tensorflow源码编译之流程分析

标签：使用   info   flow   模型   src   后端   rpc   源码编译   cpu   

前言：

       一般来说，如果安装tensorflow主要目的是为了调试些小程序的话，只要下载相应的包，然后，直接使用pip install tensorflow即可。

      但有时我们需要将Tensorflow的功能移植到其它平台，这时就无法直接安装了。需要我们下载相应的Tensorflow源码，自已动手编译了。

正文：

       Tensorflow功能代码庞大，结构复杂；如何快速了解编译结构，就显示尤为重要了。

       Tensorflow主体结构：

         整个框架以C API为界，分为前端和后端两大部分。

        前端：提供编译模型，多语言接口支持，如：python,java,c++等。

        后端：提供运行环境，完成计算图执行，大致可分为4层：

                运行层：分布式运行时和本地运行时，负责计算图的接收，构造，编排等；

                计算层：提供各算子的内核实现，例如： conv2d，relu等；

                通信层：实现组件间数据通信，基于GRPC，RDMA两种通信方式；

                设备层：提供多种异构设备支持，如：CPU，GPU，TPU，FPGA等；

模型构造和执行流程：

                 Tensorflow图的构造与执行是分开的，用户添加完算子，构建好图后，才开始进行训练和执行。

                  流程如下：

　　　　　　　１、图构建：用户在Client中基于Tensorflow的多语言编程接口，添加算子，完成计算图的构造；

                          2、 图传递：Client开启Session，通过它建立和Master之间的连接，执行Session.run()时，将构造好的graph序列化为graphdef后，以protobuf格式传递给master。

                          3、图剪枝：master 根据session.run()传递的fetches和feeds列表，反向遍历全图full graph，实施剪枝，得到最小依赖子图；

                          未完待续。。。

tensorflow源码编译之流程分析

标签：使用   info   flow   模型   src   后端   rpc   源码编译   cpu   

原文地址：https://www.cnblogs.com/jimchen1218/p/11608640.html