TensorFlow架构与设计:会话生命周期
来源:互联网 发布:电台司令 评价 知乎 编辑:程序博客网 时间:2024/05/29 17:20
本文标签: 机器学习TensorFlow人工智能TensorFlow架构
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:会话生命周期
责编:王艺 CSDN AI记者,投稿、寻求报道、深入交流请邮件wangyi@csdn.net
相关文章:
图解TensorFlow架构与设计TensorFlow架构与设计:图模块
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。
系统架构
前端系统主要扮演Client的角色,主要负责计算图的构造,并管理Session生命周期过程。
前端系统是一个支持多语言的编程环境,并提供统一的编程模型支撑用户构造计算图。Client通过Session,连接TensorFlow后端的「运行时」,启动计算图的执行过程。
后端系统是TensorFlow的运行时系统,主要负责计算图的执行过程,包括计算图的剪枝,设备分配,子图计算等过程。
本文首先以Session创建为例,揭示前端Python与后端C/C++系统实现的通道,阐述TensorFlow多语言编程的奥秘。随后,以Python前端,C API桥梁,C++后端为生命线,阐述Session的生命周期过程。
Swig: 幕后英雄
前端多语言编程环境与后端C/C++实现系统的通道归功于Swig的包装器。TensorFlow使用Bazel的构建工具,在编译之前启动Swig的代码生成过程,通过tf_session.i自动生成了两个适配(Wrapper)文件:
- pywrap_tensorflow.py: 负责对接上层Python调用;
- pywrap_tensorflow.cpp: 负责对接下层C实现。
此外,pywrap_tensorflow.py模块首次被加载时,自动地加载_pywrap_tensorflow.so的动态链接库。从而实现了pywrap_tensorflow.py到pywrap_tensorflow.cpp的函数调用关系。
在pywrap_tensorflow.cpp的实现中,静态注册了一个函数符号表。在运行时,按照Python的函数名称,匹配找到对应的C函数实现,最终转调到c_api.c的具体实现。
Swig代码生成器
编程接口:Python
当Client要启动计算图的执行过程时,先创建了一个Session实例,进而调用父类BaseSession的构造函数。
# tensorflow/python/client/session.pyclass Session(BaseSession): def __init__(self, target='', graph=None, config=None): super(Session, self).__init__(target, graph, config=config) # ignoring others
在BaseSession的构造函数中,将调用pywrap_tensorflow模块中的函数。其中,pywrap_tensorflow模块自动由Swig生成。
# tensorflow/python/client/session.pyfrom tensorflow.python import pywrap_tensorflow as tf_sessionclass BaseSession(SessionInterface): def __init__(self, target='', graph=None, config=None): self._session = None opts = tf_session.TF_NewSessionOptions(target=self._target, config=config) try: with errors.raise_exception_on_not_ok_status() as status: self._session = tf_session.TF_NewDeprecatedSession(opts, status) finally: tf_session.TF_DeleteSessionOptions(opts) # ignoring others
生成代码:Swig
pywrap_tensorflow.py
在pywrap_tensorflow模块中,通过_pywrap_tensorflow将在_pywrap_tensorflow.so中调用对应的C++函数实现。
# tensorflow/bazel-bin/tensorflow/python/pywrap_tensorflow.pydef TF_NewDeprecatedSession(arg1, status): return _pywrap_tensorflow.TF_NewDeprecatedSession(arg1, status)
pywrap_tensorflow.cpp
在pywrap_tensorflow.cpp的具体实现中,它静态注册了函数调用的符号表,实现Python的函数名称到C++实现函数的具体映射。
# tensorflow/bazel-bin/tensorflow/python/pywrap_tensorflow.cppstatic PyMethodDef SwigMethods[] = { ... {"TF_NewDeprecatedSession", _wrap_TF_NewDeprecatedSession, METH_VARARGS, NULL},}PyObject *_wrap_TF_NewDeprecatedSession( PyObject *self, PyObject *args) { TF_SessionOptions* arg1 = ... TF_Status* arg2 = ... TF_DeprecatedSession* result = TF_NewDeprecatedSession(arg1, arg2); // ignoring others implements}
最终,自动生成的pywrap_tensorflow.cpp仅仅负责函数调用的转发,最终将调用底层C系统向上提供的API接口。
C API:桥梁
c_api.h是TensorFlow的后端执行系统面向前端开放的公共API接口之一,自此将进入TensorFlow后端系统的浩瀚天空。
// tensorflow/c/c_api.cTF_DeprecatedSession* TF_NewDeprecatedSession( const TF_SessionOptions*, TF_Status* status) { Session* session; status->status = NewSession(opt->options, &session); if (status->status.ok()) { return new TF_DeprecatedSession({session}); } else { return NULL; }}
后端系统:C++
NewSession将根据前端传递的Session.target,使用SessionFactory多态创建不同类型的Session(C++)对象。
Status NewSession(const SessionOptions& options, Session** out_session) { SessionFactory* factory; Status s = SessionFactory::GetFactory(options, &factory); if (!s.ok()) { *out_session = nullptr; LOG(ERROR) << s; return s; } *out_session = factory->NewSession(options); if (!*out_session) { return errors::Internal("Failed to create session."); } return Status::OK();}
会话生命周期
下文以前端Python,桥梁C API,后端C++为生命线,理顺三者之间的调用关系,阐述Session的生命周期过程。
在Python前端,Session的生命周期主要体现在:
Session._extend_graph(graph)
- 创建Session(target)
- 迭代执行Session.run(fetches, feed_dict)
- Session.TF_Run(feeds, fetches, targets)
- 关闭Session
- 销毁Session
sess = Session(target)for _ in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})sess.close()
相应地,C++后端,Session的生命周期主要体现在:
- 根据target多态创建Session
- Session.Create(graph):有且仅有一次
- Session.Extend(graph):零次或多次
- 迭代执行Session.Run(inputs, outputs, targets)
- 关闭Session.Close
- 销毁Session对象
// create/load graph ...tensorflow::GraphDef graph;// local runtime, target is ""tensorflow::SessionOptions options;// create Sessionstd::unique_ptr<tensorflow::Session> sess(tensorflow::NewSession(options));// create graph at initialization.tensorflow::Status s = sess->Create(graph);if (!s.ok()) { ... }// run stepstd::vector<tensorflow::Tensor> outputs;s = session->Run( {}, // inputs is empty {"output:0"}, // outputs names {"update_state"}, // target names &outputs); // output tensorsif (!s.ok()) { ... }// closesession->Close();
创建会话
上文介绍了Session创建的详细过程,从Python前端为起点,通过Swig自动生成的Python-C++的包装器为媒介,实现了Python到TensorFlow的C API的调用。
其中,C API是前端系统与后端系统的分水岭。后端C++系统根据前端传递的Session.target,使用SessionFactory多态创建Session(C++)对象。
创建会话
从严格的角色意义上划分,GrpcSession依然扮演了Client的角色。它使用target,通过RPC协议与Master建立通信连接,因此,GrpcSession同时扮演了RPC Client的角色。
Session多态创建
创建/扩展图
随后,Python前端将调用Session.run接口,将构造好的计算图,以GraphDef的形式发送给C++后端。
其中,前端每次调用Session.run接口时,都会试图将新增节点的计算图发送给后端系统,以便后端系统将新增节点的计算图Extend到原来的计算图中。特殊地,在首次调用Session.run时,将发送整个计算图给后端系统。
后端系统首次调用Session.Extend时,转调(或等价)Session.Create;以后,后端系统每次调用Session.Extend时将真正执行Extend的语义,将新增的计算图的节点追加至原来的计算图中。
随后,后端将启动计算图执行的准备工作。
创建/扩展图
迭代运行
接着,Python前端Session.run实现将Feed, Fetch列表准备好,传递给后端系统。后端系统调用Session.Run接口。
后端系统的一次Session.Run执行常常被称为一次Step,Step的执行过程是TensorFlow运行时的核心。
每次Step,计算图将正向计算网络的输出,反向传递梯度,并完成一次训练参数的更新。首先,后端系统根据Feed, Fetch,对计算图(常称为Full Graph)进行剪枝,得到一个最小依赖的计算子图(常称为Client Graph)。
然后,运行时启动设备分配算法,如果节点之间的边横跨设备,则将该边分裂,插入相应的Send与Recv节点,实现跨设备节点的通信机制。
随后,将分裂出来的子图片段(常称为Partition Graph)注册到相应的设备上,并在本地设备上启动子图片段的执行过程。
Run Step
关闭会话
当计算图执行完毕后,需要关闭Session,以便释放后端的系统资源,包括队列,IO等。会话关闭流程较为简单,如下图所示。
关闭会话
销毁会话
最后,会话关闭之后,Python前端系统启动GC,当Session.del被调用后,启动后台C++的Session对象销毁过程。
销毁会话
写在最后:FOR Freedom 看看外边的世界,以及IT这一行,少不了去Google查资料,最后,安利一个加速器代理。一枝红杏 加速器,去Google查资料是绝对首选,连接速度快,使用也方便。我买的是99¥一年的,通过这个链接(http://my.yizhihongxing.com/aff.php?aff=2509)注册后输上优惠码wh80,终身85折 ,平摊下来,每月才7块钱,特实惠。
本文标签: 机器学习TensorFlow人工智能TensorFlow架构
AndroidAndroid开发技巧addOnPreDrawListenerAndroid+View
希尔排序插入排序算法选择排序
AndroidAndroid开发技巧Android图片选择器setImageURI 互联网杂谈
转自 SUN'S BLOG - 专注互联网知识,分享互联网精神!
原文地址: 《TensorFlow架构与设计:会话生命周期》
相关阅读: 对程序员有用:2017最新能上Google的hosts文件下载及总结网友遇到的各种hosts问题解决方法及配置详解
相关BLOG:SUN’S BLOG- 专注互联网知识,分享互联网精神!去看看:www.whosmall.com
原文地址:http://whosmall.com/?post=342
- TensorFlow架构与设计:会话生命周期
- TensorFlow架构与设计:会话生命周期
- TensorFlow架构及设计之会话生命周期详解
- TensorFlow架构与设计
- 图解TensorFlow架构与设计
- TensorFlow架构与设计:OP本质论
- TensorFlow的张量与会话
- 分布式会话跟踪系统架构设计与实践
- 【干货】图解TensorFlow架构与设计-深度学习世界
- mysql 架构与生命周期
- 1.1 Tensorflow笔记(基础篇): 图与会话,变量
- TensorFlow基础:Session(会话)
- Tensorflow——会话
- Tensorflow之会话操作
- 架构设计之Spring-Session的分布式集群会话管理
- 架构设计之Spring-Session分布式集群会话管理
- 架构设计之Spring-Session分布式集群会话管理
- 架构设计之Spring-Session分布式集群会话管理
- TensorFlow入门 mint.py
- 腾讯2017年实习生招聘编程题——字符移位
- Linux下Redis快速安装
- 旋转数组中的最小数字
- 欧几里得算法与其扩展 Romantic
- TensorFlow架构与设计:会话生命周期
- RocketMQ与Kafka对比(18项差异)
- CODE[VS] 1474 十进制转m进制
- Power of two
- C++友元类例子
- Unity说明文档翻译-Inspector Options
- 息中间件(一)分布式系统事务一致性解决方案大对比,谁最好使?
- MySQL存储过程及触发器
- Android开发实践:拷贝assets到sdcard