TensorFlow是什么？

　　TensorFlow基于數據流圖，用于大規模分布式數值計算的開源框架。節點表示某種抽象的計算，邊表示節點之間相互聯系的張量。

　　計算圖實例

　　TensorFlow支持各種異構的平臺，支持多CPU/GPU，服務器，移動設備，具有良好的跨平臺的特性；TensorFlow架構靈活，能夠支持各種網絡模型，具有良好的通用性；此外，TensorFlow架構具有良好的可擴展性，對OP的擴展支持，Kernel特化方面表現出眾。

　　TensorFlow最初由Google大腦的研究員和工程師開發出來，用于機器學習和神經網絡方面的研究，于2015.10宣布開源，在眾多深度學習框架中脫穎而出，在Github上獲得了最多的Star量。

　　本文將闡述TensorFlow的系統架構，幫助讀者加深理解TensorFlow的工作機理。

　　本文假設讀者已經了解TensorFlow的基本編程模型，包括計算圖， OP， Tensor， Session等基本概念。

　　系統概述 TensorFlow的系統結構以C API為界，將整個系統分為「前端」和「后端」兩個子系統：

　　前端系統：提供編程模型，負責構造計算圖；

　　后端系統：提供運行時環境，負責執行計算圖。

　　TensorFlow系統架構

　　如上圖所示，重點關注系統中如下4個基本組件，它們是系統分布式運行機制的核心。

　　Client

　　Client是前端系統的主要組成部分，它是一個支持多語言的編程環境。它提供基于計算圖的編程模型，方便用戶構造各種復雜的計算圖，實現各種形式的模型設計。

　　Client通過Session為橋梁，連接TensorFlow后端的「運行時」，并啟動計算圖的執行過程。

　　Distributed Master

　　在分布式的運行時環境中，Distributed Master根據Session.run的Fetching參數，從計算圖中反向遍歷，找到所依賴的「最小子圖」。

　　然后，Distributed Master負責將該「子圖」再次分裂為多個「子圖片段」，以便在不同的進程和設備上運行這些「子圖片段」。

　　最后，Distributed Master將這些「子圖片段」派發給Work Service；隨后Work Service啟動「子圖片段」的執行過程。

　　Worker Service

　　對于每以個任務，TensorFlow都將啟動一個Worker Service。Worker Service將按照計算圖中節點之間的依賴關系，根據當前的可用的硬件環境（GPU/CPU），調用OP的Kernel實現完成OP的運算（一種典型的多態實現技術）。

　　另外，Worker Service還要負責將OP運算的結果發送到其他的Work Service；或者接受來自其他Worker Service發送給它的OP運算的結果。

　　Kernel Implements

　　Kernel是OP在某種硬件設備的特定實現，它負責執行OP的運算。

　　組件交互

　　組件交互

　　如上圖所示，假設存在兩個任務：

　　/job:ps/task:0： 負責模型參數的存儲和更新

　　/job:worker/task:0： 負責模型的訓練或推理

　　接下來，我們將進一步抽絲剝繭，逐漸挖掘出TensorFlow計算圖的運行機制。

　　客戶端 Client基于TensorFlow的編程接口，構造計算圖。目前，TensorFlow主流支持Python和C++的編程接口，并對其他編程語言接口的支持日益完善。

　　此時，TensorFlow并未執行任何計算。直至建立Session會話，并以Session為橋梁，建立Client與后端運行時的通道，將Protobuf格式的GraphDef發送至Distributed Master。

　　也就是說，當Client對OP結果進行求值時，將觸發Distributed Master的計算圖的執行過程。

相關電子資料下載