tensorflow源码分析

前言：

       一般来说，如果安装tensorflow主要目的是为了调试些小程序的话，只要下载相应的包，然后，直接使用pip install tensorflow即可。

      但有时我们需要将Tensorflow的功能移植到其它平台，这时就无法直接安装了。需要我们下载相应的Tensorflow源码，自已动手编译了。

正文：

       Tensorflow功能代码庞大，结构复杂；如何快速了解源码结构，就显示尤为重要了。

       Tensorflow主体结构：

              

         整个框架以C API为界，分为前端和后端两大部分。

        前端：提供编译模型，多语言接口支持，如：python,java,c++等。

        后端：提供运行环境，完成计算图执行，大致可分为4层：

                运行层：分布式运行时和本地运行时，负责计算图的接收，构造，编排等；

                计算层：提供各算子的内核实现，例如： conv2d，relu等；

                通信层：实现组件间数据通信，基于GRPC，RDMA两种通信方式；

                设备层：提供多种异构设备支持，如：CPU，GPU，TPU，FPGA等；

模型构造和执行流程：

                 Tensorflow图的构造与执行是分开的，用户添加完算子，构建好图后，才开始进行训练和执行。

                  流程如下：

　　　　　　　１、图构建：用户在Client中基于Tensorflow的多语言编程接口，添加算子，完成计算图的构造；

                          2、 图传递：Client开启Session，通过它建立和Master之间的连接，执行Session.run()时，将构造好的graph序列化为graphdef后，以protobuf格式传递给master。

                          3、图剪枝：master 根据session.run()传递的fetches和feeds列表，反向遍历全图full graph，实施剪枝，得到最小依赖子图；

                          4、图分裂：master将最小子图分裂为多个graph partition,并注册到多个worker上，一个worker对应一个graph partition；

                          5、图二次分裂：worker根据当前可用硬件资源，如CPU，GPU，将graph partition按照op算子设备约束规范（ 例如：tf.device('/cpu:0')），二次分裂到不同设备上。每个计算设备对应一个 graph partition.

                          6、图运行：对于每一个计算设备，worker依照op在kernel中的实现，完成op的运算。设备间数据通信可以使用send/recv节点，而worker间通信，则使用GRPC或RDMA协议。

 前端多语言实现：Swig包装器

        Tensorflow提供了多种语言的前端接口，使得用户可以通过多种语言来完成模型的训练和推断。如何实现要归功于swig包装器。

        swig是一个帮助C或C++编写的软件能与其它各种高级编程语言进行嵌入联接的开发工具，在Tensorflow使用bazel编译时，swig会生成两个wrapper文件：

                1、pywrap_tensorflow_internal.py      :对接上层Python调用

                2、pywrap_tensorflow_internal.cc      :对接底层C API调用 

         pywrap_tensorflow_internal.py模块被导入时，会加载_pywrap_tensorflow_internal.so动态链接库，里面包含所有运行时接口符号。而在pywrap_tensorflow_internal.cc中，注册了一个函数符号表，实现python接口和C接口的映射。运行时，可以通过映射表，找到python接口在C层的实现。

Tensorflow源码结构

       Tensorflow源码基本按照框架分层来组织文件，如下图：

其中目录core是tensorflow的核心，源码结构如下：

Session：

      Session是连接前后端的桥梁，用户可利用session使得client能够与master的执行引擎建立连接，通过session.run()来触发一次计算。

      Session创建时，系统会分配一些资源，如graph引用，连接的计算引擎名称等，所以，计算完毕后，需要使用session.close()关闭session,避免引起内存泄漏，特别是graph无法释放问题。可以显式调用Session.close(),使用with上下文管理器，或使用InteractiveSession()

      session之间采用共享graph方式来提高 运行效率。一个session只能运行一个graph实例，但一个graph可以运行在多个session中。在session创建时，不会重新创建graph实例，而是默认graph引用计算加1.当session close时，引用计数减1.只有引用计数为0时，graph才会被回收。

      在后端master中，根据前端client调用tf.session(target='',graph=none,config=none）时指定的target，来创建不同的session.target为要连接的tf后端执行引擎，默认为空字符串。Session创建了抽象工厂模式，如果为空字符串，则创建本地DirectSession，如果以grpc：//开头，则创建分布式grpcSession。

DirectSession只能利用本地设备，将任务创建在本地的CPU和GPU上。而grpcSession可利用远端分布式设备，将任务创建在其他机器的CPU，GPU上，然后通过grpc协议通信。

       Session生命周期，大致有4个阶段：

              1、创建：通过tf.session()创建，进行系统资源分配，特别是graph引用计数加1；

              2、运行：通过session.run()触发计算的执行，client会将整图graph传递给master,由master进行执行；

              3、关闭：通过session.close()关闭，进行系统资源的回收，graph引用计数减1；

              4、销毁：Python垃圾回收器进行GC时，调用 session.__del__()回收。

           基本都在python的basesession中，通过swig自动生成的函数符号映射关系，调用C层的实现。

 

未完待续。。。