域名到期了网站会打不开吗,北京哪个网站最好,长沙网页培训,网页制作收入1 主流深度学习框架对比
当今的软件开发基本都是分层化和模块化的#xff0c;应用层开发会基于框架层。比如开发Linux Driver会基于Linux kernel#xff0c;开发Android app会基于Android Framework。深度学习也不例外#xff0c;框架层为上层模型开发提供了强大的多语言接…1 主流深度学习框架对比
当今的软件开发基本都是分层化和模块化的应用层开发会基于框架层。比如开发Linux Driver会基于Linux kernel开发Android app会基于Android Framework。深度学习也不例外框架层为上层模型开发提供了强大的多语言接口、稳定的运行时、高效的算子以及完备的通信层和设备层管理层。因此各大公司早早的就开始了深度学习框架的研发以便能占领市场。当前的框架有数十种之多主流的如下截止到2018年11月 显然TensorFlow是独一无二的王者。第二名Keras它是对TensorFlow或Theano接口的二次封装严格意义上并不是一个独立的深度学习框架。TensorFlow目前也已经集成了Keras使得安装了TensorFlow的用户就可以直接使用Keras了。
TensorFlow之所以能够从数十种框架中脱颖而出主要优点有
出身高贵是谷歌出品的。但其他很多框架出身也不差例如PyTorch之于FacebookMXNET之于Amazon2015年就开源了比较早的俘获了一大批开发者。这个确实是tf的一大先发优势但PyTorch的前身Caffe以及MXNET开源时间都不晚而且Caffe流行时间比tf早后来才被赶超的。更有Theano这样的绝对老前辈。由此可见软件开源是多么重要。目前流行的深度学习框架也基本都开源了。支持的开发语言多支持Python Java Go C等多种流行语言。相比某些框架确实是优势很大。相比MXNET则小巫见大巫了。MXNET早期发展的一个主要方向就是前端多语言的支持连MATLAB R Julia等语言都支持了。运行效率高。早期的时候其实tf的运行效率比很多框架都要低一些的。安装容易用户上手快文档齐全社区活跃。这个是tf的一个较大优势特别是社区方面也就是我们常说的生态优势。互联网头部集中效应十分明显体现在开源软件上也是一样。这也是我认为最大的一个优势。
总结起来TensorFlow虽然每个方面都不是绝对领先的优势但贵在每个方面都做的不错因此最终能够一骑绝尘独领风骚。
学习Tensorflow框架内核可以理解前端接口语言的支持session生命周期graph的构建、分裂和执行operation的注册和运行模块间数据通信本地运行和分布式运行模式以及CPU GPU TPU等异构设备的封装支持等。学习这些对于模型的压缩 加速 优化等都是大有裨益的。
2 TensorFlow系统架构
TensorFlow设计十分精巧基于分层和模块化的设计思想进行开发的。框架如下图 整个框架以C API为界分为前端和后端两大部分。
前端提供编程模型多语言的接口支持比如Python Java C等。通过C API建立前后端的连接后面详细讲解。 后端提供运行环境完成计算图的执行。进一步分为4层 运行时分为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op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和RDMA两种通信方式设备层提供多种异构设备的支持如CPU GPU TPU FPGA等
模型构造和执行流程
TensorFlow的一大特点是图的构造和执行相分离。用户添加完算子构建好整图后才开始进行训练和执行也就是图的执行。大体流程如下
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。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的格式传递给master。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图分裂master将最小子图分裂为多个Graph Partition并注册到多个worker上。一个worker对应一个Graph Partition。图二次分裂worker根据当前可用硬件资源如CPU GPU将Graph Partition按照op算子设备约束规范例如tf.device(/cpu:0)二次分裂到不同设备上。每个计算设备对应一个Graph Partition。图运行对于每一个计算设备worker依照op在kernel中的实现完成op的运算。设备间数据通信可以使用send/recv节点而worker间通信则使用GRPC或RDMA协议。3 前端多语言实现 - swig包装器
TensorFlow提供了很多种语言的前端接口使得用户可以通过多种语言来完成模型的训练和推断。其中Python支持得最好。这也是TensorFlow之所以受欢迎的一大原因。前端多语言是怎么实现的呢这要归功于swig包装器。
swig是个帮助使用C或者C编写的软件能与其它各种高级编程语言进行嵌入联接的开发工具。在TensorFlow使用bazel编译时swig会生成两个wrapper文件
pywrap_tensorflow_internal.py对接上层Python调用pywrap_tensorflow_internal.cc对接底层C API调用。
pywrap_tensorflow_internal.py 模块被导入时会加载_pywrap_tensorflow_internal.so动态链接库它里面包含了所有运行时接口的符号。而pywrap_tensorflow_internal.cc中则注册了一个函数符号表实现Python接口和C接口的映射。运行时就可以通过映射表找到Python接口在C层的实现了。 4 tensorflow 源码结构
TensorFlow源码基本也是按照框架分层来组织文件的。如下 其中core为tf的核心它的源码结构如下 5 总结
TensorFlow框架设计精巧代码量也很大我们可以从以下部分逐步学习
TensorFlow内核架构和源码结构。先从全局上对框架进行理解。前后端连接的桥梁--Session重点理解session的生命周期并通过相关源码可以加深理解Python前端如何调用底层C实现。TensorFlow核心对象—Graph。图graph是TensorFlow最核心的对象基本都是围绕着它来进行的。graph的节点为算子operation边为数据tensor。TensorFlow图的节点 -- Operation。operation是图graph的节点承载了计算算子。TensorFlow图的边 -- Tensor。Tensor是图graph的边承载了计算的数据。TensorFlow本地运行时。TensorFlow分布式运行时。和本地运行时有一些共用的接口但区别也很大。TensorFlow设备层。主要了解设备层的定义规范以及实现。TensorFlow队列和并行运算。TensorFlow断点检查checkpoint模型保存Saver以及可视化tensorboard。这三个为TensorFlow主要的工具。
原文链接 本文为云栖社区原创内容未经允许不得转载。
