tensorflow源码分析（五）session.run()

      接下里分析session.run()接口，执行一次run就执行了一遍数据流图，在tensorflow代码中通常在一个循环中调用run接口，一次run就是训练过程中的一步：

1）session.run() 客户端通过该接口执行一步训练

2）BaseSession.Run（）fetches参数可以是单个元素，或者是一个列表，一个字典，一个元组，都是可以的，但是要有个前提，最终的节点元素一定是一个graph_element也就是能够被graph识别并且转化为ops或者tensor的一个对象；该接口的返回值的shape与fetches一致；feed_dict参数允许用户覆盖原来在graph中的tensor的值；options可以控制某些特殊步骤的行为（打开追踪等）；run_metadata手机非tensor的输出；

3）tf_session.TF_NewBuffer():创建用于输出的protobuffer

3）BaseSession._run（）该接口会检测参数得合法性

4）_FetchHandler()该接口是对传入的fetches进行结构化，因为传入的fetches有各种各样的，所以最后要转变成对应的ops和tensor才能够在graph上面流动，并且最终会返回一个tensor名字的列表和一个ops名字的列表

5）BaseSession._update_with_movers()如果一个tensor句柄被输入到设备不兼容的占位符上，我们可以把该tensor移动到一个正确的设备上，并且会创建一个新的tensor handler，并更新feed_dict以使用新的tensor句柄，movers会一直存在，直到_do_run()执行结束

6）BaseSession._do_run()根据是否有handle的传入选择性运行run或者partial_run

7）tf_session.TF_Run()会通过python和c++的转换层调用到c++的接口

8）TF_Run_Helper()根据handler是否为空选择run（）或者prun（）

9）最终回调用DirectSession::Run（）接口，该接口会完成绝大部分的工作

10）IncrementBy(1) 累加 Session 计数器

11）GetOrCreateExecutors()处理输入，准备线程池，根据输入输出 tensor、目标节点，从当前 Session 中已有的 executor 中找是否存在 一个相同任务的 executor，找到则将其返回，否则创建一个新的 executor（TODO：会涉及创建executors， 创建graph，grpah中每个元素分配设备等，可以继续展开）

12）call_frame()配置一个call frame，是一个用来处理 executor 输入输出的一个接口结构。从前面解析过的输入中提取出具体的 Tensor，封装到 FunctionCallFrame 里面去

13）run_state(args.step_id, &devices_)创建一个 RunState，用于标记运行的状态；一个 IntraProcessRendezvous 用于本地 Tensor 数据的管理；一个 CancellationManager，用于让 Session 响应 Session::Close()

14）item.executor->RunAsync()配合线程池去执行运行，主线程这个时候会停下来等待 executor 跑完(TODO:在该接口中做了很多工作（初始化ready队列，把已经ready的node交给session管理得设备和相应的线程去执行），可以详细展开)