首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >TensorFlow架构与设计:OP本质论

TensorFlow架构与设计:OP本质论

作者头像
用户1737318
发布2018-06-06 15:31:44
1.3K0
发布2018-06-06 15:31:44
举报
文章被收录于专栏:人工智能头条人工智能头条

作者:刘光聪 ,中兴通讯高级系统架构师,专注机器学习算法,分布式系统架构与优化。 原文:TensorFlow架构与设计:OP本质论 http://www.jianshu.com/p/236335897b30 责编:王艺 CSDN AI记者,投稿、寻求报道、深入交流请邮件wangyi@csdn.net或扫描文末二维码添加微信。 相关文章: 图解TensorFlow架构与设计 TensorFlow架构与设计:图模块 TensorFlow架构与设计:会话生命周期

TensorFlow的系统结构以C API为界,将整个系统分为「前端」和「后端」两个子系统。前端系统扮演了Client的角色,完成计算图的构造,通过转发Protobuf格式的GraphDef给后端系统的Master,并启动计算图的执行过程。

最终,Master将图进行分裂,通过RegisterGraph接口,将GraphDef的子图片段注册到Worker上。因此,GraphDef是描述计算图的知识模型,整个TensorFlow的计算过程都是围绕GraphDef所展开的。

领域模型

TensorFlow计算的单位是OP,它表示了某种抽象计算。本章首先阐述NodeDef, OpDef的元数据模型,然后通过一个简单的例子,讲述元数据的流动过程。

元数据


OP表示某种抽象计算,它拥有0个或多个「输入/输出」,及其0个或多个「属性」。其中,输入/输出以Tensor的形式存在。

在系统实现中,OP的元数据使用Protobuf格式的OpDef描述,实现前端与后端的数据交换,及其领域模型的统一。

OpDef定义

OpDef定义


OpDef定义包括OP的名字,输入输出列表,属性列表,优化选项等。其中,属性常常用于描述输入/输出的类型,大小,默认值,约束,及其OP的其他特性。

OpDef表示

OP命名

OP通过名字索引,因此必须保证OP的名字全局唯一。按照规范,OP的名字采用「驼峰」的命名风格,而Python前端则使用「小写下划线」的命名风格。后者也常常称为「OP构造器」,也是公开给用户的编程接口(API)。

另外,以下划线开头的OP被系统内部实现保留。例如,_Send, _Recv,它们用于设备间通信的OP;_Source, _Sink标识计算图的开始节点和结束节点。

输入/输出

OP的输入/输出以Tensor的形式存在,存在如下4种情况。

  • 0个Tensor
    • 零输入
    • 零输出
  • 1个Tensor
    • 类型确定
    • 类型不确定
  • 多个Tensor
    • 类型相同
    • 类型不相同

相对于OP的属性,OP的输入是动态的,其值每次迭代(Step)时,都会发生变化。

属性

OP可以拥有「属性集」,用于描述OP输入输出的类型,大小,默认值,约束,及其其他OP的特征。其中,计算图构造时,属性值(AttrValue)被确定(由NodeDef携带,通过GraphDef传递给后端执行系统)。

也就是说,OP的「属性定义」与「属性值设置」是两个分离的过程。其中,属性定义在OP注册时确定,通过AttrDef描述;属性值设置在计算图构造时确定(OP添加到计算图时),由AttrValue描述。

相对于OP的输入,OP的属性则是静态的。OP属性值在计算图构造期间确定,包括输入输出的类型,大小,形状等,在计算迭代过程之中不会发生变化。

NodeDef定义


NodeDef表示

OP索引

NodeDef通过op从OpRegistry中索引OpDef。

输入列表

通过input指定节点的输入列表,它也是构造计算图最重要的知识所在。它存在2种情况,分别表示普通边与控制依赖边。

按照约定,为了解析方便,input列表前面存储普通边,随后存储控制依赖边。

node:src_output

表示此边为普通边,承载Tensor的数据流。其中,node为前驱节点的名称,src_output为前驱节点输出边的索引。特殊地,当src_output为0时,可以略去0。

^node

表示该边为控制依赖边。其中,node为前驱节点的名称。

设备规范

通过device可以支持用户自定义设备分配方案。例如,

  • “@other/node”: 与other/node节点分配在同一设备;
  • “/job:worker/replica:0/task:1/gpu:3”:完整规范
  • “/job:worker/gpu:3”:部分规范
  • “”:空规范
属性值列表

在计算图的构造期,OP属性值得以确定,包括输入/输出的类型,Shape等信息。OP的属性值承载于OpDef的attr属性列表之中。

符号编程


TensorFlow的计算过程是一个延迟计算,是一种典型的基于符号的编程范式。从计算时间轴看,计算过程基本分为2个阶段:

  • 图构造期:负责计算图的构造;
  • 图执行期:负责计算图的执行。

其中,在系统初始化时,系统实现对所有OP进行扫描注册,并保存于OpRegistry之中。

注册OP

理论上,OP的注册发生在系统初始化阶段。后端系统,可以使用REGISTER_OP实用宏注册OP。前端系统,也存在类似的OP注册机制。

使用REGISTER_OP注册OP过程,实际上是一个REGISTER_OP描述到OpDef表示的翻译过程。OpDefBuilder通过链式调用Input, Output, Attr方法分别构造OP的输入、输出列表,及其属性列表。最后,通过调用Finalize成员函数,经过解析字符串表示,将其翻译为OpDef的内在表示,最后注册到OpRegistry之中。

OP构建过程

例如,REGISTER_OP(“ZerosLike”)向系统注册了一个zeros_like的OP,在运行时实现了OpDef的翻译表达。

OP注册

构造OP

在前端,用户使用OP构造器实现OP的构造,并将OP注册到计算图中。在计算图构造期间,OP的输入/输出的类型,Shape得以确定,OP属性值也得以确定。

计算图的构造过程,实际上就是GraphDef定义过程。其中,OP的属性值承载于NodeDef,计算图构造期间,NodeDef的属性值得以确定。

在计算图执行启动时,通过调用Session.run,将整个GraphDef传递给后端,并启动计算图的执行。例如,存在如下的计算图构造过程:

tensor = tf.constant([1, 2], name="n1")
zeros  = tf.zeros_like(tensor, name="n2")

ZerosLike的上游节点为n1,其src_output=0输出边流入ZerosLike。此时,ZerosLike的属性T的值自动推演为DT_INT32,两个节点构造了一个简单的计算图。

OP构造

执行OP

在计算图执行期间,输入由上游OP流入得以确定,根据特定设备类型,输入输出类型,多态选择合适的Kernel实现,并启动Kernel的计算过程。

例如,如果zeros_like上游输入为[1, 2, 3, 4],进过zeros_like的OP运算,输出为[0, 0, 0, 0]。

OP执行


本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-03-22,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 人工智能头条 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 元数据
  • OpDef定义
    • OP命名
      • 输入/输出
        • 属性
        • NodeDef定义
          • OP索引
            • 输入列表
              • 设备规范
                • 属性值列表
                • 符号编程
                  • 注册OP
                    • 构造OP
                      • 执行OP
                      领券
                      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档