为了账号安全,请及时绑定邮箱和手机立即绑定

Tensorflow源码框架

标签:
人工智能

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:

  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()

  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:

  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。

原文出处

点击查看更多内容
TA 点赞

若觉得本文不错,就分享一下吧!

评论

作者其他优质文章

正在加载中
  • 推荐
  • 评论
  • 收藏
  • 共同学习,写下你的评论
感谢您的支持,我会继续努力的~
扫码打赏,你说多少就多少
赞赏金额会直接到老师账户
支付方式
打开微信扫一扫,即可进行扫码打赏哦
今天注册有机会得

100积分直接送

付费专栏免费学

大额优惠券免费领

立即参与 放弃机会
意见反馈 帮助中心 APP下载
官方微信

举报

0/150
提交
取消