TensorFlow架构与设计：OP本质论

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

---------------------------------------------------------------------------------------------------------------------------------------------------------------

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