刘光聪|剖析TensorFlow架构与设计：编程模型

本文主要是介绍刘光聪|剖析TensorFlow架构与设计：编程模型，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

 刘光聪 中生代技术 

祝大家在2017年有新的收获。非常感谢大家在春节前夕依然还坚持参加中生代技术的分享活动，也感谢中生代提供的强大的分享平台。我是刘光聪，来自于中兴通讯技术规划部，关注敏捷软件开发，从事机器学习算法研究，目前负责AI平台架构与设计。今天我给大家分享的题目是：剖析TensorFlow架构与设计之编程模型。其目标是对深度学习有一个初步的了解，了解TensorFlow的基本编程模型，及其掌握TensorFlow的几个重要概念。

今天我的分享主要包括3个部分，简单介绍TensorFlow的架构；理解计算图的工作原理；通过Mnist实战，了解TensorFlow编程模型。

TensorFlow在跨平台，通用性，分布式， 可扩展性，可视化等方面优势非常明显。

TensorFlow是一种典型的基于符号编程的数值计算框架，从总架构上分为两层：

1. 1. 前端：负责计算图的构造，支持多语言，其中Python提供的 API最为成熟；
2. 2. 后端：负责计算图的执行，使用C++实现，直接操作分布式的CPU/GPU环境。
3. 

计算图是TensorFlow最重要的领域概念，OP代表节点，Tensor代表边； 数据从节点流入，通过OP运算，从节点流出，并做为下一节点的输入，TensorFlow的命名由此而来。

OP用于表示计算图的一个节点，完成某种抽象的计算。

TensorFlow支持丰富的OP集合，并且支持OP的扩展。

OP通过OP构造器(OP Constructor)生成OP实例，该工厂具有副作用，它将该OP实例注册到计算图中。此时用户对图实例无感知，因为其上下文存在一个默认的图实例。

OP的输入和输出以Tensor的形式传递，支持三种基本类型。

描述OP可以通过三个维度描述：

1. 1. 类型
2. 2. Tensor的Shape：维度，及其每一维度的大小
3. 3. 约束：例如默认值，允许的值列表
4. 

以placeholder的OP为例，该OP是一个特殊的OP，它没有输入，只有输出。而且，他的类型为确定，待用户在构造OP是确定，可以看成一个「泛型编程」的过程。

这是placeholder OP的构造器(constructor)，或称为工厂。调用OP时，指定OP的属性，从而确定OP的基本规格。该过程类似于C++模板实例化，但还未生成对象实例(直至执行计算图阶段)。

Operation描述了OP的接口(类型，约束，属性，设备等)，Kernel是针对具体设备类型，或者数据类型，Tensor的维度及大小的某种具体实现。典型地，OP会有GPU实现的Kernel，及其CPU实现的Kernel 。这是一种典型的多态设计(区别于编程语言的多态)。

Tensor表示计算图的边实例，表示OP之间的数据流方向。

Tensor可以通过三元组描述：(Type, Rank,  Shape)。

查看源代码(简化之后)，其Protobuf是如此描述Tensor的，其很好地形式化描述了Tensor的本质。

在计算图中，存在两种类型的边：

1. 1. 正常的边：用于传递Tensor；
2. 2. 特殊的边：用于控制依赖。
3. 

控制依赖是一种构建复杂网络模型的重要工具，它表示OP之间执行的依赖关系。

当前上下文，维护了一个指向default graph的指针；也就是说，在任何一个时刻，在上下文中都存在一个默认的图实例。图实例包括两类：

1. 1. 隐式的图实例
2. 2. 显式的图实例
3. 

前者的OP注册到隐式的图实例，后者的OP注册到显式的图实例中。

OP命名的层次化是一种搭建复杂网络的重要工具。例如，将OP看成西安市，那么如何从地球中找到它呢？ 首先，通过世界地图，先找到亚洲，然后找到中国，然后再找到陕西，最后才找到西安。当搭建复杂的网络模型时，OP命名的层次化，对于OP定位是非常有用的。

可以指定OP的设备类型，当执行计算图时，该OP会被分配到指定的设备上执行运算。

默认图实例(Default Graph)，OP命名的层次化(Name Scope)，指派设备(device)等机制，实际是由Context Manager管理，保证在某一个时刻，存在唯一的默认图实例，及其当前的Scope，及其当前的Device等等。

总结一下，TensorFlow是一种基于符号的编程模式，前端完成计算图的构造，后端完成计算图的执行。

这里举一个简单的例子，x表示模型的输入，y_表示模型的输出(Labels)；定义了W, b两个训练参数，然后使用matmul的OP，及其add的OP完成权重的线性求和，最后使用ReLU的激活函数，搭建了第一层网络模型。其中C代表后续的网络层次。

上述代码实现，构造了如上图所示的计算图实例。

通过建立一个Session，使用Mini-Batch算法实现该模型的训练。很显然，计算图被构造依次，但被执行了多次(一次一个Batch)。

这是使用Protobuf描述计算图的领域模型。

这是前端(Python)的领域模型。

这是后端的领域模型。

Session是Client与计算服务的桥梁，是一种资源，使用完成后保证被关闭；session.run建立了一个瞬时的闭包，该闭包针对于该次Batch，依次传递Tensor，完成整个计算的过程，然后再将梯度反传，最后完成参数的更新。每个子图只会构造依次，但可能被执行多次。Tensor在OP之间传递，其生命周期仅对当前批次有效，对下一个Mini-Batch无效。

其中，Feed代表模型的输入，Fetch代表模型的输出。

变量是一种特殊的OP，它维持一个Tensor的句柄，变相地延长了该Tensor的生命周期。

变量在使用之前，都需要使用初始化的OP进行初始化。例如，W使用tf.zeros的初始化OP进行初始化为0值。

存在一些语法糖，可以方便地对变量进行初始化(组合模式)。

犹如C++全局变量初始化的依赖关系，TensorFlow变量之间的初始化依赖关系需要特殊的处理。

可以使用Stateful的OP操作变量，完成变量状态的变更。

通过变量分组，可以方便对变量进行分组管理。例如，可以快速获取出所有训练参数的集合。

接下来，通过Mnist的实战，加深 理解TensorFlow的编程模型。实战包括两种网络模型的实践：

1. 1. 单层网络(Softmax)

2. 2. 多层网络(2层网络)

3. 

特征提取，因为只是Demo示例，这里简单地按照像素进行特征的提取。

训练样本集的示意图，它是一个二维的Tensor。

这是训练样本的标签集合(Labels)，采用One-hot形式的特征描述 。

首先描述模型的输入和输出，其中None表示batch_size，待seesion.run的Feed提供。

然后定义模型的训练参数集合，并定义变量初始化OP，用于在执行阶段完成变量的初始化。

这里定义了Mnist的Softmax单层网络模型。

然后定义交叉熵的损失函数，并使用随机梯度下降算法优化该损失函数，使得损失函数最小化。

然后建立一个会话，使用Mini-Batch算法，完成模型的训练。」

当完成模型的驯良后，可以使用测试数据集对模型进行测试，输出模型的精度。

接下来，通过搭建两层网络模型实现Mnist。其中，通过计算图的4个基本子图，显式地增强模型设计的可理解性。

• - Inference：仅完成推理，仅仅包括前向计算过程；
• - Loss：构建损失函数，计算损失；
• - Training：根据损失，反向传递梯度，然后更新权重，直到模型收敛；

• - Evaluation：评估模型的精度

• 

这里搭建了两层的网络模型：第一层：ReLU第二层：Softmax

这是推理的主要逻辑，定义了两层网络。

使用交叉熵定义损失函数。

使用随机梯度下降算法最小化损失函数 。

使用evaluation评估网络模型的精度。

感谢大家的耐心阅读，如果您对TensorFlow的架构与设计感兴趣，请持续关注我后续关于TensorFlow源代码的剖析，谢谢。

参考资料，网络上已经很丰富了，在此不在重述了。当然，阅读源代码，是获取最权威的知识的最佳途径。

最后，欢迎大家关注我的「简书」，直接搜索「刘光聪」，我主要关注敏捷软件开发，机器学习算法，也欢迎大家给我更多的指点，谢谢。

这篇关于刘光聪|剖析TensorFlow架构与设计：编程模型的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！