本文详细介绍了TensorFlow的系统架构，包括前端和后端子系统，以及核心组件如Client、Distributed Master、Worker Service和Kernel Implements的交互。在分布式环境中，Distributed Master负责计算图的拆分和派发，Worker Service执行OP的运算，Kernel Implements提供设备特定的OP实现。文章适合已了解TensorFlow基本概念的读者，帮助理解其工作原理。
作者：刘光聪 ，中兴通讯高级系统架构师，专注机器学习算法，分布式系统架构与优化。
原文：TensorFlow架构与设计
责编：王艺 优快云 AI记者，投稿、寻求报道、深入交流请邮件wangyi@youkuaiyun.com或扫描文末二维码添加微信。
TensorFlow是什么？
TensorFlow基于数据流图，用于大规模分布式数值计算的开源框架。节点表示某种抽象的计算，边表示节点之间相互联系的张量。
TensorFlow支持各种异构的平台，支持多CPU/GPU，服务器，移动设备，具有良好的跨平台的特性；TensorFlow架构灵活，能够支持各种网络模型，具有良好的通用性；此外，TensorFlow架构具有良好的可扩展性，对OP的扩展支持，Kernel特化方面表现出众。
TensorFlow最初由Google大脑的研究员和工程师开发出来，用于机器学习和神经网络方面的研究，于2015.10宣布开源，在众多深度学习框架中脱颖而出，在Github上获得了最多的Star量。
本文将阐述TensorFlow的系统架构，帮助读者加深理解TensorFlow的工作机理。
本文假设读者已经了解TensorFlow的基本编程模型，包括计算图, OP, Tensor, Session等基本概念。
系统概述
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：
- 前端系统：提供
最低0.47元/天 解锁文章
扫一扫
1073
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
