python第三方库tensorflow_Tensorflow源码框架

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:>>> import tensorflow as tf

>>> str = tf.constant("Hello World!")

>>> se = tf.Session()

>>> 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()curr_graph = tf.Graph()

with curr_graph.as_default():

c_val = tf.constant(1.0)

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:# method 1

sess = tf.Session()

print sess.run(…)

sess.close()

# method 2

with tf.Session() as sess:

print sess.run(…)

# method 3 - 仅用于交互式环境

sess = tf.InteractiveSession()

a = tf.constant(1.0)

b = tf.constant(2.0)

c = a + b

# 我们直接使用'c.eval()' 而不是'sess.run'

print(c.eval())

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。

你可能感兴趣的:(python第三方库tensorflow_Tensorflow源码框架)