Chinaunix首页 | 论坛 | 博客
  • 博客访问: 1060235
  • 博文数量: 228
  • 博客积分: 474
  • 博客等级: 下士
  • 技术积分: 1930
  • 用 户 组: 普通用户
  • 注册时间: 2010-03-19 18:40
文章分类

全部博文(228)

文章存档

2019年(3)

2018年(12)

2017年(13)

2016年(11)

2015年(55)

2014年(75)

2013年(39)

2012年(2)

2011年(18)

我的朋友

分类: C/C++

2019-03-25 22:31:35

转自:https://blog.csdn.net/gubenpeiyuan/article/details/80305781

TensorFlow 源码

       截止到目前为止,TensorFlow 在 【Github】 的 Contributors 已经接近900人,Fork 30000次。

       学习这么庞大的开源项目,首先必须要搞清楚其代码组织形式,我们先来看目录结构:

    

       Project 目录分为4个:

1)tensorflow

     核心代码目录,图中可以看到其子目录结构,后面我们会展开讲解。

2)third_party

     第三方库,包括:eigen3,fft2d,hadoop,mkl,probuf 等。

3)tools

     只有两个文件 bazel.rc 和 tf_env_collect.sh。

4)util/python

     存放用到的 python 工具。

另外一个比较重要的文件是 configure,用于配置 tensorflow 的安装环境。

        

       对于 tensorflow 核心目录,里面比较关键的几个模块:

1.1)core

        这是 tensorflow 的核心代码模块.

1.2)tensorboard

        不用解释,应该都清楚,这是可视化工具 tensorboard 的代码目录。

1.3)stream_executor

        tensorflow 流图的并行计算执行,核心代码。

1.4)go,java,python

        主要的第三方 API。

1.5)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,有具体方向的应用可以参考这里面的模块。

        

二. 核心代码目录 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,主要模块包括:

● 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。

● 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。

● 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;

● protobuf:Google 的传输交换模块,用于传输时的数据序列化;



三. Graph 与 Session

       关于 Graph 和 Session 前面已经有篇幅讲过,概念上可能大家并没有完全理解,本篇再讲一下。

● Graph

       首先搞清一个概念,Graph 是 Tensorflow 必须要存在的,是灵魂核心,你所看到的任何一个 图都是通过 Graph来组织的。

        

       再来看一段你已经很熟悉的代码:

[python] view plain copy
  1. >>> import tensorflow as tf    
  2. >>> str = tf.constant("Hello World!")    
  3. >>> se = tf.Session()    
  4. >>> print se.run(str)  

     没看到 Graph 的创建对不对? 实际上在你创建 Session 的时候,系统自动为你创建了一个 默认Graph,用于接下来所有 OP 的组织和存放。

     某些情况下,你可以同时维护两个以上的 Graph,比如我们经常会遇到这样一句,  tf.Graph.as_default()

[python] view plain copy
  1. curr_graph = tf.Graph()  
  2. with curr_graph.as_default():   
  3.     c_val = tf.constant(1.0)  
  4.     assert c_val.graph is curr_graph  
     在定义 OP 操作的时候可以选择Graph 作为 default,那么你所创建的 OP 就建立在对应 Graph 下面了。


● Session

       TensorFlow 的 Session 用法你可能比较熟了,来回顾一下:

[python] view plain copy
  1. # method 1  
  2. sess = tf.Session()  
  3. print sess.run(…)  
  4. sess.close()  
  5.   
  6. # method 2  
  7. with tf.Session() as sess:  
  8.    print sess.run(…)  
  9.   
  10. # method 3 - 仅用于交互式环境  
  11. sess = tf.InteractiveSession()  
  12. a = tf.constant(1.0)  
  13. b = tf.constant(2.0)  
  14. c = a + b  
  15. # 我们直接使用'c.eval()' 而不是'sess.run'  
  16. print(c.eval())  
  17. sess.close()  

       对于 Graph 和 Session 的关系,需要记住,Graph 可以在对应多个 Session 中执行。

阅读(119763) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~
评论热议
请登录后评论。

登录 注册