Tensorflow代码目录组织

今天了解一下tensorflow的项目组织结构，其github链接如下：https://github.com/tensorflow/tensorflow

 

Tensorflow/core目录包含了TF核心模块代码。

•         public: API接口头文件目录，用于外部接口调用的API定义，主要是session.h 和tensor_c_api.h。
•         client: API接口实现文件目录。
•         platform: 主要是隔离不同的操作系统，包含了不同OS系统相关接口文件，如file system, env等，降低了跨平台的难度。
•         protobuf: tensorflow前后端主要是使用了protocol buffer协议定义。在源码目录中、最主要的是master_service.proto和work_service.proto两个文件。分别声明了master和worker的服务借口。
•         common_runtime: 公共运行库，包含session, executor, threadpool, rendezvous, memory管理, 设备分配算法SimplePlacer，对device的定义，内存分配算法BFC(best-fit with coalescing)。
•         distributed_runtime: 分布式执行模块，如rpc session, rpc master, rpc worker, graph manager。
•         framework: 实现了tf的基本运行方式。其中包含tensor等数据结构，还包括数据类型，资源管理器以及通信机制等信息。算子的实现中采用了注册机制。
•         graph: 实现的计算图模型的数据结构，包括边edge，节点node，图graph等。以及图的遍历算法以及布置节点所需要的代价模型。
•         kernels: kernels是op的底层实现，op是kernels的上层抽象。对于不同的计算平台(gpu\cpu\tpu等)有不同的实现。比如对于cpu来说，数值计算会基于Eigen库。Eigen库是一个c++编写的模板库，支持整数、复数、浮点数，使用模板编程、可以为特殊数据结构提供矩阵操作。而gpu的运算则是基于cuda完成的。
•         lib: 公共基础库，如gif、gtl(google模板库)、hash、histogram等。
•         ops: 基本ops运算，ops梯度运算，io相关的ops，控制流和数据流操作
•         Tensorflow/stream_executor目录是并行计算框架，由google stream executor团队开发。
•         Tensorflow/contrib目录是contributor开发目录。
•         Tensroflow/python目录是python API客户端脚本。
•        Tensorflow/tensorboard目录是可视化分析工具，不仅可以模型可视化，还可以监控模型参数变化。
•         third_party目录是TF第三方依赖库。
•         eigen3: eigen矩阵运算库，TF基础ops调用
•         gpus: 封装了cuda/cudnn编程库