爱站程序员基地刘光聪 中生代技术
祝大家在2017年有新的收获。非常感谢大家在春节前夕依然还坚持参加中生代技术的分享活动，也感谢中生代提供的强大的分享平台。我是刘光聪，来自于中兴通讯技术规划部，关注敏捷软件开发，从事机器学习算法研究，目前负责AI平台架构与设计。今天我给大家分享的题目是：剖析TensorFlow架构与设计之编程模型。其目标是对深度学习有一个初步的了解，了解TensorFlow的基本编程模型，及其掌握TensorFlow的几个重要概念。
今天我的分享主要包括3个部分，简单介绍TensorFlow的架构；理解计算图的工作原理；通过Mnist实战，了解TensorFlow编程模型。
TensorFlow在跨平台，通用性，分布式， 可扩展性，可视化等方面优势非常明显。
TensorFlow是一种典型的基于符号编程的数值计算框架，从总架构上分为两层：
- 1. 前端：负责计算图的构造，支持多语言，其中Python提供的 API最为成熟；
- 2. 后端：负责计算图的执行，使用C++实现，直接操作分布式的CPU/GPU环境。
计算图是TensorFlow最重要的领域概念，OP代表节点，Tensor代表边； 数据从节点流入，通过OP运算，从节点流出，并做为下一节点的输入，TensorFlow的命名由此而来。
OP用于表示计算图的一个节点，完成某种抽象的计算。
TensorFlow支持丰富的OP集合，并且支持OP的扩展。
OP通过OP构造器(OP Constructor)生成OP实例，该工厂具有副作用，它将该OP实例注册到计算图中。此时用户对图实例无感知，因为其上下文存在一个默认的图实例。
OP的输入和输出以Tensor的形式传递，支持三种基本类型。
描述OP可以通过三个维度描述：
- 1. 类型
- 2. Tensor的Shape：维度，及其每一维度的大小
- 3. 约束：例如默认值，允许的值列表
以placeholder的OP为例，该OP是一个特殊的OP，它没有输入，只有输出。而且，他的类型为确定，待用户在构造OP是确定，可以看成一个「泛型编程」的过程。
这是placeholder OP的构造器(constructor)，或称为工厂。调用OP时，指定OP的属性，从而确定OP的基本规格。该过程类似于C++模板实例化，但还未生成对象实例(直至执行计算图阶段)。
Operation描述了OP的接口(类型，约束，属性，设备等)，Kernel是针对具体设备类型，或者数据类型，Tensor的维度及大小的某种具体实现。典型地，OP会有GPU实现的Kernel，及其CPU实现的Kernel 。这是一种典型的多态设计(区别于编程语言的多态)。
Tensor表示计算图的边实例，表示OP之间的数据流方向。
Tensor可以通过三元组描述：(Type, Rank, Shape)。
查看源代码(简化之后)，其Protobuf是如此描述Tensor的，其很好地形式化描述了Tensor的本质。
在计算图中，存在两种类型的边：
- 1. 正常的边：用于传递Tensor；
- 2. 特殊的边：用于控制依赖。
控制依赖是一种构建复杂网络模型的重要工具，它表示OP之间执行的依赖关系。
当前上下文，维护了一个指向default graph的指针；也就是说，在任何一个时刻，在上下文中都存在一个默认的图实例。图实例包括两类：
- 1. 隐式的图实例
- 2. 显式的图实例
前者的OP注册到隐式的图实例，后者的OP注册到显式的图实例中。
OP命名的层次化是一种搭建复杂网络的重要工具。例如，将OP看成西安市，那么如何从地球中找到它呢？ 首先，通过世界地图，先找到亚洲，然后找到中国，然后再找到陕西，最后才找到西安。当搭建复杂的网络模型时，OP命名的层次化，对于OP定位是非常有用的。
可以指定OP的设备类型，当执行计算图时，该OP会被分配到指定的设备上执行运算。
默认图实例(Default Graph)，OP命名的层次化(Name Scope)，指派设备(device)等机制，实际是由Context Manager管理，保证在某一个时刻，存在唯一的默认图实例，及其当前的Scope，及其当前的Device等等。
总结一下，TensorFlow是一种基于符号的编程模式，前端完成计算图的构造，后端完成计算图的执行。
这里举一个简单的例子，x表示模型的输入，y_表示模型的输出(Labels)；定义了W, b两个训练参数，然后使用matmul的OP，及其add的OP完成权重的线性求和，最后使用ReLU的激活函数，搭建了第一层网络模型。其中C代表后续的网络层次。
上述代码实现，构造了如上图所示的计算图实例。
通过建立一个Session，使用Mini-Batch算法实现该模型的训练。很显然，计算图被构造依次，但被执行了多次(一次一个Batch)。
这是使用Protobuf描述计算图的领域模型。
这是前端(Python)的领域模型。
这是后端的领域模型。
Session是Client与计算服务的桥梁，是一种资源，使用完成后保证被关闭；session.run建立了一个瞬时的闭包，该闭包针对于该次Batch，依次传递Tensor，完成整个计算的过程，然后再将梯度反传，最后完成参数的更新。每个子图只会构造依次，但可能被执行多次。Tensor在OP之间传递，其生命周期仅对当前批次有效，对下一个Mini-Batch无效。
其中，Feed代表模型的输入，Fetch代表模型的输出。
变量是一种特殊的OP，它维持一个Tensor的句柄，变相地延长了该Tensor的生命周期。
变量在使用之前，都需要使用初始化的OP进行初始化。例如，W使用tf.zeros的初始化OP进行初始化为0值。
存在一些语法糖，可以方便地对变量进行初始化(组合模式)。
犹如C++全局变量初始化的依赖关系，TensorFlow变量之间的初始化依赖关系需要特殊的处理。
可以使用Stateful的OP操作变量，完成变量状态的变更。
通过变量分组，可以方便对变量进行分组管理。例如，可以快速获取出所有训练参数的集合。
接下来，通过Mnist的实战，加深 理解TensorFlow的编程模型。实战包括两种网络模型的实践：
- 1. 单层网络(Softmax)
-
2. 多层网络(2层网络)
特征提取，因为只是Demo示例，这里简单地按照像素进行特征的提取。
训练样本集的示意图，它是一个二维的Tensor。
这是训练样本的标签集合(Labels)，采用One-hot形式的特征描述 。
首先描述模型的输入和输出，其中None表示batch_size，待seesion.run的Feed提供。
然后定义模型的训练参数集合，并定义变量初始化OP，用于在执行阶段完成变量的初始化。
这里定义了Mnist的Softmax单层网络模型。
然后定义交叉熵的损失函数，并使用随机梯度下降算法优化该损失函数，使得损失函数最小化。
然后建立一个会话，使用Mini-Batch算法，完成模型的训练。」
当完成模型的驯良后，可以使用测试数据集对模型进行测试，输出模型的精度。
接下来，通过搭建两层网络模型实现Mnist。其中，通过计算图的4个基本子图，显式地增强模型设计的可理解性。
- – Inference：仅完成推理，仅仅包括前向计算过程；
- – Loss：构建损失函数，计算损失；
- – Training：根据损失，反向传递梯度，然后更新权重，直到模型收敛；
-
– Evaluation：评估模型的精度
这里搭建了两层的网络模型：第一层：ReLU第二层：Softmax
这是推理的主要逻辑，定义了两层网络。
使用交叉熵定义损失函数。
使用随机梯度下降算法最小化损失函数 。
使用evaluation评估网络模型的精度。
感谢大家的耐心阅读，如果您对TensorFlow的架构与设计感兴趣，请持续关注我后续关于TensorFlow源代码的剖析，谢谢。
参考资料，网络上已经很丰富了，在此不在重述了。当然，阅读源代码，是获取最权威的知识的最佳途径。
最后，欢迎大家关注我的「简书」，直接搜索「刘光聪」，我主要关注敏捷软件开发，机器学习算法，也欢迎大家给我更多的指点，谢谢。
