前一段時(shí)間，一直在忙框架方面的工作，偶爾也會(huì)幫業(yè)務(wù)同學(xué)去優(yōu)化優(yōu)化使用TensorFlow的代碼，也加上之前看了dmlc/relay，nnvm的代碼，覺得蠻有意思，也想分別看下TensorFlow的Graph IR、PaddlePaddle的Graph IR，上周五，看代碼看的正津津有味的時(shí)候，看到某個(gè)數(shù)據(jù)競賽群里面討論東西，不記得具體內(nèi)容，大概說的是框架的代碼實(shí)現(xiàn)， 有幾位算法大佬說看底層源碼比較麻煩，因?yàn)楸容^早從框架，這塊代碼通常都還能看，問題都不大，和群里小伙伴吹水了半天之后，感覺是可以寫篇如何看TensorFlow或者其他框架底層源碼的勸退文了。

利其器

首先，一定是要找個(gè)好工作來看源碼，很多人推薦vs code、sublime，我試過vs code+bazel的，好像也不錯(cuò)，但是后面做c++適應(yīng)了clion之后，除了資源要求比較多，還是蠻不錯(cuò)的，使用c++一般推薦使用cmake來看編譯項(xiàng)目，但是TensorFlow是bazel的，無法直接支持，最開始，這邊是自己寫簡單的cmake，能夠?qū)崿F(xiàn)簡單的代碼跳轉(zhuǎn)，但是涉及到比如protobuf之類的編譯過后產(chǎn)生的文件無法跳轉(zhuǎn)，比較麻煩，不夠純粹，很早之前知道clion有bazel的組件，但是不知道為啥一直搞不通，上周找時(shí)間再試了試，發(fā)現(xiàn)竟然通了，使用之后，這才是看tf源碼的真正方式：

首先，選擇合適版本的bazel，千萬不能太高，也不能太低，這里我拉的是TF2.0的代碼，使用bazel 0.24.0剛剛好，切記千萬別太高也比太低, 千萬別太高也比太低,千萬別太高也比太低。


其次，clion上選擇bazel的插件


第三步，./configure，然后按你的意圖選擇合適的編譯配置


第四步，導(dǎo)入bazel項(xiàng)目：File=>Import Bazel Project

經(jīng)過上面幾步之后，接下來就要經(jīng)過比較長時(shí)間的等待，clion會(huì)導(dǎo)入bazel項(xiàng)目，然后編譯整個(gè)項(xiàng)目，這個(gè)耗時(shí)視你機(jī)器和網(wǎng)絡(luò)而定（順便提一句，最好保證比較暢通的訪問github的網(wǎng)絡(luò)，另外由于上面targets:all，會(huì)編譯TensorFlow所有的項(xiàng)目，如果你知道是什么意思，可以自己修改，如果不知道的話我先不提了，默認(rèn)就好，期間會(huì)有很多Error出現(xiàn)，放心，問題不大，因?yàn)闀?huì)默認(rèn)編譯所有的模塊）
經(jīng)過上面之后，我們就可以愉快的看代碼啦，連protobuf生成的文件都很開心的跳轉(zhuǎn)啦



極簡版c++入門

TensorFlow大部分人都知道，底層是c++寫的，然后外面包了一層python的api，既然底層是c++寫的，那么用c++也是可以用來訓(xùn)練模型的，大部分人應(yīng)該都用過c++或者java去載入frozen的模型，然后做serving應(yīng)用在業(yè)務(wù)系統(tǒng)上，應(yīng)該很少人去使用c++來訓(xùn)練模型，既然我們這里要讀代碼，我們先嘗試看看用c++寫模型，文件路徑如下圖：


主要函數(shù)就那么幾個(gè)：CreateGraphDef， ConcurrentSteps， ConcurrentSessions：

CreateGraphDef 構(gòu)造計(jì)算圖

GraphDef CreateGraphDef() {// TODO(jeff,opensource): This should really be a more interesting// computation. Maybe turn this into an mnist model instead?Scope root = Scope::NewRootScope();using namespace ::tensorflow::ops; // NOLINT(build/namespaces)// A = [3 2; -1 0]. Using Const<float> means the result will be a// float tensor even though the initializer has integers.auto a = Const<float>(root, {{3, 2}, {-1, 0}});// x = [1.0; 1.0]auto x = Const(root.WithOpName("x"), {{1.f}, {1.f}});// y = A * xauto y = MatMul(root.WithOpName("y"), a, x);// y2 = y.^2auto y2 = Square(root, y);// y2_sum = sum(y2). Note that you can pass constants directly as// inputs. Sum() will automatically create a Const node to hold the// 0 value.auto y2_sum = Sum(root, y2, 0);// y_norm = sqrt(y2_sum)auto y_norm = Sqrt(root, y2_sum);// y_normalized = y ./ y_normDiv(root.WithOpName("y_normalized"), y, y_norm);GraphDef def;TF_CHECK_OK(root.ToGraphDef(&def));return def; }

定義graph 節(jié)點(diǎn) root， 然后定義常數(shù)變量a (shape為2*2), x (shape為2* 1)，然后 y = A * x， y2 = y.2， y2_sum = sum(y2)， y_norm = sqrt(y2_sum), y_normlized = y ./ y_norm。代碼很簡潔， 看起來一目了然,
然后是ConcurrentSteps

void ConcurrentSteps(const Options* opts, int session_index) {// Creates a session.SessionOptions options;std::unique_ptr<Session> session(NewSession(options));GraphDef def = CreateGraphDef();if (options.target.empty()) {graph::SetDefaultDevice(opts->use_gpu ? "/device:GPU:0" : "/cpu:0", &def);}TF_CHECK_OK(session->Create(def));// Spawn M threads for M concurrent steps.const int M = opts->num_concurrent_steps;std::unique_ptr<thread::ThreadPool> step_threads(new thread::ThreadPool(Env::Default(), "trainer", M));for (int step = 0; step < M; ++step) {step_threads->Schedule([&session, opts, session_index, step]() {// Randomly initialize the input.Tensor x(DT_FLOAT, TensorShape({2, 1}));auto x_flat = x.flat<float>();x_flat.setRandom();std::cout << "x_flat: " << x_flat << std::endl;Eigen::Tensor<float, 0, Eigen::RowMajor> inv_norm =x_flat.square().sum().sqrt().inverse();x_flat = x_flat * inv_norm();// Iterations.std::vector<Tensor> outputs;for (int iter = 0; iter < opts->num_iterations; ++iter) {outputs.clear();TF_CHECK_OK(session->Run({{"x", x}}, {"y:0", "y_normalized:0"}, {}, &outputs));CHECK_EQ(size_t{2}, outputs.size());const Tensor& y = outputs[0];const Tensor& y_norm = outputs[1];// Print out lambda, x, and y.std::printf("%06d/%06d %sn", session_index, step,DebugString(x, y).c_str());// Copies y_normalized to x.x = y_norm;}});}// Delete the threadpool, thus waiting for all threads to complete.step_threads.reset(nullptr);TF_CHECK_OK(session->Close()); }

新建一個(gè)session，然后設(shè)置10個(gè)線程來計(jì)算，來執(zhí)行：

std::vector<Tensor> outputs;for (int iter = 0; iter < opts->num_iterations; ++iter) {outputs.clear();TF_CHECK_OK(session->Run({{"x", x}}, {"y:0", "y_normalized:0"}, {}, &outputs));CHECK_EQ(size_t{2}, outputs.size());const Tensor& y = outputs[0];const Tensor& y_norm = outputs[1];// Print out lambda, x, and y.std::printf("%06d/%06d %sn", session_index, step,DebugString(x, y).c_str());// Copies y_normalized to x.x = y_norm;}

每次計(jì)算之后，x=y_norm，這里的邏輯其實(shí)就是為了計(jì)算矩陣A的最大eigenvalue， 重復(fù)執(zhí)行x = y/y_norm; y= A*x;
編譯:

bazel build //tensorflow/cc:tutorials_example_trainer

執(zhí)行結(jié)果，前面不用太care是我打印的一些調(diào)試輸出：

簡單的分析

上面簡單的c++入門實(shí)例之后，可以抽象出TensorFlow的邏輯：

構(gòu)造graphdef，使用TensorFlow本身的Graph API，利用算子去構(gòu)造一個(gè)邏輯計(jì)算的graph，可以試上述簡單地計(jì)算eigenvalue，也可以是復(fù)雜的卷積網(wǎng)絡(luò)，這里是涉及到Graph IR的東西，想要了解的話，我建議先看下nnvm和relay，才會(huì)有初步的概念；

用于構(gòu)造graphdef的各種操作，比如上述將達(dá)到的Square、MatMul，這些操作可以是自己寫的一些數(shù)學(xué)操作也可以是TensorFlow本身封裝一些數(shù)學(xué)計(jì)算操作，可以是MKL的封裝，也可以是cudnn的封裝，當(dāng)然也可以是非數(shù)學(xué)庫，如TFRecord的讀取；

Session的構(gòu)造，新建一個(gè)session，然后用于graph外與graph內(nèi)部的數(shù)據(jù)交互：session->Run({{"x", x}}, {"y:0", "y_normalized:0"}, {}, &outputs));這里不停地把更新的x王graph里喂來計(jì)算y與y_normalized，然后將x更新為y_normalized；

GraphDef這一套，太過復(fù)雜，不適合演示如何看TF源碼，建議大家先有一定的基礎(chǔ)知識(shí)之后，再看，這里我們摘出一些算法同學(xué)感興趣的，比如Square這個(gè)怎么在TF當(dāng)中實(shí)現(xiàn)以及綁定到對應(yīng)操作

代碼中直接跳轉(zhuǎn)到Square類，如下圖；

2.很明顯看到Square類的定義，其構(gòu)造函數(shù)，接收一個(gè)scope還有一個(gè)input， 然后我們找下具體實(shí)現(xiàn)，如下圖：

3.同目錄下， http://math_ops.cc，看實(shí)現(xiàn)邏輯，我們是構(gòu)造一個(gè)名為Square的op，然后往scope里更新，既然如此，肯定是預(yù)先有保存名為Square的op，接下來我們看下圖：

4.這里講functor::square注冊到"Square"下，且為UnaryOp，這個(gè)我不知道怎么解釋，相信用過eigen的人都知道，不知道的話去google下，很容易理解，且支持各種數(shù)據(jù)類型；

5.那么看起來，square的實(shí)現(xiàn)就在functor::square，我們再進(jìn)去看看，集成base模板類，且看起來第二個(gè)模板參數(shù)為其實(shí)現(xiàn)的op，再跳轉(zhuǎn)看看：

 6.最后，我們到達(dá)了最終的實(shí)現(xiàn)邏輯：operator()和packetOp，也看到了最終的實(shí)現(xiàn)，是不是沒有想象的那么難。

更重要一點(diǎn)

看完了上面那些，基本上會(huì)知道怎么去看TensorFlow的一些基礎(chǔ)的代碼，如果你了解graph ir這套，可以更深入去理解下，這個(gè)過程中，如果對TensorFlow各個(gè)文件邏輯感興趣，不妨去寫寫測試用例，TensorFlow很多源碼文件都有對應(yīng)的test用例，我們可以通過Build文件來查看，比如我想跑下http://client_session_test.cc這里的測試用例


我們看一下Build文件中

這里表明了對應(yīng)的編譯規(guī)則，然后我們只需要

bazel build //tensorflow/cc:client_client_session_test

然后運(yùn)行相應(yīng)的測試程序即可

更更重要的一點(diǎn)

上面把如何看TensorFlow代碼的小經(jīng)驗(yàn)教給各位，但是其實(shí)這個(gè)只是真正的開始，無論TensorFlow、MXNet、PaddlePaddle異或是TVM這些，單純?nèi)タ创a，很難理解深刻其中原理，需要去找相關(guān)行業(yè)的paper，以及找到行業(yè)的精英去請教，去學(xué)習(xí)。目前網(wǎng)上ml system的資料還是蠻多的，有點(diǎn)『亂花迷人眼』的感覺，也沒有太多的課程來分享這塊的工作，十分期望這些框架的官方分享這些框架的干貨，之后我也會(huì)在學(xué)習(xí)中總結(jié)一些資料，有機(jī)會(huì)的話分享給大家。最后，這些東西確實(shí)是很復(fù)雜，作者在這塊也是還是懵懵懂懂，希望能花時(shí)間把這些內(nèi)在的東西搞清楚，真的還蠻有意思的。

也歡迎大家關(guān)注我的同名微信公眾號(hào) 小石頭的碼瘋窩（xiaoshitou_ml_tech），或者通過公眾號(hào)加我的個(gè)人微信進(jìn)行討論

總結(jié)

以上是生活随笔為你收集整理的tensorflow源码编译教程_极简入门TensorFlow C++源码的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。