Tensorflow[目录结构]

1 - Tensorflow源码目录结构

基于2018年5月28日github的tensorflow源码，即1.8版本

第一层：

tensorflow： 核心代码目录。
third_party：第三方库，包括：eigen3，fft2d，hadoop，mkl，probuf ，kafka，mpi，tensorRT，nccl，grpc等等。
tools：只有两个文件 bazel.rc 和 tf_env_collect.sh。
util/python：存放用到的 python 工具，不过当前版本其中只有一个BUILD文件。

tensorflow：

c：
cc：
compiler：
contrib：存放有其他项目贡献者添加的相关贡献代码，非核心官方代码
core：这是 tensorflow 的核心代码模块.
docs_str:以md呈现的帮助文档
examples:以jupyter notebook呈现的例子文档
g3doc:为空，都迁移到docs_str
go，java，python：主要的第三方 API，其中python是最全的接口
stream_executor：tensorflow 流图的并行计算执行，核心代码，主要是关于cuda的封装。
tools:
user_ops:

tensorflow/core：Core 目录是代码最核心的部分，包含 框架、图、会话、runtime 最核心的部分

api_def:
common_runtime：公共运行库，包含 会话（session）、线程（thread），内存管理（memory）, 设备调度（device）等基本运行库。
debug:
distributed_runtime：分布式运行库，与上面类似，作为分布式情况下的运行库，提供运行支撑。
example:
framework：框架基础模块定义，主要是通用组件的结构格式定义；
graph：计算流图相关基础操作（类结构），包括 拆分、合并、执行 等操作，被外面的 executor 调用；
kernels：核心操作定义，像常用的运算 matmul，sigmoid 等操作；
lib：基础库用于内部调用，包括 hash、io、jpeg、math 等；
ops：对 kernel 下的op进行注册和对外声明；
platform: 针对不同平台的依赖
profiler：
protobuf：Google 的传输交换模块，用于传输时的数据序列化；
public:
user_ops:
util:

2 - Tensorflow运行目录结构

上述是基于tensorflow的源码进行目录结构展示，而我们通常使用的时候，是基于编译后的，即所谓运行的目录。基于tensorflow_gpu 1.7,采用命令

tree -L 1 -F -C tensorflow

对centos系统中"Anaconda3/lib/python3.6/site-packages"下面的tensorflow进行目录展示

图2.1 tensorflow一级目录结构
其中，contrib较为特殊，其中涉及的部分较多

图2.2 tensorflow/contrib一级目录结构

图2.3 tensorflow中其他子目录的一级目录结构
当我们运行

import tensorflow as tf

会自动执行"tensorflow/_init_.py"该文件，而该文件中有如图所示的一行代码，会自动将tensorflow/python下的py文件都导入进来

然而tensorflow/python同时会自动运行tensorflow/python/_init_.py

从而在顶层空间中会有keras等变量，可以直接通过tf.keras进行访问，而其对应的就是tensorflow/python/keras文件夹。当然该初始化文件中还有部分是导入tensorflow/core的

所以，我们通常直接访问tf.xxx都是在访问tensorflow/python和tensorflow/core等下面的部分；当然因为tensorflow/_init_.py下面有如

del python
del core

等代码，从而，我们在不显式导入的基础上，只是访问

tensorflow/python/{keras,layers,...}
tensorflow/contrib
tensorflow/tools

这三个部分的文件夹路径

参考文献：

posted @ 2018-05-29 19:39  仙守  阅读(4562)  评论(0)  编辑  收藏  举报