Dive into TensorFlow系列（2）- 解析TF核心抽象op運算元
本文作者：李傑
TF計算圖從邏輯層來講，由op與tensor構成。op是項點代表計算單元，tensor是邊代表op之間流動的資料內容，兩者配合以資料流圖的形式來表達計算圖。那麼op對應的物理層實現是什麼？TF中有哪些op，以及各自的適用場景是什麼？op到底是如何執行的？接下來讓我們一起探索和回答這些問題。
一、初識op
1.1 op定義
op代表計算圖中的節點，是tf.Operation物件，代表一個計算單元。使用者在建立模型和訓練程式碼時，會建立一系列op及其依賴關係，並將這些op和依賴新增到tf.Graph物件中（一般為預設圖）。比如：tf.matmul()就是一個op，它有兩個輸入tensor和一個輸出tensor。
1.2 op分類
op的分類一般有多個視角，比如按是否內建劃分、按工作型別劃分。
按是否內建劃分，一般分為：內建op和自定義op（見“二、自定義op”部分介紹）。
按工作型別劃分，一般分為：常見數學op、陣列op、矩陣op、有狀態op、神經網路op、檢查點op、佇列與同步op、控制流op。TF白皮書對內建op的分類總結如下：
1.3 op與kernel
op一般都有名稱且代表一個抽象的計算過程。op可以設定若干屬性，但這些屬性必須在編譯期提供或推理得到，因為它們用來例項化一個節點物件從而執行真正的計算。屬性的經典用法就是拿來支援型別多型，比如兩個浮點張量的矩陣乘法與兩個整型張量的矩陣乘法。
kernel是op在指定裝置型別（CPU/GPU）上的具體實現。TF二進位制庫透過序號產生器制定義了一系列op及對應的kernel實現，使用者可以提供額外的op定義與kernel實現進行擴充。一般來說，一個op對應多個kernel實現。
接下來讓我們一起用矩陣乘法MatMul運算元的相關程式碼來理解op與kernel的關係（此處不必糾結程式碼細節，只需體會op與kernel關係即可）：
// 首先給出op註冊的定義。其中輸入輸出支援泛型，其合法型別在Attr中進行列舉。// 程式碼位置 tensorflow1.15.5\tensorflow\core\ops\math_ops.ccREGISTER_OP("MatMul")
.Input("a: T")
.Input("b: T")
.Output("product: T")
.Attr("transpose_a: bool = false")
.Attr("transpose_b: bool = false")
.Attr(
"T: {bfloat16, half, float, double, int32, int64, complex64, "
"complex128}")
.SetShapeFn(shape_inference::MatMulShape);
// MatMul的實現，採用類别範本機制// 程式碼位置 tensorflow1.15.5\tensorflow\core\kernels\matmul_op.cctemplate <typename Device, typename T, bool USE_CUBLAS>class MatMulOp : public OpKernel {
public:
explicit MatMulOp(OpKernelConstruction* ctx)
: OpKernel(ctx), algorithms_set_already_(false) {
OP_REQUIRES_OK(ctx, ctx->GetAttr("transpose_a", &transpose_a_));
OP_REQUIRES_OK(ctx, ctx->GetAttr("transpose_b", &transpose_b_));
LaunchMatMul<Device, T, USE_CUBLAS>::GetBlasGemmAlgorithm(
ctx, &algorithms_, &algorithms_set_already_);
use_autotune_ = MatmulAutotuneEnable();
}
// 省略了很多程式碼...
private:
std::vector<int64> algorithms_;
bool algorithms_set_already_;
bool use_autotune_;
bool transpose_a_;
bool transpose_b_;};// MatMul的op定義與kernel實現繫結處理// 程式碼位置 tensorflow1.15.5\tensorflow\core\kernels\matmul_op.cc#define REGISTER_CPU_EIGEN(T) /*cpu與eigen組合對應實現*/ \
REGISTER_KERNEL_BUILDER( \
Name("MatMul").Device(DEVICE_CPU).TypeConstraint<T>("T").Label("eigen"), \
MatMulOp<CPUDevice, T, false /* cublas, ignored for CPU */>);#define REGISTER_CPU(T) /*cpu對應實現(eigen與非eigen)*/ \
REGISTER_KERNEL_BUILDER( \
Name("MatMul").Device(DEVICE_CPU).TypeConstraint<T>("T"), \
MatMulOp<CPUDevice, T, false /* cublas, ignored for CPU */>); \
REGISTER_CPU_EIGEN(T);#define REGISTER_GPU(T) /*gpu對應實現(cublas與非cublas)*/ \
REGISTER_KERNEL_BUILDER( \
Name("MatMul").Device(DEVICE_GPU).TypeConstraint<T>("T"), \
MatMulOp<GPUDevice, T, true /* cublas, true by default */>); \
REGISTER_KERNEL_BUILDER(Name("MatMul") \
.Device(DEVICE_GPU) \
.TypeConstraint<T>("T") \
.Label("cublas"), \
MatMulOp<GPUDevice, T, true /* cublas */>)二、自定義op
使用者編寫的模型訓練程式碼一般由TF原生的op運算元及其依賴關係組成，但有時候我們定義的計算邏輯在TF中沒有相應的op實現。根據TensorFlow官網的建議，我們應當先組合python op運算元或python函式進行嘗試。完成嘗試之後再決定要不要自定義op。
2.1 自定義op場景
一般來說，需要自定義op的場景有如下3個：
•用TF原生op組合來表達新計算邏輯的過程比較複雜或不可能
•用TF原生op組合來表達新計算邏輯，其計算效能較低
•在新版編譯器中也較難實現op融合的計算邏輯需要我們手動實現融合
在此舉個例子方便大家理解。假如我們要實現一個新計算實邏：中位數池化（median pooling），過程中要在滑動視窗不斷求得中位數。檢索TF文件沒有發現對應op，因此我們先考慮用TF python op組合來實現它，果然透過ExtractImagePatches and TopK就可以實現這個功能。經測試前述組合方案並不是計算和儲存高效的，因此我們就有必要將median pooling在一個op中進行高效實現。
2.2 自定義op流程
自定義op一般遵循5個基本步驟：
1.註冊op，具體包括：指定名稱、輸入/輸出宣告、形狀函式。
2.定義kernel（即op的實現）並與op繫結。一個op有多個kernel實現，具體由輸入輸出型別、硬體（CPU、GPU）決定。
3.建立python包裝器，一般由op序號產生器制自動完成。
4.編寫op的梯度計算函式（可選項）。
5.測試op，透過python測試較為方便，當然也可透過C++進行測試。
接下來我們就以官網最簡單的ZeroOut同步式自定義op（繼承OpKernel）為例，結合程式碼來講述上述5個步驟。下面先給出步驟1和步驟2用C++實現的程式碼（官方推薦用bazel編譯so檔案）：
// 步驟1：註冊opREGISTER_OP("ZeroOut").Input("to_zero: int32").Output("zeroed: int32").SetShapeFn([](::tensorflow::shape_inference::InferenceContext* c) {
c->set_output(0, c->input(0)); //c's input and output type is std::vector<ShapeHandle>
return Status::OK();
});// 步驟2：定義kernel（常規CPU裝置）,並把kernel與op繫結class ZeroOutOp : public OpKernel {public:
explicit ZeroOutOp(OpKernelConstruction* context) : OpKernel(context) {}
void Compute(OpKernelContext* context) override {
// Grab the input tensor from OpKernelContext instance
const Tensor& input_tensor = context->input(0);
auto input = input_tensor.flat<int32>();
// Create an output tensor
Tensor* output_tensor = NULL;
OP_REQUIRES_OK(context, context->allocate_output(0, input_tensor.shape(),
&output_tensor)); // OP_REQUIRES_OK第二個引數一般為方法呼叫,此處為輸出張量分配記憶體空間
auto output_flat = output_tensor->flat<int32>();
// Set all but the first element of the output tensor to 0.
const int N = input.size();
for (int i = 1; i < N; i++) {
output_flat(i) = 0;
}
// Preserve the first input value if possible.
if (N > 0) output_flat(0) = input(0);
}};REGISTER_KERNEL_BUILDER(Name("ZeroOut").Device(DEVICE_CPU), ZeroOutOp);步驟3載入上述so檔案（自動完成前後端op對映）；步驟4是可選項，此處不需要；步驟5基於python api測試op功能。相應程式碼如下：
import tensorflow as tf
zero_out_module = tf.load_op_library('./zero_out.so') # 載入so檔案生成python modulewith tf.Session(''):
zero_out_module.zero_out([[1, 2], [3, 4]]).eval()# Printsarray([[1, 0], [0, 0]], dtype=int32)2.3 高階話題
關於op的技術話題還有很多，我們在此簡述一些要點：
1.如果實現了一個多執行緒CPU kernel，則可以利用work_sharder.h中的Shard函式。
2.大多數op以同步方式工作，只需繼承OpKernel改寫Compute()方法，且此方法必須執行緒安全。
3.如果一個op因為其它op的執行而阻塞，則這個op可以採用非同步方式工作，繼承AsyncOpKernel改寫ComputeAsync()方法，且此方法必須執行緒安全。非同步op最經典的例子就是跨裝置通訊send/recv pair中的RecvOp。
4.如果要為op配置一些靜態屬性，可使用Attr，它有一套特有的支援型別。典型應用是支援泛型。
5.實現GPU kernel有兩部分內容：OpKernel和CUDA kernel，相應的載入程式碼。
6.編譯自定義op，首先要配置標頭檔案搜尋路徑與庫檔案搜尋路徑，接著指定編譯和連結選項，最後還要確保ABI相容性。
7.Resource（資源）代表相同裝置上op共享的內容，比如：張量值、kv儲存表、佇列、讀取器、網路連線等。代表資源的類必須繼承ResourceBase，然後註冊ResourceHandleOp生成資源控制程式碼，普通op以resouce型別的Input進行引入。
三、op工作原理
3.1 op執行框架
整體來看，op與kernel都有其結構描述與統一的註冊管理中心。而OpDefBuilder有兩個包裝類OpDefBuilderWrapper和OpDefBuilderReceiver，前者支援op構建的鏈式語法，後者接受op構建結果並進行註冊。眾所周知，op是編譯期概念，而kernel是執行期概念，在AI編譯器的後端處理流程中會進行op的運算元選擇，此過程會基於一系列策略為op匹配最合適的kernel實現。
3.2 若干技術細節
首先，我們來看一下大家在使用TensorFlow過程中經常碰到的libtensorflow_framework.so。按照tf1.15.5/tensorflow/BUILD中的描述，libtensorflow_framework.so定義了op和kernel的序號產生器制而不涉及具體實現。
// rootdir=tensorflow1.15.5// ${rootdir}/tensorflow/BUILD/*
# A shared object which includes registration mechanisms for ops and
# kernels. Does not include the implementations of any ops or kernels. Instead,
# the library which loads libtensorflow_framework.so
# (e.g. _pywrap_tensorflow_internal.so for Python, libtensorflow.so for the C
# API) is responsible for registering ops with libtensorflow_framework.so. In
# addition to this core set of ops, user libraries which are loaded (via
# TF_LoadLibrary/tf.load_op_library) register their ops and kernels with this
# shared object directly.
*/tf_cc_shared_object(
name = "tensorflow_framework",
framework_so = [],
linkopts = select({
"//tensorflow:macos": [],
"//tensorflow:windows": [],
"//tensorflow:freebsd": [
"-Wl,--version-script,$(location //tensorflow:tf_framework_version_script.lds)",
"-lexecinfo",
],
"//conditions:default": [
"-Wl,--version-script,$(location //tensorflow:tf_framework_version_script.lds)",
],
}),
linkstatic = 1,
per_os_targets = True,
soversion = VERSION,
visibility = ["//visibility:public"],
deps = [
"//tensorflow/cc/saved_model:loader_lite_impl",
"//tensorflow/core:core_cpu_impl",
"//tensorflow/core:framework_internal_impl", /* 展開此target進行檢視 */
"//tensorflow/core:gpu_runtime_impl",
"//tensorflow/core/grappler/optimizers:custom_graph_optimizer_registry_impl",
"//tensorflow/core:lib_internal_impl",
"//tensorflow/stream_executor:stream_executor_impl",
"//tensorflow:tf_framework_version_script.lds",
] + tf_additional_binary_deps(),)// ${rootdir}/tensorflow/core/BUILDtf_cuda_library(
name = "framework_internal_impl",
srcs = FRAMEWORK_INTERNAL_PRIVATE_HEADERS + glob( // 可以檢視FRAMEWORK_INTERNAL_PRIVATE_HEADERS內容
[
"example/**/*.cc",
"framework/**/*.cc",
"util/**/*.cc",
"graph/edgeset.cc",
"graph/graph.cc",
"graph/graph_def_builder.cc",
"graph/node_builder.cc",
"graph/tensor_id.cc",
"graph/while_context.h",
"graph/while_context.cc",
],
// 省略了諸多程式碼)// FRAMEWORK_INTERNAL_PRIVATE_HEADERS的內容FRAMEWORK_INTERNAL_PRIVATE_HEADERS = [
"graph/edgeset.h",
"graph/graph.h",
"graph/graph_def_builder.h",
"graph/node_builder.h",
"graph/tensor_id.h",] + glob(
[
"example/**/*.h",
"framework/**/*.h", // 這裡就是重點，檢視${rootdir}/tensorflow/core/framework/op.h和opkernel.h
"util/**/*.h",
]) // 先來看op.h#define REGISTER_OP(name) REGISTER_OP_UNIQ_HELPER(__COUNTER__, name)#define REGISTER_OP_UNIQ_HELPER(ctr, name) REGISTER_OP_UNIQ(ctr, name)#define REGISTER_OP_UNIQ(ctr, name) \
static ::tensorflow::register_op::OpDefBuilderReceiver register_op##ctr \
TF_ATTRIBUTE_UNUSED = \
::tensorflow::register_op::OpDefBuilderWrapper<SHOULD_REGISTER_OP( \
name)>(name)
// 再來看看opkernel.h#define REGISTER_KERNEL_BUILDER(kernel_builder, ...) \
REGISTER_KERNEL_BUILDER_UNIQ_HELPER(__COUNTER__, kernel_builder, __VA_ARGS__)#define REGISTER_KERNEL_BUILDER_UNIQ_HELPER(ctr, kernel_builder, ...) \
REGISTER_KERNEL_BUILDER_UNIQ(ctr, kernel_builder, __VA_ARGS__)#define REGISTER_KERNEL_BUILDER_UNIQ(ctr, kernel_builder, ...) \
constexpr bool should_register_##ctr##__flag = \
SHOULD_REGISTER_OP_KERNEL(#__VA_ARGS__); \
static ::tensorflow::kernel_factory::OpKernelRegistrar \
registrar__body__##ctr##__object( \
should_register_##ctr##__flag \
? ::tensorflow::register_kernel::kernel_builder.Build() \
: nullptr, \
#__VA_ARGS__, \
[](::tensorflow::OpKernelConstruction* context) \
-> ::tensorflow::OpKernel* { \
return new __VA_ARGS__(context); \
});參照上述同樣的流程，我們可以發現libtensorflow.so中涉及op與kernel的具體實現，同時也包括Session的具體實現。
最後，我們再來講講REGISTER_OP宏背後的具體原理。我們在上面已經給出了此宏的定義，此處針對它的實現展開談談：
// 先來看op.h#define REGISTER_OP(name) REGISTER_OP_UNIQ_HELPER(__COUNTER__, name)#define REGISTER_OP_UNIQ_HELPER(ctr, name) REGISTER_OP_UNIQ(ctr, name)#define REGISTER_OP_UNIQ(ctr, name) \
static ::tensorflow::register_op::OpDefBuilderReceiver register_op##ctr \
TF_ATTRIBUTE_UNUSED = \
::tensorflow::register_op::OpDefBuilderWrapper<SHOULD_REGISTER_OP( \
name)>(name)// REGISTER_OP的一般用法如下REGISTER_OP("ZeroOut")
.Input("to_zero: int32")
.Output("zeroed: int32")
.SetShapeFn([](::tensorflow::shape_inference::InferenceContext* c) {
c->set_output(0, c->input(0));
return Status::OK();
});// op定義的鏈式規則是透過OpDefBuilderWrapper類實現的class OpDefBuilderWrapper<true> {
public:
explicit OpDefBuilderWrapper(const char name[]) : builder_(name) {}
OpDefBuilderWrapper<true>& Input(string spec) {
builder_.Input(std::move(spec));
return *this; // 顯而易見，呼叫Input仍然返回OpDefBuilderWrapper<true>本身
}
OpDefBuilderWrapper<true>& Output(string spec) {
builder_.Output(std::move(spec));
return *this;
}
OpDefBuilderWrapper<true>& SetShapeFn(
Status (*fn)(shape_inference::InferenceContext*)) {
builder_.SetShapeFn(fn);
return *this;
}
const ::tensorflow::OpDefBuilder& builder() const { return builder_; }
private:
mutable ::tensorflow::OpDefBuilder builder_;};// 當透過鏈式規劃構建好op後，再透過OpDefBuilderReceiver完成op的註冊// op.hstruct OpDefBuilderReceiver {
// To call OpRegistry::Global()->Register(...), used by the
// REGISTER_OP macro below.
// Note: These are implicitly converting constructors.
OpDefBuilderReceiver(
const OpDefBuilderWrapper<true>& wrapper); // NOLINT(runtime/explicit)
constexpr OpDefBuilderReceiver(const OpDefBuilderWrapper<false>&) {
} // NOLINT(runtime/explicit)};// op.cc，然後在OpDefBuilderReceiver建構函式內部完成OpDefBuilderWrapper的全域性註冊OpDefBuilderReceiver::OpDefBuilderReceiver(
const OpDefBuilderWrapper<true>& wrapper) {
OpRegistry::Global()->Register(
[wrapper](OpRegistrationData* op_reg_data) -> Status {
return wrapper.builder().Finalize(op_reg_data);
});}四、總結
本文為大家系統講解了TensorFlow的核心抽象op及其kernel實現。需要自定義op的具體場景，以及op的執行框架及若干技術細節。讀罷此文，讀者應該有如下幾點收穫：
•TensorFlow中op是編譯期概念，kernel是執行期概念，兩者各自的定義與註冊方式，以及相應的對映邏輯。
•掌握TensorFlow的高階玩法：自定義op。這將使你之前工作的不可能變為可能，由低效轉化為高效。
•掌握op與kernel註冊的宏定義來自何方，以及宏定義背後具體的執行框架。
參考資料
1.《TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems》： https://arxiv.org/abs/1603.04467
2.Graphs and Sessions： https://github.com/tensorflow/docs/blob/master/site/en/r1/guide/graphs.md
3.Adding a New Op： https://github.com/tensorflow/docs/blob/master/site/en/r1/guide/extend/op.md
4.跨裝置通訊send/recv： https://github.com/tensorflow/tensorflow/blob/master/tensorflow/core/kernels/sendrecv_ops.h
5.OpKernel definition： https://github.com/tensorflow/tensorflow/blob/master/tensorflow/core/framework/op_kernel.h
6.tensorflow原始碼解析之framework-resource： https://www.cnblogs.com/jicanghai/p/9535504.html
7.tensorflow原始碼解析之framework-op： https://www.cnblogs.com/jicanghai/p/9539513.html
相關文章
- 深入理解TensorFlow中的tf.metrics運算元
- Dive into TensorFlow系列（1）-靜態圖執行原理
- Dive into TensorFlow系列（3）- 揭開Tensor的神秘面紗
- tf:'hello tensorflow'
- Python量化資料倉儲搭建系列2：Python運算元據Python
- openGauss核心分析（八）：執行運算元探究
- TensorFlow——tensorflow指定CPU與GPU運算GPU
- 機器學習系列-tensorflow-02-基本操作運算機器學習
- 3.2 Tensorflow基礎運算
- 【TVM系列三】運算元轉換呼叫流程
- spark-運算元-分割槽運算元Spark
- Ascend C運算元開發指南2
- 運算元
- 圖解Spark排序運算元sortBy的核心原始碼圖解Spark排序原始碼
- spark的基本運算元使用和原始碼解析Spark原始碼
- tensorflow tf.argmax() 用法 例子
- 使用運算元控制公式運算公式
- Python 影像處理 OpenCV （12）： Roberts 運算元、 Prewitt 運算元、 Sobel 運算元和 Laplacian 運算元邊緣檢測技術PythonOpenCV
- RDD運算元
- Tungsten Fabric架構解析丨TF怎麼運作？架構
- 【Spark篇】---SparkStreaming中運算元中OutPutOperator類運算元Spark
- tensorflow教程:tf.contrib.rnn.DropoutWrapperRNNAPP
- tensorflow使用tf.GradientTape()求導求導
- Tensorflow的幾種變數生成格式。tf.zero,tf.fill,tf.random變數random
- 【tf.keras】tf.keras使用tensorflow中定義的optimizerKeras
- 運算元據庫
- python運算元據Python
- JavaScript運算元組JavaScript
- tensorflow錯誤記錄:tf.concat
- Spring原始碼系列：核心概念解析Spring原始碼
- 【xenomai核心解析】系列文章大綱AI
- TF學習——TF之TensorFlow Slim：TensorFlow Slim的簡介、安裝、使用方法之詳細攻略
- HelloDjango 系列教程：第 04 篇：Django 遷移、運算元據庫Django
- Golang 學習系列第四天：運算元據庫 PostgreSQLGolangSQL
- JS加法運算全解析JS
- 運算元據庫表
- MySQL DML運算元據MySql
- jmeter運算元據庫JMeter