2015年11月9日谷歌開源了人工智能平臺TensorFlow，同時成為2015年最受關注的開源項目之一。經歷了從v0.1到v0.12的12個版本迭代后，谷歌于2017年2月15日發布了TensorFlow 1.0 版本，并同時在美國加州山景城舉辦了首屆TensorFlow Dev Summit會議。

TensorFlow 1.0及Dev Summit（2017）回顧

和以往版本相比，TensorFlow 1.0 的特性改進主要體現在以下幾個方面：

• 速度更快：TensorFlow 1.0版本采用了XLA的編譯技術，改進了TensorFlow的運行性能及內存利用。從Benchmark問題的測試結果來看，對單機Inception v3模型，實現了在單機8 GPUs上7.3倍的運算加速；對分布式Inception v3模型，實現了在多機64 GPUs上58倍的運算加速。
• 更加靈活：該版本除了支持tf.layers，tf.metrics及tf.losses模型的High-Level API外，實現了對keras（high-level neural networks library）API的全面兼容。
• 更產品化：TensorFlow Python API在v1.0版本中趨于穩定，為產品兼容性打下堅實基礎。

在TensorFlow 1.0版本發布的當天，谷歌公司還舉辦了TensorFlow 2017 DEV Summit。該日程主要包括以下幾個方面的主題演講：

• 相關廠商內容

  一手實踐，摩拜產品研發負責人談談空降團隊那些事

  業務與產品面面觀，Mobvista CTO談談技術與業務融合之道

  技術領導者，我是如何打造自己的影響力？

  如何抓住技術浪潮變革的紅利

  數字化經濟下技術領導者的洞察創新之路

  相關贊助商

  全球技術領導力峰會2017，6月30日-7月1日，上海·寶華萬豪酒店，精彩內容搶先看

  XLA (TensorFlow, Compiled)編譯技術 ：介紹采用XLA技術最小化圖計算執行時間和最大化利用計算資源，用于減少數據訓練和模型結果推斷時間。

• Hands-on TensorBoard可視化技術：介紹了如何使用TensorBoard，以及TensorFlow圖模型、訓練數據的可視化等。

• TensorFlow High-Level API：介紹了使用Layers, Estimators, and Canned Estimators High-Level API定義訓練模型。

• Integrating Keras & TensorFlow: 介紹了如何在TensorFlow中使用Keras API進行模型定義及訓練。

• TensorFlow at DeepMind：介紹了在DeepMind中使用TensorFlow平臺的典型案例，包括AlphaGo等應用。

• Skin Cancer Image Classification：介紹了斯坦福醫學院使用TensorFlow分類皮膚癌照片，用于醫學診斷。

• Mobile and Embedded TensorFlow：介紹了如何把TensorFlow模型運行在移動終端、嵌入式設備，包括安卓，iOS等系統。

• Distributed TensorFlow：系統性地介紹了分布式TensorFlow的相關技術，以及如何應用于大規模模型訓練。

• TensorFlow Ecosystem：講解了TensorFlow的生態系統，包括生成訓練數據，分布式運行TensorFlow和serving models的產品化流程。

• Serving Models in Production with TensorFlow Serving：系統性講解了如何在生產環境中應用TensorFlow Serving模型。

• ML Toolkit：介紹了TensorFlow的機器學習庫，如線性回歸，KMeans等算法模型的使用。

• Sequence Models and the RNN API：介紹了如何構建高性能的sequence-to-sequence模型，以及相關API。

• Wide & Deep Learning: 介紹了如何結合Wide模型和Deep模型構建綜合訓練模型。

• Magenta，Music and Art Generation：使用增強型深度學習模型生成音樂聲音和藝術圖片。

• Case Study，TensorFlow in Medicine - Retinal Imaging：使用TensorFlow機器學習平臺對醫學視網膜圖片進行分類，輔助醫學診斷。

TensorFlow系統架構

TensorFlow作為分布式機器學習平臺，主要架構如下圖所示。RPC和RDMA為網絡層，主要負責傳遞神經網絡算法參數。CPU和GPU為設備層，主要負責神經網絡算法中具體的運算操作。Kernel為TensorFlow中算法操作的具體實現，如卷積操作，激活操作等。Distributed Master用于構建子圖；切割子圖為多個分片，不同的子圖分片運行在不同的設備上；Master還負責分發子圖分片到Executor/Work端。Executor/Work在設備（CPUs，GPUs，etc.）上，調度執行子圖操作；并負責向其它Worker發送和接收圖操作的運行結果。C API把TensorFlow分割為前端和后端，前端（Python/C++/Java Client）基于C API觸發TensorFlow后端程序運行。Training libraries和Inference libs是模型訓練和推導的庫函數，為用戶開發應用模型使用。

下圖為Client、Master及Worker的內部工作原理。"/job:worker/task:0" 和 "/job:ps/task:0" 表示worker中的執行服務。"job:ps"表示參數服務器，用于存儲及更新模型參數。"job:worker"用于優化模型參數，并發參數發送到參數服務器上。Distributed Master和Worker Service只存在于分布式TensorFlow中。單機版本的TensorFlow實現了Local的Session，通過本地進程的內部通訊實現上述功能。

用戶編寫TensorFlow應用程序生成計算圖，Client組件會創建Session，并通過序列化技術，發送圖定義到Distributed Master組件。下圖中，Client創建了一個 s+=w*x+b的圖計算模型。

當Client觸發Session運算的時候，Maser構建將要運行的子圖。并根據設備情況，切割子圖為多個分片。下面為Master構建的運行子圖：

接著切割子圖，把模型參數分組在參數服務器上，圖計算操作分組在運算Worker上。下圖為一種可行的圖切割策略：

Distributed Master會根據模型參數的分區情況進行切割邊，在Task間插入發送和接收Tensor信息的通信節點，如下圖所示：

接著Distributed Master通過RegisterGraph方法發送子圖分片給Task，如下圖所示：

Master通過RunGraph觸發子圖運算，Worker會使用GPU/CPU運算設備執行TensorFlow Kernel運算。在本節點的CPU和GPU之間，使用cudaMemcpyAsync傳輸數據；在本節點GPU和GPU之間，使用peer-to-peer DMA傳輸數據，避免通過CPU復制數據。TensorFlow使用gRPC（TCP）和RDMA （Converged Ethernet）技術，實現Worker間的數據通信及傳輸，如下圖所示：

高性能程序設計

TensorFlow內核采用C/C++開發，并提供了C++，Python，Java，Go語言的Client API。特別是Python API，是目前主流的TensorFlow模型開發接口。但為什么還需要采用C++ API去訓練模型呢？本文基于如下兩點考慮，首先當我們采用Python API去訓練模型的時候，需要不斷地用Python API調用C/C++底層接口，重復的接口調用一定程度上影響了程序的執行性能。更為重要的是，在GPU上訓練模型的時候需要大量的內存交換；如果采用C++ API去訓練模型，可提供更好的運算性能及更好地控制GPU內存的分配。

下圖為Python API的運算架構：在模型訓練的每次迭代中，程序通過Python API讀取Batch Data，然后通過TensorFlow Session Run接口，傳遞數據給C++，并觸發神經網絡訓練。如下圖所示：

下圖為C++ API的運算架構：在模型訓練的每次迭代中，通過C++ API讀取Batch Data后，直接觸發模型訓練。減少了不同語言間API接口的循環調用及數據傳輸。如下圖所示：

為了采用C++ API進行模型訓練，我們首先需要編寫訓練模型，這個編寫過程可以采用Python語言來完成。我們首先采用Python API編寫訓練模型，然后把圖模型轉換為Protobuf的序列化文件。接著通過C++ API加載該模型文件，創建TensorFlow Session，初始化模型變量，以及加載訓練數據并執行神經網絡訓練。程序架構如下圖所示：

下面為使用Python API定義訓練模型的示例：

with tf.Session() as sess:

#定義Placeholder Tensor接入訓練數據x = tf.placeholder(tf.float32, [None, 32], name="x")y = tf.placeholder(tf.float32, [None, 8], name="y")#定義訓練模型w1 = tf.Variable(tf.truncated_normal([32, 16], stddev=0.1))b1 = tf.Variable(tf.constant(0.0, shape=[16]))w2 = tf.Variable(tf.truncated_normal([16, 8], stddev=0.1))b2 = tf.Variable(tf.constant(0.0, shape=[8]))a = tf.nn.tanh(tf.nn.bias_add(tf.matmul(x, w1), b1))y_out = tf.nn.tanh(tf.nn.bias_add(tf.matmul(a, w2), b2), name="y_out")cost = tf.reduce_sum(tf.square(y-y_out), name="cost")optimizer = tf.train.AdamOptimizer().minimize(cost, name="train")#定義變量初始化操作init = tf.initialize_variables(tf.all_variables(), name='init_all_vars_op')#把圖模型轉換為Protobuf文件 tf.train.write_graph(sess.graph_def, './', 'mlp.pb', as_text=False)

下面為使用C++ API加載Protobuf圖模型，并執行訓練的示例：

#include "tensorflow/core/public/session.h" #include "tensorflow/core/graph/default_device.h" using namespace tensorflow;int main(int argc, char* argv[]) {//Protobuf模型文件名std::string graph_definition = "mlp.pb";//Tensorflow SesssionSession* session;//定義圖模型對象GraphDef graph_def;SessionOptions opts;//存儲Session會話的運行結果std::vector<Tensor> outputs; #加載Protobuf模型文件到圖模型對象中TF_CHECK_OK(ReadBinaryProto(Env::Default(), graph_definition, &graph_def));// 默認在gpu 0上執行模型的訓練操作graph::SetDefaultDevice("/gpu:0", &graph_def);//設定GPU顯存使用參數opts.config.mutable_gpu_options()->set_per_process_gpu_memory_fraction(0.5);opts.config.mutable_gpu_options()->set_allow_growth(true);//創建TensorFlow會話TF_CHECK_OK(NewSession(opts, &session));// 加載圖對象到會話中TF_CHECK_OK(session->Create(graph_def));// 執行模型參數初始化操作TF_CHECK_OK(session->Run({}, {}, {"init_all_vars_op"}, nullptr));//定義模型輸入數據，包括數據類型和維度信息Tensor x(DT_FLOAT, TensorShape({100, 32}));Tensor y(DT_FLOAT, TensorShape({100, 8}));//把Tensor轉換為矩陣，并初始化Tensor數據auto _XTensor = x.matrix<float>();auto _YTensor = y.matrix<float>();_XTensor.setRandom();_YTensor.setRandom();for (int i = 0; i < 10; ++i) {//執行模型的訓練操作，{{"x", x}, {"y", y}}表示輸入數據Tensor名稱和Tensor對象；{"cost"}表示要獲取輸出值的操作名稱；&outputs表示執行"cost"操作后返回的Tensor對象TF_CHECK_OK(session->Run({{"x", x}, {"y", y}}, {"cost"}, {}, &outputs)); //獲取執行“cost“操作后的運算結果float cost = outputs[0].scalar<float>()(0);std::cout << "Cost: " << cost << std::endl;//執行"train"操作TF_CHECK_OK(session->Run({{"x", x}, {"y", y}}, {}, {"train"}, nullptr)); // Trainoutputs.clear();}//關閉Session及刪除Session對象session->Close();delete session;return 0; }

當C++程序寫好后，編譯時候需要鏈接的頭文件，開源已經幫我們整理好了，存放于目錄/usr/lib/python2.7/site-packages/tensorflow/include下。編譯和運行的時候需要鏈接libtensorflow_cc.so，可以按照下面的方式編譯該庫文件：bazel build -c opt //tensorflow:libtensorflow_cc.so --copt=-m64 --linkopt=-m64 --spawn_strategy=standalone --genrule_strategy=standalone --verbose_failures。具體可參考TensorFlow源代碼的官方編譯文檔。

總結

本文首先回顧了TensorFlow 1.0主要新特性及TensorFlow 2017 Dev Summit的主要議程。到目前為止TensorFlow的GitHub Star排名為51000+， Fork排名已達24000+，有15000+ commits。并隨著TensorFlow新版本的不斷發布以及新特性的不斷增加，TensorFlow使用更加靈活，運行速度更快，使用方式更產品化，已成為目前主流的深度學習平臺之一。

接著介紹了TensorFlow的系統架構，包括Client，Master，Worker，Kernel的相關概念及運行方式，是一種適合大規模分布式訓練的機器學習平臺。從上述系統架構中可以看到，TensorFlow內核采用C/C++開發，當采用Python API去訓練模型的時候，需要不斷地用Python調用C/C++底層接口，重復的接口調用一定程度上影響了程序的執行性能。如果有最求高性能運算的朋友，可以嘗試用下本文高性能運算章節推薦的方法。

參考文獻

http://www.tensorflow.org

深度學習利器：分布式TensorFlow及實例分析

深度學習利器：TensorFlow使用實戰

原文地址：　http://www.infoq.com/cn/articles/tensorflow-architecture-and-programming?utm_source=infoq&utm_medium=related_content_link&utm_campaign=relatedContent_articles_clk

總結

以上是生活随笔為你收集整理的深度学习利器： TensorFlow系统架构及高性能程序设计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。