TensorFlow是什么?TensorFlow入门与实践 架构与设计详解 |
您所在的位置:网站首页 › tensorflow能干什么 › TensorFlow是什么?TensorFlow入门与实践 架构与设计详解 |
作者:刘光聪 链接:http://www.jianshu.com/p/a5574ebcdeab TensorFlow是什么? TensorFlow基于数据流图,用于大规模分布式数值计算的开源框架。节点表示某种抽象的计算,边表示节点之间相互联系的张量。 计算图实例 TensorFlow支持各种异构的平台,支持多CPU/GPU,服务器,移动设备,具有良好的跨平台的特性;TensorFlow架构灵活,能够支持各种网络模型,具有良好的通用性;此外,TensorFlow架构具有良好的可扩展性,对OP的扩展支持,Kernel特化方面表现出众。 TensorFlow最初由Google大脑的研究员和工程师开发出来,用于机器学习和神经网络方面的研究,于2015.10宣布开源,在众多深度学习框架中脱颖而出,在Github上获得了最多的Star量。 本文将阐述TensorFlow的系统架构,帮助读者加深理解TensorFlow的工作机理。 本文假设读者已经了解TensorFlow的基本编程模型,包括计算图,OP,Tensor,Session等基本概念。 系统概述 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:提供编程模型,负责构造计算图; 后端系统:提供运行时环境,负责执行计算图。 TensorFlow系统架构 如上图所示,重点关注系统中如下4个基本组件,它们是系统分布式运行机制的核心。 Client Client是前端系统的主要组成部分,它是一个支持多语言的编程环境。它提供基于计算图的编程模型,方便用户构造各种复杂的计算图,实现各种形式的模型设计。 Client通过Session为桥梁,连接TensorFlow后端的「运行时」,并启动计算图的执行过程。 Distributed Master 在分布式的运行时环境中,Distributed Master根据Session.run的Fetching参数,从计算图中反向遍历,找到所依赖的「最小子图」。 然后,Distributed Master负责将该「子图」再次分裂为多个「子图片段」,以便在不同的进程和设备上运行这些「子图片段」。 最后,Distributed Master将这些「子图片段」派发给Work Service;随后Work Service启动「子图片段」的执行过程。 Worker Service 对于每以个任务,TensorFlow都将启动一个Worker Service。Worker Service将按照计算图中节点之间的依赖关系,根据当前的可用的硬件环境(GPU/CPU),调用OP的Kernel实现完成OP的运算(一种典型的多态实现技术)。 另外,Worker Service还要负责将OP运算的结果发送到其他的Work Service;或者接受来自其他Worker Service发送给它的OP运算的结果。 Kernel Implements Kernel是OP在某种硬件设备的特定实现,它负责执行OP的运算。 组件交互 组件交互 如上图所示,假设存在两个任务: /job:ps/task:0: 负责模型参数的存储和更新 /job:worker/task:0: 负责模型的训练或推理 接下来,我们将进一步抽丝剥茧,逐渐挖掘出TensorFlow计算图的运行机制。 客户端 Client基于TensorFlow的编程接口,构造计算图。目前,TensorFlow主流支持Python和C++的编程接口,并对其他编程语言接口的支持日益完善。 此时,TensorFlow并未执行任何计算。直至建立Session会话,并以Session为桥梁,建立Client与后端运行时的通道,将Protobuf格式的GraphDef发送至Distributed Master。 也就是说,当Client对OP结果进行求值时,将触发Distributed Master的计算图的执行过程。 如下图所示,Client构建了一个简单计算图。它首先将w与x进行矩阵相乘,再与截距b按位相加,最后更新至s。 构造计算图 Distributed Master 在分布式的运行时环境中,Distributed Master根据Session.run的Fetching参数,从计算图中反向遍历,找到所依赖的最小子图。 然后Distributed Master负责将该子图再次分裂为多个「子图片段」,以便在不同的进程和设备上运行这些「子图片段」。 最后,Distributed Master将这些图片段派发给Work Service。随后Work Service启动「本地子图」的执行过程。 Distributed Master将会缓存「子图片段」,以便后续执行过程重复使用这些「子图片段」,避免重复计算。 执行图计算 如上图所示,Distributed Master开始执行计算子图。在执行之前,Distributed Master会实施一系列优化技术,例如「公共表达式消除」,「常量折叠」等。随后,Distributed Master负责任务集的协同,执行优化后的计算子图。 子图片段 子图片段 如上图所示,存在一种合理的「子图片段」划分算法。Distributed Master将模型参数相关的OP进行分组,并放置在PS任务上。其他OP则划分为另外一组,放置在Worker任务上执行。 SEND/RECV节点 插入SEND/RECV节点 如上图所示,如果计算图的边被任务节点分割,Distributed Master将负责将该边进行分裂,在两个分布式任务之间插入SEND和RECV节点,实现数据的传递。 随后,Distributed Master将「子图片段」派发给相应的任务中执行,在Worker Service成为「本地子图」,它负责执行该子图的上的OP。 Worker Service 对于每个任务,都将存在相应的Worker Service,它主要负责如下3个方面的职责: 处理来自Master的请求; 调度OP的Kernel实现,执行本地子图; 协同任务之间的数据通信。 执行本地子图 Worker Service派发OP到本地设备,执行Kernel的特定实现。它将尽最大可能地利用多CPU/GPU的处理能力,并发地执行Kernel实现。 另外,TensorFlow根据设备类型,对于设备间的SEND/RECV节点进行特化实现: 使用cudaMemcpyAsync的API实现本地CPU与GPU设备的数据传输; 对于本地的GPU之间则使用端到端的DMA,避免了跨host CPU昂贵的拷贝过程。 对于任务之间的数据传递,TensorFlow支持多协议,主要包括: gRPC over TCP RDMA over Converged Ethernet Kernel Implements TensorFlow的运行时包含200多个标准的OP,包括数值计算,多维数组操作,控制流,状态管理等。每一个OP根据设备类型都会存在一个优化了的Kernel实现。在运行时,运行时根据本地设备的类型,为OP选择特定的Kernel实现,完成该OP的计算。 TensorFlow Core 其中,大多数Kernel基于Eigen::Tensor实现。Eigen::Tensor是一个使用C++模板技术,为多核CPU/GPU生成高效的并发代码。但是,TensorFlow也可以灵活地直接使用cuDNN实现更高效的Kernel。 此外,TensorFlow实现了矢量化技术,使得在移动设备,及其满足高吞吐量,以数据为中心的应用需求,实现更高效的推理。 如果对于复合OP的子计算过程很难表示,或执行效率低下,TensorFlow甚至支持更高效的Kernle实现的注册,其扩展性表现相当优越。 技术栈 最后,按照TensorFlow的软件层次,通过一张表格罗列TensorFlow的技术栈,以便更清晰地对上述内容做一个简单回顾。 相关学习资料移步: |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |