TensorFlow 是為了大規(guī)模分布式訓練和推理而設計的，不過它在支持新機器學習模型和系統(tǒng)級優(yōu)化的實驗中的表現(xiàn)也足夠靈活。

本文對能夠同時兼具規(guī)模性和靈活性的系統(tǒng)架構進行了闡述。設定的人群是已基本熟悉 TensorFlow 編程概念，例如 computation graph, operations, and sessions。有關這些主題的介紹，請參閱

https://tensorflow.google.cn/guide/low_level_intro?hl=zh-CN。如已熟悉Distributed TensorFlow，本文對您也很有幫助。行至文尾，您應該能了解 TensorFlow 架構，足以閱讀和修改核心 TensorFlow 代碼了。

概覽

TensorFlow runtime 是一個跨平臺庫。圖 1 說明了它的一般架構。 C API layer 將不同語言的用戶級代碼與核心運行時分開。

圖 1

本文重點介紹以下幾個方面：

客戶端：

將整個計算過程轉義成一個數(shù)據(jù)流圖

通過 session，啟動圖形執(zhí)行

分布式主節(jié)點

基于用戶傳遞給 Session.run() 中的參數(shù)對整個完整的圖形進行修剪，提取其中特定子圖

將上述子圖劃分成不同片段，并將其對應不同的進程和設備當中

將上述劃分的片段分布到 worker services 工作節(jié)點服務上

每個 worker services 工作節(jié)點服務上執(zhí)行其收到的圖形片段

工作節(jié)點服務 Worker Services(每一任務一個)

使用內核實現(xiàn)來計劃圖形表示的計算部分分配給正確的可用硬件（如 cpu，gpu 等）

與其他工作節(jié)點服務 work services 相互發(fā)送和接收計算結果

內核實現(xiàn)

執(zhí)行單個圖形操作的計算部分

圖2 說明了這些組件的相互作用?！? job：worker / task：0” 和 “/ job：ps / task：0” 都是工作節(jié)點服務 worker services 上執(zhí)行的任務?！癙S” 表示“參數(shù)服務器”：負責存儲和更新模型參數(shù)。其他任務在迭代優(yōu)化參數(shù)時會對這些參數(shù)發(fā)送更新。如果在單機環(huán)境下，上述 PS 和 worker 不是必須的，不需要在任務之間進行這種特定的分工，但是對于分布式訓練，這種模式就是很常見的。

圖 2

請注意，分布式主節(jié)點 Distributed Master 和工作節(jié)點服務 Worker Service 僅存在于分布式 TensorFlow 中。TensorFlow 的單進程版本包含一個特殊的 Session 實現(xiàn)，它可以執(zhí)行分布式主服務器執(zhí)行的所有操作，但只與本地進程中的設備進行通信。

下面，通過逐步處理示例圖來詳細介紹一下 TensorFlow 核心模塊。

客戶端

用戶在客戶端編寫 TensorFlow 程序來構建計算圖。該程序可以直接組成單獨的操作，也可以使用 Estimators API 之類的便利庫來組合神經(jīng)網(wǎng)絡層和其他更高級別的抽象概念。TensorFlow 支持多種客戶端語言，我們優(yōu)先考慮 Python 和 C ++，因為我們的內部用戶最熟悉這些語言。隨著功能的日趨完善，我們一般會將它們移植到 C ++，以便用戶可以從所有客戶端語言優(yōu)化訪問。盡管大多數(shù)訓練庫仍然只支持 Python，但 C ++ 確實能夠支持有效的推理。

客戶端創(chuàng)建會話，該會話將圖形定義作為tf.GraphDef 協(xié)議緩沖區(qū)發(fā)送到分布式主節(jié)點。當客戶端評估圖中的一個或多個節(jié)點時，評估會觸發(fā)對分布式主節(jié)點的調用以啟動計算。

在圖 3 中，客戶端構建了一個圖表，將權重（w）應用于特征向量（x），添加偏差項（b）并將結果保存在變量中。

圖 3

代碼：

tf.Session

分布式主節(jié)點 Distributed master

分布式主節(jié)點：

基于客戶端指定的節(jié)點，從完整的圖形中截取所需的子圖

對圖表進一步進行劃分，使其可以將每個圖形片段映射到不同的執(zhí)行設備上

以及緩存這些劃分好的片段，以便在后續(xù)步驟中再次使用

由于主節(jié)點可以總攬步驟計算，因此它可以使用標準的優(yōu)化方法去做優(yōu)化，例如公共子表達式消除和常量的綁定。然后，對一組任務中優(yōu)化后的子圖或者片段執(zhí)行協(xié)調。

圖4

圖 5 顯示了示例圖的可能分區(qū)。分布式主節(jié)點已對模型參數(shù)進行分組，以便將它們放在參數(shù)服務器上。

圖5

在分區(qū)切割圖形邊緣的情況下，分布式主節(jié)點插入發(fā)送和接收節(jié)點以在分布式任務之間傳遞信息（圖 6）。

圖 6

然后，分布式主節(jié)點將圖形片段傳送到分布式任務。

圖 7

代碼：

MasterService API definition

Master interface

工作節(jié)點服務 Worker Service

在每個任務中，該部分負責：

處理來自 master 發(fā)來的請求

為包含本地子圖規(guī)劃所需要的內核執(zhí)行

協(xié)調與其他任務之間的直接信息交換

我們優(yōu)化了 Worker Service，以便其以較低的負載便能夠運行大型圖形。當前的版本可以執(zhí)行每秒上萬個子圖，這使得大量副本可以進行快速的，細粒度的訓練步驟。Worker service 將內核分派給本地設備并在可能的情況下并行執(zhí)行內核，例如通過使用多個 CPU 內核或者 GPU 流。

我們還特別針對每對源設備和目標設備類型的 Send 和 Recv 操作進行了專攻：

使用 cudaMemcpyAsync() 來進行本地 CPU 和 GPU 設備之間的重疊計算和數(shù)據(jù)傳輸

兩個本地 GPU 之間的傳輸使用對等 DMA，以避免通過主機 CPU 主內存進行高負載的復制

對于任務之間的傳輸，TensorFlow 使用多種協(xié)議，包括：

gRPC over TCP

融合以太網(wǎng)上的 RDMA

另外，我們還初步支持 NVIDIA 用于多 GPU 通信的 NCCL 庫

圖8

代碼：

WorkerService API definition

Worker interface

Remote rendezvous (for Send and Recv implementations)

內核運行

該運行時包含了 200 多個標準操作，其中涉及了數(shù)學，數(shù)組，控制流和狀態(tài)管理等操作。每個操作都有對應各種設備優(yōu)化后的內核運行。其中許多操作內核都是通過使用 Eigen::Tensor 實現(xiàn)的，它使用 C ++ 模板為多核 CPU 和 GPU 生成高效的并行代碼；但是，我們可以自由地使用像 cuDNN 這樣的庫，就可以實現(xiàn)更高效的內核運行。我們還實現(xiàn)了 quantization 量化，可以在移動設備和高吞吐量數(shù)據(jù)中心應用等環(huán)境中實現(xiàn)更快的推理，并使用 gemmlowp 低精度矩陣庫來加速量化計算。

如果用戶發(fā)現(xiàn)很難去將子計算組合，或者說組合后發(fā)現(xiàn)效率很低，則用戶可以通過注冊額外的 C++ 編寫的內核來提供有效的運行。例如，我們建議為一些性能的關鍵操作注冊自己的融合內核，例如 ReLU 和 Sigmoid 激活函數(shù)及其對應的梯度等。XLA Compiler提供了一個實驗性質的自動內核融合實現(xiàn)。

代碼：

OpKernel?interface