TensorFlow架构与设计：会话生命周期
uvtn3309as2
8年前
<p>TensorFlow的系统结构以C API为界，将整个系统分为「前端」和「后端」两个子系统：</p> <ul> <li>前端系统：提供编程模型，负责构造计算图；</li> <li>后端系统：提供运行时环境，负责执行计算图。</li> </ul> <p style="text-align:center"><img src="https://simg.open-open.com/show/1c435f8ab11b82ec76caf3c8f8073210.png"></p> <p>系统架构</p> <p>前端系统主要扮演Client的角色，主要负责计算图的构造，并管理Session生命周期过程。</p> <p>前端系统是一个支持多语言的编程环境，并提供统一的编程模型支撑用户构造计算图。Client通过Session，连接TensorFlow后端的「运行时」，启动计算图的执行过程。</p> <p>后端系统是TensorFlow的运行时系统，主要负责计算图的执行过程，包括计算图的剪枝，设备分配，子图计算等过程。</p> <p>本文首先以Session创建为例，揭示前端Python与后端C/C++系统实现的通道，阐述TensorFlow多语言编程的奥秘。随后，以Python前端，C API桥梁，C++后端为生命线，阐述Session的生命周期过程。</p> <p><strong>Swig: 幕后英雄</strong></p> <p>前端多语言编程环境与后端C/C++实现系统的通道归功于Swig的包装器。TensorFlow使用Bazel的构建工具，在编译之前启动Swig的代码生成过程，通过tf_session.i自动生成了两个适配(Wrapper)文件：</p> <ul> <li>pywrap_tensorflow.py: 负责对接上层Python调用；</li> <li>pywrap_tensorflow.cpp: 负责对接下层C实现。</li> </ul> <p>此外，pywrap_tensorflow.py模块首次被加载时，自动地加载_pywrap_tensorflow.so的动态链接库。从而实现了pywrap_tensorflow.py到pywrap_tensorflow.cpp的函数调用关系。</p> <p>在pywrap_tensorflow.cpp的实现中，静态注册了一个函数符号表。在运行时，按照Python的函数名称，匹配找到对应的C函数实现，最终转调到c_api.c的具体实现。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/009c0bc15f625c602c2f9b99fee0f542.png"></p> <p>Swig代码生成器</p> <p><strong>编程接口：Python</strong></p> <p>当Client要启动计算图的执行过程时，先创建了一个Session实例，进而调用父类BaseSession的构造函数。</p> <pre> <code class="language-python"># tensorflow/python/client/session.py class Session(BaseSession): def __init__(self, target='', graph=None, config=None): super(Session, self).__init__(target, graph, config=config) # ignoring others</code></pre> <p>在BaseSession的构造函数中，将调用pywrap_tensorflow模块中的函数。其中，pywrap_tensorflow模块自动由Swig生成。</p> <pre> <code class="language-python"># tensorflow/python/client/session.py from tensorflow.python import pywrap_tensorflow as tf_session class BaseSession(SessionInterface): def __init__(self, target='', graph=None, config=None): self._session = None opts = tf_session.TF_NewSessionOptions(target=self._target, config=config) try: with errors.raise_exception_on_not_ok_status() as status: self._session = tf_session.TF_NewDeprecatedSession(opts, status) finally: tf_session.TF_DeleteSessionOptions(opts) # ignoring others</code></pre> <p><strong>生成代码：Swig</strong></p> <pre> <code class="language-python">pywrap_tensorflow.py</code></pre> <p>在pywrap_tensorflow模块中，通过_pywrap_tensorflow将在_pywrap_tensorflow.so中调用对应的C++函数实现。</p> <pre> <code class="language-python"># tensorflow/bazel-bin/tensorflow/python/pywrap_tensorflow.py def TF_NewDeprecatedSession(arg1, status): return _pywrap_tensorflow.TF_NewDeprecatedSession(arg1, status)</code></pre> <pre> <code class="language-python">pywrap_tensorflow.cpp</code></pre> <p>在pywrap_tensorflow.cpp的具体实现中，它静态注册了函数调用的符号表，实现Python的函数名称到C++实现函数的具体映射。</p> <pre> <code class="language-python"># tensorflow/bazel-bin/tensorflow/python/pywrap_tensorflow.cpp static PyMethodDef SwigMethods[] = { ... {"TF_NewDeprecatedSession", _wrap_TF_NewDeprecatedSession, METH_VARARGS, NULL}, } PyObject *_wrap_TF_NewDeprecatedSession( PyObject *self, PyObject *args) { TF_SessionOptions* arg1 = ... TF_Status* arg2 = ... TF_DeprecatedSession* result = TF_NewDeprecatedSession(arg1, arg2); // ignoring others implements }</code></pre> <p>最终，自动生成的pywrap_tensorflow.cpp仅仅负责函数调用的转发，最终将调用底层C系统向上提供的API接口。</p> <p><strong>C API：桥梁</strong></p> <p>c_api.h是TensorFlow的后端执行系统面向前端开放的公共API接口之一，自此将进入TensorFlow后端系统的浩瀚天空。</p> <pre> <code class="language-python">// tensorflow/c/c_api.c TF_DeprecatedSession* TF_NewDeprecatedSession( const TF_SessionOptions*, TF_Status* status) { Session* session; status->status = NewSession(opt->options, &session); if (status->status.ok()) { return new TF_DeprecatedSession({session}); } else { return NULL; } }</code></pre> <p><strong>后端系统：C++</strong></p> <p>NewSession将根据前端传递的Session.target，使用SessionFactory多态创建不同类型的Session(C++)对象。</p> <pre> <code class="language-python">Status NewSession(const SessionOptions& options, Session** out_session) { SessionFactory* factory; Status s = SessionFactory::GetFactory(options, &factory); if (!s.ok()) { *out_session = nullptr; LOG(ERROR) << s; return s; } *out_session = factory->NewSession(options); if (!*out_session) { return errors::Internal("Failed to create session."); } return Status::OK(); }</code></pre> <p><strong>会话生命周期</strong></p> <p>下文以前端Python，桥梁C API，后端C++为生命线，理顺三者之间的调用关系，阐述Session的生命周期过程。</p> <p>在Python前端，Session的生命周期主要体现在：</p> <p>Session._extend_graph(graph)</p> <ul> <li>创建Session(target)</li> <li>迭代执行Session.run(fetches, feed_dict)</li> <li>Session.TF_Run(feeds, fetches, targets)</li> <li>关闭Session</li> <li>销毁Session</li> </ul> <pre> <code class="language-python">sess = Session(target) for _ in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) sess.close()</code></pre> <p>相应地，C++后端，Session的生命周期主要体现在：</p> <ul> <li>根据target多态创建Session</li> <li>Session.Create(graph)：有且仅有一次</li> <li>Session.Extend(graph)：零次或多次</li> <li>迭代执行Session.Run(inputs, outputs, targets)</li> <li>关闭Session.Close</li> <li>销毁Session对象</li> </ul> <pre> <code class="language-python">// create/load graph ... tensorflow::GraphDef graph; // local runtime, target is "" tensorflow::SessionOptions options; // create Session std::unique_ptr<tensorflow::Session> sess(tensorflow::NewSession(options)); // create graph at initialization. tensorflow::Status s = sess->Create(graph); if (!s.ok()) { ... } // run step std::vector<tensorflow::Tensor> outputs; s = session->Run( {}, // inputs is empty {"output:0"}, // outputs names {"update_state"}, // target names &outputs); // output tensors if (!s.ok()) { ... } // close session->Close();</code></pre> <p><strong>创建会话</strong></p> <p>上文介绍了Session创建的详细过程，从Python前端为起点，通过Swig自动生成的Python-C++的包装器为媒介，实现了Python到TensorFlow的C API的调用。</p> <p>其中，C API是前端系统与后端系统的分水岭。后端C++系统根据前端传递的Session.target，使用SessionFactory多态创建Session(C++)对象。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/c5f53338c0b4a11967b6a3b5cd42023a.png"></p> <p>创建会话</p> <p>从严格的角色意义上划分，GrpcSession依然扮演了Client的角色。它使用target，通过RPC协议与Master建立通信连接，因此，GrpcSession同时扮演了RPC Client的角色。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/5697bd3aab3ecbcae1f4a05cf21d641b.png"></p> <p>Session多态创建</p> <p><strong>创建/扩展图</strong></p> <p>随后，Python前端将调用Session.run接口，将构造好的计算图，以GraphDef的形式发送给C++后端。</p> <p>其中，前端每次调用Session.run接口时，都会试图将新增节点的计算图发送给后端系统，以便后端系统将新增节点的计算图Extend到原来的计算图中。特殊地，在首次调用Session.run时，将发送整个计算图给后端系统。</p> <p>后端系统首次调用Session.Extend时，转调(或等价)Session.Create；以后，后端系统每次调用Session.Extend时将真正执行Extend的语义，将新增的计算图的节点追加至原来的计算图中。</p> <p>随后，后端将启动计算图执行的准备工作。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/d31b5e226b569537ef1064275da369c4.png"></p> <p>创建/扩展图</p> <p><strong>迭代运行</strong></p> <p>接着，Python前端Session.run实现将Feed, Fetch列表准备好，传递给后端系统。后端系统调用Session.Run接口。</p> <p>后端系统的一次Session.Run执行常常被称为一次Step，Step的执行过程是TensorFlow运行时的核心。</p> <p>每次Step，计算图将正向计算网络的输出，反向传递梯度，并完成一次训练参数的更新。首先，后端系统根据Feed, Fetch，对计算图(常称为Full Graph)进行剪枝，得到一个最小依赖的计算子图(常称为Client Graph)。</p> <p>然后，运行时启动设备分配算法，如果节点之间的边横跨设备，则将该边分裂，插入相应的Send与Recv节点，实现跨设备节点的通信机制。</p> <p>随后，将分裂出来的子图片段(常称为Partition Graph)注册到相应的设备上，并在本地设备上启动子图片段的执行过程。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/d326dee10286cd3a711cbc57740f71d8.png"></p> <p>Run Step</p> <p><strong>关闭会话</strong></p> <p>当计算图执行完毕后，需要关闭Session，以便释放后端的系统资源，包括队列，IO等。会话关闭流程较为简单，如下图所示。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/896856f6e64f4c803bc3a6baf478bb83.png"></p> <p>关闭会话</p> <p><strong>销毁会话</strong></p> <p>最后，会话关闭之后，Python前端系统启动GC，当Session.del被调用后，启动后台C++的Session对象销毁过程。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/6a1d9a6a12d96c576218d413dfc39172.png"></p> <p>销毁会话</p> <p> </p> <p>来自：http://www.iteye.com/news/32241</p> <p> </p>