFlow对“参数服务器”一无所知，但它支持在不同进程中跨多个设备运行图形。其中一些进程的设备名称以开头
"/job:ps"，并且其中包含变量。工人负责培训过程，当他们运行培训过程时，
train_op将导致
"/job:ps"设备上发生工作，这将更新共享变量。
该
server.join()方法只是告诉TensorFlow阻塞并监听请求，直到服务器关闭为止（这意味着它永远永久阻塞，或者直到您终止进程为止，因为当前尚未实现干净关闭）。
在我上一个答案的示例中，PS任务是被动的，并且一切都由…中的工作程序任务控制
##some training pre。如果您将代码拆分到多个设备上，TensorFlow将添加适当的通信，这将扩展到不同进程中的设备。该
withtf.device(tf.train.replica_device_setter(...)):块告诉TensorFlow通过将其设备设置为
"/job:ps/task:{i}"（对于的不同值{i}，以循环方式选择）将每个变量置于不同的PS任务上。当您调用时
sess.run(train_op)，TensorFlow将运行一个依赖并更新变量的图，并包括更新变量的操作。这部分计算将在
"/job:ps"设备上进行，因此这些设备将充当参数服务器。
