TensorFlow是什么？

　　TensorFlow基于數(shù)據(jù)流圖，用于大規(guī)模分布式數(shù)值計算的開源框架。節(jié)點表示某種抽象的計算，邊表示節(jié)點之間相互聯(lián)系的張量。

　　計算圖實例

　　TensorFlow支持各種異構(gòu)的平臺，支持多CPU/GPU，服務(wù)器，移動設(shè)備，具有良好的跨平臺的特性；TensorFlow架構(gòu)靈活，能夠支持各種網(wǎng)絡(luò)模型，具有良好的通用性；此外，TensorFlow架構(gòu)具有良好的可擴展性，對OP的擴展支持，Kernel特化方面表現(xiàn)出眾。

　　TensorFlow最初由Google大腦的研究員和工程師開發(fā)出來，用于機器學習和神經(jīng)網(wǎng)絡(luò)方面的研究，于2015.10宣布開源，在眾多深度學習框架中脫穎而出，在Github上獲得了最多的Star量。

　　本文將闡述TensorFlow的系統(tǒng)架構(gòu)，幫助讀者加深理解TensorFlow的工作機理。

　　本文假設(shè)讀者已經(jīng)了解TensorFlow的基本編程模型，包括計算圖， OP， Tensor， Session等基本概念。

　　系統(tǒng)概述 TensorFlow的系統(tǒng)結(jié)構(gòu)以C API為界，將整個系統(tǒng)分為「前端」和「后端」兩個子系統(tǒng)：

　　前端系統(tǒng)：提供編程模型，負責構(gòu)造計算圖；

　　后端系統(tǒng)：提供運行時環(huán)境，負責執(zhí)行計算圖。

　　TensorFlow系統(tǒng)架構(gòu)

　　如上圖所示，重點關(guān)注系統(tǒng)中如下4個基本組件，它們是系統(tǒng)分布式運行機制的核心。

　　Client

　　Client是前端系統(tǒng)的主要組成部分，它是一個支持多語言的編程環(huán)境。它提供基于計算圖的編程模型，方便用戶構(gòu)造各種復雜的計算圖，實現(xiàn)各種形式的模型設(shè)計。

　　Client通過Session為橋梁，連接TensorFlow后端的「運行時」，并啟動計算圖的執(zhí)行過程。

　　Distributed Master

　　在分布式的運行時環(huán)境中，Distributed Master根據(jù)Session.run的Fetching參數(shù)，從計算圖中反向遍歷，找到所依賴的「最小子圖」。

　　然后，Distributed Master負責將該「子圖」再次分裂為多個「子圖片段」，以便在不同的進程和設(shè)備上運行這些「子圖片段」。

　　最后，Distributed Master將這些「子圖片段」派發(fā)給Work Service；隨后Work Service啟動「子圖片段」的執(zhí)行過程。

　　Worker Service

　　對于每以個任務(wù)，TensorFlow都將啟動一個Worker Service。Worker Service將按照計算圖中節(jié)點之間的依賴關(guān)系，根據(jù)當前的可用的硬件環(huán)境（GPU/CPU），調(diào)用OP的Kernel實現(xiàn)完成OP的運算（一種典型的多態(tài)實現(xiàn)技術(shù)）。

　　另外，Worker Service還要負責將OP運算的結(jié)果發(fā)送到其他的Work Service；或者接受來自其他Worker Service發(fā)送給它的OP運算的結(jié)果。

　　Kernel Implements

　　Kernel是OP在某種硬件設(shè)備的特定實現(xiàn)，它負責執(zhí)行OP的運算。

　　組件交互

　　組件交互

　　如上圖所示，假設(shè)存在兩個任務(wù)：

　　/job:ps/task:0： 負責模型參數(shù)的存儲和更新

　　/job:worker/task:0： 負責模型的訓練或推理

　　接下來，我們將進一步抽絲剝繭，逐漸挖掘出TensorFlow計算圖的運行機制。

　　客戶端 Client基于TensorFlow的編程接口，構(gòu)造計算圖。目前，TensorFlow主流支持Python和C++的編程接口，并對其他編程語言接口的支持日益完善。

　　此時，TensorFlow并未執(zhí)行任何計算。直至建立Session會話，并以Session為橋梁，建立Client與后端運行時的通道，將Protobuf格式的GraphDef發(fā)送至Distributed Master。

　　也就是說，當Client對OP結(jié)果進行求值時，將觸發(fā)Distributed Master的計算圖的執(zhí)行過程。