tensorflow二次开发

编译

  • 方法1:

    1
    2
    3
    4
    5
    6
    7
    ./configure
    bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package
    build出错清理:
    /root/.cache/bazel
    把下面的之前出错的缓存文件给删除掉
    生成whell包
    bazel-bin/tensorflow/tools/pip_package/build_pip_package /root/tensorflow/wheel_pkg/build_withSource
  • 方法2:

    1
    2
    3
    4
    yes "" | python configure.py
    bazel build --config=mkl --copt=-mavx2 --copt=-O3 --copt=-DINTEL_MKL_QUANTIZED -s //tensorflow/tools/pip_package:build_pip_package
    生成whell包
    bazel-bin/tensorflow/tools/pip_package/build_pip_package /root/tensorflow/wheel_pkg/build_withSource

编译命令和过程分析

视频:https://www.youtube.com/watch?v=Rw-KrbfyABQ
https://www.cnblogs.com/shouhuxianjian/p/9416934.html

运行configure.py会把一些编译参数放入.bazelrc和.tf_configure.bazelrc文件里面(https://www.jianshu.com/p/5cd111ebb8bb)
bazelrc文件的解释
https://docs.bazel.build/versions/master/guide.html

build 后面接的都是默认的编译参数
build:mkl 后面接的编译参数只有当bazel build –config=mkl的时候mkl后面的编译参数才会起作用

-c的选项有可能是–config的缩写

bazel build的其他编译选项:
https://docs.bazel.build/versions/master/user-manual.html
–copt: This option takes an argument which is to be passed to the compiler. 所以–copt后面传进来的都是gcc或者是icc的编译参数

–strip是否删除debug信息,never表示不删除debug信息

增量编译

直接bazel build
然后重新生成wheel包
pip unistall tensorflow
一定先卸载然后重新安装
否则还是原来的包

编译之后

生成pywrap_tensorflow_internal.py 以及 pywrap_tensorflow_internal.cc在~/.cache/bazel目录下面,所有代码都在_pywrap_tensorflow_internal.so 的动态链接库里面
pywrap_tensorflow_internal.py: 负责对接上层 Python 调用
pywrap_tensorflow_internal.cc: 负责对接下层 C API 调用

  • pywrap_tensorflow_internal.py 模块首次被导入时,自动地加
    载 _pywrap_tensorflow_internal.so 的动态链接库;其中, _pywrap_tensorflow_internal.so
    包含了整个 TensorFlow 运行时的所有符号。
  • 在 pywrap_tensorflow_internal.cc 的实现中,静态注册了一个函数符号表,实现了 Python 函数名到 C 函数名的二元关系。在运行时,按照 Python 的函数名称,匹找到对应的 C 函数实现,最终实现 Python 到 c_api.c 具体实现的调用关系。

调整tensorflow运行的日志等级

TF代码又两个函数打印日志,LOG以及VLOG
LOG是正常的打印日志,通过TF_CPP_MIN_LOG_LEVEL

1
export TF_CPP_MIN_LOG_LEVEL=level

去设置,值越小,打印日志越多
VLOG通过

1
export TF_CPP_MIN_VLOG_LEVEL=level

去设置,但是VLOG只有在LOG等级为0的时候设置才有用
比如要打印mkl_layout_pass.cc初始化rewirte op时的信息

1
2
export TF_CPP_MIN_LOG_LEVEL=0
export TF_CPP_MIN_VLOG_LEVEL=1

编译debug版本的tensorflow

添加 -c dbg选项
移除优化选项 –copt=-O3 以及 -c opt

1
bazel build --config=mkl --copt=-mavx2 --copt=-O3 --copt=-DINTEL_MKL_QUANTIZED -s -c dbg //tensorflow/tools/pip_package:build_pip_package

debug版本编译完大概有20G左右
export OMP_NUM_THREADS=1
设置intra和inter值为1

指定编译目录

默认编译在/root/.cache/bazel目录下面,有时候root目录空间不够

1
2
3
build_dir=/home/lesliefang/bazel_build
bazel --output_user_root=$build_dir clean
bazel --output_user_root=$build_dir build --config=mkl --copt=-mavx2 --copt=-O3 --copt=-DINTEL_MKL_QUANTIZED -s -c dbg //tensorflow/tools/pip_package:build_pip_package

编译报错找不到–march=broadwell

使用gcc6.3以及以上版本,低版本的编译器不认识broadwell的选项

whell太大无法打包

https://github.com/tensorflow/tensorflow/issues/5538

替换mkldnn版本

以TF从0.18升级到0.19为例

下载mkldnn0.19计算sha256sum

1
2
3
4
5
wget https://github.com/intel/mkl-dnn/archive/v0.19.tar.gz
sha256sum v0.19.tar.gz
记录这个结果
ba39da6adb263df05c4ca2a120295641fc97be75b588922e4274cb628dbe1dcd
后面会用到

修改$tensorflow_root/tensorflow/workspace.bzl

搜索mkl_dnn

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
121 # Important: If you are upgrading MKL-DNN, then update the version numbers
122 # in third_party/mkl_dnn/mkldnn.BUILD. In addition, the new version of
123 # MKL-DNN might require upgrading MKL ML libraries also. If they need to be
124 # upgraded then update the version numbers on all three versions above
125 # (Linux, Mac, Windows).
126 tf_http_archive(
127 name = "mkl_dnn",
128 build_file = clean_dep("//third_party/mkl_dnn:mkldnn.BUILD"),
129 sha256 = "38a1c02104ee9f630c1ad68164119cd58ad0aaf59e04ccbe7bd5781add7bfbea",
130 strip_prefix = "mkl-dnn-0.18",
131 urls = [
132 "http://mirror.tensorflow.org/github.com/intel/mkl-dnn/archive/v0.18.tar.gz",
133 "https://github.com/intel/mkl-dnn/archive/v0.18.tar.gz",
134 ],
135 )

  • 把里面所有0.18替换成0.19
  • 替换上面得到的sha256sum

看第二步的注释和代码

需要修改”//third_party/mkl_dnn:mkldnn.BUILD”
$tensorflow_root/tensorflow/workspace.bzl
vim $tensorflow_root/third_party/mkl_dnn/mkldnn.BUILD
把里面的版本号从0.18改到0.19

注意:
tensorflow里面,mkldnn是被当做source code编译进去的,
所以不存在动态链接库

check:
build_dir/b3a4cb07d89ceca0353d37b5d32ffadc/external/mkl_dnn
里面是mkldnn下载下来的代码
里面有个readme文件在开头的地方可以check版本是0.18还是0.19

gdb 调试

二种方法方法去debug TF:
method1:

1
2
3
1. gdb python
2. run file.py
3. bt

method2:

1
2
3
4
5
6
1. 跑测试
2. top 看到python进程的pid
3. gdb -p pid
挂上之后,原来测试会挂住
break 函数名或者其它打上断点,tensorflow找不到符号的情况下可以 文件名:line的方式去打断点
continue 继续测试直到core-dump

如何添加python的信息 参考这个blog
http://jcf94.com/2018/01/13/2018-01-13-tfunpacking/

warning找不到文件

dir 目录
去指定文件的搜索根目录
使用gdbgui去调试的时候,也需要指定了目录之后才可以显示文件

调试前的参数设置以及技巧

所有并行计算线程设置为1,避免多线程导致断点带来的麻烦
命令后加&echo $! 输出PID,进行gdb -p的调试

mkldnn调试

1
2
export MKLDNN_VERBOSE=1
python ***

在运行测试之前,添加环境变量
可以打出mkldnn的信息
每一行的信息Each line with verbose information is formatted as a comma-separated list containing:

  • mkldnn_verbose
  • stage, e.g. create or exec
  • primitive-kind, e.g. convolution, reorder, sum, …
  • primitive implementation name
  • propagation-kind, e.g. forward_training
  • input/output data info, e.g. data type and data format
  • auxiliary information, e.g. algorithm or number of input
  • problem description
    • for convolution the problem description is dumped in benchdnn friendly format
    • for reorder, sum, and concat problem description is simply logical dims
    • for other primitives the problem description is similar to convolution one
  • execution time in milliseconds

看python到C++调用关系

以Session 为例子:tf.Session时候的调用关系

  • python api
    /root/tensorflow_src/test_code/private-tensorflow/tensorflow/python
    目录下面:
  1. grep -rni “class Session”
    client/session.py:1475:class Session(BaseSession):
    里面调用了baseSession的构造函数
  2. 看baseSession
    里面调用了tf_session

    1
    2
    self._session = tf_session.TF_NewSessionRef(self._graph._c_graph, opts)
    from tensorflow.python import pywrap_tensorflow as tf_session
  3. 看pywrap_tensorflow.py
    这个就是对应了编译出来的so文件

  4. 在source insight里面搜索TF_NewSessionRef
    看到定义在tf_session_help.cc里面
    里面调用了TF_NewSession

  5. source insight里面搜索TF_NewSession
    已经进入到C++ 代码内部

以matmul为列

https://ggaaooppeenngg.github.io/zh-CN/2018/05/29/Tensorflow-%E7%9A%84-Tensor-%E5%92%8C-OpKernel-%E5%88%86%E6%9E%90/
调用 tf.matmul(a,b)

  1. 查看
    1
    grep -rni "tf_export.*matmul" #这个函数需要用tf_export导出

ops/math_ops.py:2277:@tf_export(“linalg.matmul”, “matmul”)

  1. 看math_ops.py:2277
    api的使用有详细的解释
    调用了gen_math_ops.batch_mat_mul 或者 gen_math_ops.mat_mul

  2. 看gen_math_ops.py

    1
    find / -name "gen_math_ops.py"

这个文件看文件名字,应该是在编译的时候生成的
这个文件里面搜:batch_mat_mul

  1. batch_mat_mul函数
    这个函数里面调用了
    1
    2
    3
    4
    _result = _pywrap_tensorflow.TFE_Py_FastPathExecute(
    _ctx._context_handle, _ctx._eager_context.device_name, "BatchMatMul",
    name, _ctx._post_execution_callbacks, x, y, "adj_x", adj_x, "adj_y",
    adj_y)

所以C++里面的op函数应该是BatchMatMul

  1. 搜索所有注册这个op的地方
    搜索op定义
    1
    2
    [[email protected] private-tensorflow]# grep -rni "REGISTER_OP("MatMul")"
    tensorflow/core/ops/math_ops.cc:763:REGISTER_OP("MatMul")

搜索op的kernel实现

1
grep -rni "Name("MatMul")"

找到所有定义operation
break 文件名:行
在每个computer的d地方打断点
看看调用到了哪个kernel

看class MatMulOp 的Compute方法里面最后调用了LaunchMatMul方法
LaunchMatMul 继承自LaunchMatMulBase,在 LaunchMatMulBase 当中调用了 functor::MatMulFunctor,这个 functor 主要就会执行乘法操作

MatMulFunctor里面调用了MatMul方法
MatMul方法里面进一步调用了out.device(d) = in0.contract(in1, dim_pair);

contract是Eigen的一个方法,表示矩阵相乘,Eigen是一套高效的C++中调用的数学平台,里面实现了很多通用的数学运算。

以conv2d为例

这个人博客很多好文章:http://lanhin.xyz/
http://lanhin.xyz/2018/10/29/tensorflow%E4%B8%AD2d%E5%8D%B7%E7%A7%AF%E4%BB%A3%E7%A0%81%E7%AE%80%E6%9E%90/

  1. python 接口 tf.nn.conv2d
    1
    grep -rni "tf_export.*conv2d"

tensorflow_src/test_code/private-tensorflow/tensorflow/python/ops/nn_ops.py:1376:@tf_export(“nn.conv2d”, v1=[])

  1. 查找输出的地方

    1
    find / -name "gen_math_ops.py"
  2. 查看op注册和实现的地方

    1
    2
    grep -rni "REGISTER_OP("Conv2D")"
    grep -rni "Name("Conv2D")"
  3. 进入conv_ops.cc文件
    看Compute方法

输入为浮点数float调用LaunchDeepConvOp::Run

其它输入类型调用launcher_
进一步看调用到了
LaunchConv2DOp::operator()
再往下
tensorflow::LaunchGeneric::operator
这个函数里面通过不同的条件判断调用两个不同的计算kernel:functor::MatMulConvFunctor()和functor::SpatialConvolution()

MatMulConvFunctor定义在conv_2d.h文件里面
out.device(d) = in0.contract(in1, dim_pair, output_kernel);
到最后还是调用了矩阵乘法的函数
这个contract应该是eigen库提供的接口

INT8 operation

  1. 读取RN50 int8的pb
    用tensorboard查看
    看到用到了op:QuantizedConv2DWithBiasAndReluAndRequantize

搜索不到对应op的时候
tensorflow做了op的转换
private-tensorflowtensorflowcoregraphmkl_layout_pass.cc
参考这个文件
果然再这个文件里面可以搜索到
QuantizedConv2DWithBiasAndReluAndRequantize
mkl_layout_pass.cc 根据PPT里面的解释,会把标准的输入的TF的graph转换成mkl优化的图,里面有个run函数应该是转换的入口

也有可能定义tensorflow/core/api_def/base_api/api_def_QuantizedMatMulWithBias.pbtxt
这个目录下面也可能定义了pb文件

python api有两种定义方法(https://groups.google.com/a/tensorflow.org/forum/#!topic/developers/LmKn-y7LZ_E):
Python API endpoints are currently added using 2 ways:

  1. apidef.pbtxt files (python_op_gen_internal.cc would actually add tf_export decorator for each visible endpoint specified in apidef.pbtxt files)
  2. tf_export decorators

  3. 搜索这个op

    1
    2
    [[email protected] ~]# grep -rni "name("QuantizedConv2DWithBiasAndReluAndRequantize")"
    tensorflow_src/test_code/private-tensorflow/tensorflow/core/kernels/mkl_conv_ops.cc:1997:REGISTER_KERNEL_BUILDER(Name("QuantizedConv2DWithBiasAndReluAndRequantize")

这个op对应的kernel实现就是QuantizedConv2DWithBiasAndReluAndRequantize
对应的kernel叫做NoOp
看到注释:
// Register NoOp kernel for QuantizedConv2DWithBiasAndRelu to get a python
// interface.
// This kernel will be replaced by an MKL kernel during graph-optimization pass.

NoOp是因为这个op在图优化阶段被rewrite了(mkl_layout_pass.cc的RunPass函数)

同一个文件里面看另外一个op

1
_MklQuantizedConv2DWithBiasSumAndRelu

对应的kernel是MklQuantizedConv2DSumReluOp
继承了MklQuantizedConv2DOp这个kernel
MklQuantizedConv2DOp这个kernel继承了MklConvOp
MklQuantizedConv2DOp的compute方法首先调用了

1
2
3
// Compute int32 output tensor
MklConvOp<Device, quint8, qint8, Tbias, Toutput, Ttemp_output, int32,
biasEnabled, false>::Compute(context);

MklConvOp里面的compute方法调用了mkldnn
conv_fwd->Execute执行mkldnn的计算

注意
class MklConvOp在这个文件里面有两个类的定义
通过template Execute

根据文件里面的宏的定义,应该只有一个函数会被编译出来

看这个mkldnn的类的实现代码,可以先看看MKLDNN的教程和实例代码mkldnn代码库的simple_net.cpp以及解释
基本概念比较清晰,先创建memory/operator descriptor,再创建对应的Primitive descriptor ,最后创建primitive,然后把primitive放到stream里面去执行
tensorflow的这个类的实现follow这个逻辑只是加了一些封装
至于mkldnn里面进一步的实现(如何多线程等)就是mkldnn的事情了
可以看我的mkldnn的文章

自己定义个operation

参考文档:http://wiki.jikexueyuan.com/project/tensorflow-zh/how_tos/adding_an_op.html#AUTOGENERATED-adding-a-new-op

定义operation

1
2
3
4
#include "tensorflow/core/framework/op.h"
REGISTER_OP("ZeroOut")
.Input("to_zero: int32")
.Output("zeroed: int32");

定义kernel

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
#include "tensorflow/core/framework/op_kernel.h"
using namespace tensorflow;
class ZeroOutOp : public OpKernel {
public:
explicit ZeroOutOp(OpKernelConstruction* context) : OpKernel(context) {}
void Compute(OpKernelContext* context) override {
// 获取输入 tensor.
const Tensor& input_tensor = context->input(0);
auto input = input_tensor.flat<int32>();
// 创建一个输出 tensor.
Tensor* output_tensor = NULL;
OP_REQUIRES_OK(context, context->allocate_output(0, input_tensor.shape(),
&output_tensor));
auto output = output_tensor->template flat<int32>();
// 设置 tensor 除第一个之外的元素均设为 0.
const int N = input.size();
for (int i = 1; i < N; i++) {
output(i) = 0;
}
// 尽可能地保留第一个元素的值.
if (N > 0) output(0) = input(0);
}
};
REGISTER_KERNEL_BUILDER(Name("ZeroOut").Device(DEVICE_CPU), ZeroOutOp);

添加python wrap

经过前面两步在编译之后,可以在bazel-genfiles/tensorflow/python/ops/gen_user_ops.py文件,比如我的一个例子
vim /home/lesliefang/bazel_build/615e7e34d0a05b2b7ebac45eda8ba3c5/execroot/org_tensorflow/bazel-out/k8-opt/bin/tensorflow/tools/pip_package/build_pip_package.runfiles/org_tensorflow/tensorflow/python/ops/gen_user_ops.py
里面找到对应的operation的函数
为了使得python可以调用到,在tensorflow/python/user_ops/user_ops.py 文件中添加接口

1
2
3
4
@tf_export(v1=['user_ops.leslie_zero_out'])
def leslie_zero_out(input):
"""Example of overriding the generated code for an Op."""
return _gen_user_ops.zero_out(input)

测试

重新编译之后安装之后
测试代码

1
2
3
4
5
6
7
8
9
10
11
12
13
import tensorflow as tf
import numpy as np
import datetime
import os
import time
if __name__ == "__main__":
#time.sleep(30)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
result = tf.user_ops.leslie_zero_out([5, 4, 3, 2, 1])
print("result is {}".format(result))
print("result is {}".format(sess.run(result)))

多线程

To write a multi-threaded CPU kernel, the Shard function in work_sharder.h can be used. This function shards a computation function across the threads configured to be used for intra-op threading (see intra_op_parallelism_threads in config.proto).

核心运行机制

推荐一个很好的Blog:http://jcf94.com/2018/01/13/2018-01-13-tfunpacking/
这个blog对C++部分session的机制分析的很清楚

这边从python调用session.run开始分析

在python里面

1.
session.run

  1. 1
    2
    result = self._run(None, fetches, feed_dict, options_ptr,
    run_metadata_ptr)
  2. 在_run里面

    1
    2
    results = self._do_run(handle, final_targets, final_fetches,
    feed_dict_tensor, options, run_metadata)
    1. do_run里面

      1
      2
      return self._call_tf_sessionrun(
      options, feed_dict, fetch_list, target_list, run_metadata)
    2. call_tf_sessionrun里面

      1
      2
      3
      return tf_session.TF_SessionRun_wrapper(
      self._session, options, feed_dict, fetch_list, target_list,
      run_metadata)

TF_SessionRun_wrapper 定义在pywrap_tensorflow_internal.py里面
就是python和C++的桥梁

下面进入C++的部分

  1. TF_SessionRun_wrapper_helper函数
    里面调用了TF_SessionRun

  2. TF_SessionRun 函数
    调用了TF_Run_Helper函数

  3. TF_Run_Helper函数
    调用了session->Run函数

  4. 这是个虚函数
    用gdb跟进去看
    参考这篇文章:https://zhuanlan.zhihu.com/p/26031658
    local用direction_session
    分布式用grpc_session
    所以我们这边调用到了DirectSession::Run

  5. 看DirectSession::Run函数
    这个函数的分析:http://jcf94.com/2018/01/13/2018-01-13-tfunpacking/

  • GetOrCreateExecutors函数里面会去寻找有没有符合条件的exectuor,不存在的话则调用CreateExecutors函数去创建executors
    同时CreateExecutors里面调用到了CreateGraphs
    在CreateExecutors调用了CreateGraphs之后看到:
    1
    2
    params.create_kernel = [this, lib, opseg](const NodeDef& ndef,
    OpKernel** kernel)

我理解就是在这里实现了param里面的创建kernel的函数指针
在CreateExecutors的最后调用了NewExecutor函数,会传入param变量(里面带上了create_kernel方法)
NewExecutor函数里面通过工厂模式来生成Executor
是个虚函数,通过gdb看到里面调用了
tensorflow::(anonymous namespace)::DefaultExecutorRegistrar::Factory::NewExecutor (this=0x1fffd10, params=…, graph=…,
out_executor=0x72fdee8) at tensorflow/core/common_runtime/executor.cc:2857

1
2
3
4
5
6
7
8
9
10
class Factory : public ExecutorFactory {
Status NewExecutor(const LocalExecutorParams& params,
std::unique_ptr<const Graph> graph,
std::unique_ptr<Executor>* out_executor) override {
Executor* ret = nullptr;
TF_RETURN_IF_ERROR(NewLocalExecutor(params, std::move(graph), &ret));
out_executor->reset(ret);
return Status::OK();
}
};

里面调用了NewLocalExecutor
进一步调用ExecutorImpl->Initialize函数
这个函数里面调用了params_.create_kernel函数去创建kernel
(这个create_kernel函数就是之前在CreateExecutors函数里面定义的)
同时在这个函数里面看到了一行注释

1
2
// Preprocess every node in the graph to create an instance of op
// kernel for each node.

调试CreateExecutors的create_kernel函数

gdb断点进去CreateKernel函数
tensorflow/core/common_runtime/function.cc:521
调用到526行的CreateKernel函数
tensorflow/core/common_runtime/function.cc:526
executor.cc的CreateNonCachedKernel函数
op_kernel.cc的CreateOpKernel函数(*kernel = registration->factory->Create(&context);)
mkl_conv_ops.cc的TF_CALL_float(REGISTER_MKL_CPU_2D_FUSED);函数
mkl_conv_ops.cc的MklFusedConvOp的构造函数

所以调用session.run多次,因为已经存在符合条件的exectuors,并不会多次创建图
(别人的评论:第一次执行 sess.run(….) 的时候会根据 python 层的图构造出 C++ 层的图然后保存下来,之后如果下次 sess.run() 的目标节点是相同的,就不需要重新构造一遍了。详细可以去分析 sess.run() 的执行流程)

  • 调用到了RunInternal函数
  1. RunInternal函数
    里面调用了item.executor->RunAsync(args, barrier->Get());
    去执行异步计算

  2. 通过日志知道RunAsync会调用到executor的Process()函数
    process函数做了什么:
    http://jcf94.com/2018/01/13/2018-01-13-tfunpacking/
    遍历每个节点,针对每个节点的kernel进行计算(调用device->Compute,里面调用op_kernel->Compute(context);)
    在每个kernel里面都可以搜索到对应的Compute函数

看一个inner product的kernel是怎么生成的

断点打在

1
b mkl_qmatmul_op.cc:183(一个setup函数里面)

汾西代码知道这个setup函数是设置上下文变量的
查看调用栈

1
2
3
4
5
6
7
8
9
10
11
12
13
#0 tensorflow::MklIPFwdPrimitive<float, Eigen::QUInt8, Eigen::QInt8, Eigen::QInt32, Eigen::QUInt8>::Setup (this=0x3d1a300, IPFwdDims=...)
at tensorflow/core/kernels/mkl_qmatmul_op.cc:183
#1 0x00007f6a77ee938c in tensorflow::MklIPFwdPrimitive<float, Eigen::QUInt8, Eigen::QInt8, Eigen::QInt32, Eigen::QUInt8>::MklIPFwdPrimitive (this=0x3d1a300, IPFwdDims=...)
at tensorflow/core/kernels/mkl_qmatmul_op.cc:77
#2 0x00007f6a77ee81c3 in tensorflow::MklIPFwdPrimitiveFactory<float, Eigen::QUInt8, Eigen::QInt8, Eigen::QInt32, Eigen::QUInt8>::Get (IPFwdDims=..., do_not_cache=false)
at tensorflow/core/kernels/mkl_qmatmul_op.cc:298
#3 0x00007f6a77ee0515 in tensorflow::MklIPOp<Eigen::ThreadPoolDevice, Eigen::QUInt8, Eigen::QInt8, Eigen::QInt32, Eigen::QUInt8, Eigen::QUInt8, true>::Compute (
this=0x1ea0f20, context=0x7f6a53f1d5f0) at tensorflow/core/kernels/mkl_qmatmul_op.cc:499
#4 0x00007f6a77edee0e in tensorflow::MklQuantizedIPOp<Eigen::ThreadPoolDevice, Eigen::QInt32, Eigen::QUInt8, Eigen::QUInt8, true>::Compute (this=0x1ea0f20,
context=0x7f6a53f1d5f0) at tensorflow/core/kernels/mkl_qmatmul_op.cc:752
#5 0x00007f6a78410eae in tensorflow::Device::Compute (this=0x40a6780, op_kernel=0x1ea0f20, context=0x7f6a53f1d5f0) at ./tensorflow/core/common_runtime/device.h:89
#6 0x00007f6a6c90f868 in tensorflow::(anonymous namespace)::ExecutorState::Process (this=0x54f6480, tagged_node=..., scheduled_nsec=0)
at tensorflow/core/common_runtime/executor.cc:1817

  • #0 mkl_qmatmul_op.cc:183 在tensorflow里面这个primitive的setup函数
    看这个setup里面,看到先创建mkldnn的primitive的desc
    1
    2
    3
    4
    5
    // create a inner product
    context_.fwd_desc.reset(new inner_product_forward::desc(
    prop_kind::forward_inference, *context_.src_md, *context_.weight_md,
    *context_.bias_md,
    *context_.dst_md));

然后通过这个desc去创建primitive_desc(pd),跟进到mkldnn里面看,就是在创建pd的时候回去遍历mkldnn里面所有pd找到对应的满足条件的pd

  • #1 mkl_qmatmul_op.cc:77 MklIPFwdPrimitive的构造函数
  • #2 mkl_qmatmul_op.cc:298 MklIPFwdPrimitiveFactory的Get函数,Get函数根据输入的MklIPFwdParams去try to find a suitable one in pool
    没有找到的话(if (IP_fwd == nullptr))会去创建
  • #3 mkl_qmatmul_op.cc:499 MklIPOp的compute方法,里面调用了MklIPFwdPrimitiveFactory的Get方法去拿到对应的IP_fwd(Primitive)
    MklIPOp的compute方法 应该是tensorflow在运行图的节点的时候会被调用到的方法
    继续看这个MklIPOp的compute方法
    后面会调用IP_fwd->Execute(src_data, weight_data, bias_data, dstdata);
    去做计算
    这个根据前几步选中的mkldnn的pd,会调用到mkldnn的submit函数(context
    .fwdstream->submit(context.fwd_primitives);)
    可以用GDB去跟进mkldnn去看调用关系,这里已经比较好理解了
    结论
    所以tensorflow的node到mkldnn的kernel的对应关系,是在第一次运行这个图的时候确认的,同时如果set了cache(默认都是设置的),后面几次运行的时候就会保留这个对应关系
  • #4 mkl_qmatmul_op.cc:752 MklQuantizedIPOp的Compute函数,这个函数会去调用MklIPOp的compute方法
  • #5 device.h:89 Device的Compute()是个虚函数,对应了device信息
  • #6 executor.cc:1817 ExecutorState::Process函数,这里已经是tensorflow创建了exectuor之后的执行了
  • #7 executor.cc:2258 ExecutorState::ScheduleReady

总结,关键是这个MklIPOp的compute方法,先通过Get方法去获得对应的mkldnn的kernel,然后调用execute去执行

通过pb文件去看调用的kernel

读取pb文件,查看模型的结构

使用tensorboard或者Netron
推荐使用Netron,很好用,里面还可以看到各个节点的参数的值

打印pb文件中每个节点的名字

  • 在代码里面加载输出每个节点的名字
    1
    2
    3
    4
    5
    6
    graph_def = graph_pb2.GraphDef()
    with open(args.input_graph, "rb") as f:
    graph_def.ParseFromString(f.read()) #f就是pb文件
    for node in graph_def.node:
    k = node.name
    print("node op is {}".format(node.op))

打印出node的名字
比如其中一个MatMul

  • 加载pb用tensorboard大概看一下
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    2 import pandas as pd
    3 import csv
    4 import struct
    5 from PIL import Image
    6 import numpy as np
    7 import datetime
    8 import os
    9 import argparse
    10 import tensorflow as tf
    11
    12 if __name__ == "__main__":
    13 parser = argparse.ArgumentParser()
    14 parser.add_argument("mode", help="display a square of a given number")
    15 args = parser.parse_args()
    16 from tensorflow.python.platform import gfile
    17 with gfile.FastGFile(args.mode, 'rb') as f:
    18 graph_def = tf.GraphDef()
    19 graph_def.ParseFromString(f.read())
    20 for node in graph_def.node:
    21 print("node name is: {} t node op is: {}".format(node.name,node.op))
    22 #tensorboard
    23 with tf.Session() as sess:
    24 sess.graph.as_default()
    25 tf.import_graph_def(graph_def, name='')
    26 summaryWriter = tf.summary.FileWriter('log/', sess.graph)

跑完之后,命令行运行
tensorboard –logdir log/

  • 在tensorlfow里面搜索注册这个op和kernel的地方
    比如第二步打印看到的node.op是 Conv2D
    在代码里面搜索
    1
    grep -rni "Name(".*Conv2D.*")"

因为注册的kernel可能是Conv2D
也有可能加了mkl前缀比如:REGISTER_KERNEL_BUILDER(Name(“_MklConv2D”)
在directSession,创建新的exector的时候会去优化graph,这个时候会把Conv2D这个op转换成_MklConv2D,一般就是添加_MKL的前缀
在mkl_layout_pass.cc这个文件的RunPass函数里面,会去做图的优化,包括临近节点的合成,op的rewrite以及mkldnn节点前添加数据格式的转换等op
创建kernel时候的调用栈
断点打在mkl_conv_ops.cc:861

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
#0 tensorflow::MklConvOp<Eigen::ThreadPoolDevice, float, float, float, float, float, int, false, false>::MklConvOp ([email protected]=0x36b35400,
[email protected]=0x7ffca8d435c0) at tensorflow/core/kernels/mkl_conv_ops.cc:861
#1 0x00007fa3b9de7ecc in tensorflow::MklFusedConvOp<Eigen::ThreadPoolDevice, float, float, float, float, float, int, true>::MklFusedConvOp (
this=0x36b35400, context=0x7ffca8d435c0) at tensorflow/core/kernels/mkl_conv_ops.cc:1474
#2 0x00007fa3b9dcd7b2 in operator() (__closure=0x0, context=0x7ffca8d435c0) at tensorflow/core/kernels/mkl_conv_ops.cc:2165
#3 tensorflow::<lambda(tensorflow::OpKernelConstruction*)>::_FUN(tensorflow::OpKernelConstruction *) ()
at tensorflow/core/kernels/mkl_conv_ops.cc:2165
#4 0x00007fa3b469ac77 in tensorflow::CreateOpKernel (device_type=..., [email protected]=0x3c346e0, [email protected]=0x1c1e380,
[email protected]=0x36bae2c0, node_def=..., graph_def_version=0, kernel=0x15b5c4bc8) at tensorflow/core/framework/op_kernel.cc:1302
#5 0x00007fa3b498f80f in tensorflow::CreateNonCachedKernel (device=0x3c346e0, [email protected]=0x36bae2c0, ndef=...,
graph_def_version=<optimized out>, [email protected]=0x15b5c4bc8) at tensorflow/core/common_runtime/executor.cc:2764
#6 0x00007fa3b49aaaf7 in tensorflow::FunctionLibraryRuntimeImpl::CreateKernel (this=0x36bae2c0, ndef=..., lib_def=0x372c000, kernel=0x15b5c4bc8)
at tensorflow/core/common_runtime/function.cc:539
#7 0x00007fa3b49aac18 in tensorflow::FunctionLibraryRuntimeImpl::CreateKernel (this=<optimized out>, ndef=..., kernel=<optimized out>)
at tensorflow/core/common_runtime/function.cc:515
#8 0x00007fa3ba11e40b in operator() (kernel=0x15b5c4bc8, ndef=..., __closure=0x2ef1e660) at tensorflow/core/common_runtime/direct_session.cc:1261
#9 std::_Function_handler<tensorflow::Status(const tensorflow::NodeDef&, tensorflow::OpKernel**), tensorflow::DirectSession::CreateExecutors(const tensorflow::CallableOptions&, std::unique_ptr<tensorflow::DirectSession::ExecutorsAndKeys>*, std::unique_ptr<tensorflow::DirectSession::FunctionInfo>*, tensorflow::DirectSession::RunStateArgs*)::<lambda(const tensorflow::NodeDef&, tensorflow::OpKernel**)> >::_M_invoke(const std::_Any_data &, const tensorflow::NodeDef &, <unknown type in /home/lesliefang/venv_python36_RN50_Debug/lib/python3.6/site-packages/tensorflow/python/_pywrap_tensorflow_internal.so, CU 0x23b51f7a, DIE 0x23c57fc7>) (__functor=..., __args#0=..., __args#1=<optimized out>)
at /home/lesliefang/gcc63/lib/gcc/x86_64-pc-linux-gnu/6.3.0/../../../../include/c++/6.3.0/functional:1717
#10 0x00007fa3b49a164e in operator() (__args#1=<optimized out>, __args#0=..., this=0x169d87cf8)
at /home/lesliefang/gcc63/lib/gcc/x86_64-pc-linux-gnu/6.3.0/../../../../include/c++/6.3.0/functional:2127
#11 tensorflow::(anonymous namespace)::ExecutorImpl::Initialize ([email protected]=0x169d87ce0) at tensorflow/core/common_runtime/executor.cc:620
#12 0x00007fa3b49a3646 in tensorflow::NewLocalExecutor (params=..., graph=..., [email protected]=0x7ffca8d44218)
at tensorflow/core/common_runtime/executor.cc:2749
#13 0x00007fa3b49a36d2 in tensorflow::(anonymous namespace)::DefaultExecutorRegistrar::Factory::NewExecutor (this=<optimized out>, params=...,
graph=..., out_executor=0x3ab72bb8) at tensorflow/core/common_runtime/executor.cc:2785
#14 0x00007fa3b49a61b2 in tensorflow::NewExecutor (executor_type=..., params=..., graph=..., [email protected]=0x3ab72bb8)
at tensorflow/core/common_runtime/executor_factory.cc:82
#15 0x00007fa3ba128ee4 in tensorflow::DirectSession::CreateExecutors ([email protected]=0x2edd8480, callable_options=...,
[email protected]=0x7ffca8d448a0, [email protected]=0x7ffca8d448b0,
[email protected]=0x7ffca8d44fb0) at tensorflow/core/common_runtime/direct_session.cc:1296
#16 0x00007fa3ba12a730 in tensorflow::DirectSession::GetOrCreateExecutors ([email protected]=0x2edd8480, inputs=..., outputs=..., target_nodes=...,
executors_and_keys=0x7ffca8d44f48, run_state_args=0x7ffca8d44fb0) at tensorflow/core/common_runtime/direct_session.cc:1429
#17 0x00007fa3ba12b747 in tensorflow::DirectSession::Run (this=<optimized out>, run_options=..., inputs=..., output_names=..., target_nodes=...,
---Type <return> to continue, or q <return> to quit---
outputs=0x7ffca8d45340, run_metadata=0x7ffca8d453a0) at tensorflow/core/common_runtime/direct_session.cc:749
#18 0x00007fa3b76729f1 in tensorflow::SessionRef::Run (this=0x38d4a5f0, run_options=..., inputs=..., output_tensor_names=...,
target_node_names=..., outputs=0x7ffca8d45340, run_metadata=0x7ffca8d453a0) at tensorflow/python/client/session_ref.cc:427
#19 0x00007fa3b78c2d9d in TF_Run_Helper (session=0x38d4a5f0, [email protected]=0x0, [email protected]=0x0, input_pairs=...,
output_tensor_names=..., [email protected]=0x7ffca8d45708, target_oper_names=..., run_metadata=0x0, status=0x2b657788)
at tensorflow/c/c_api.cc:787
#20 0x00007fa3b78c3a3a in TF_SessionRun ([email protected]=0x3b57ef60, [email protected]=0x0, inputs=<optimized out>,
input_values=<optimized out>, ninputs=<optimized out>, outputs=0x36bbfc00, output_values=0x7ffca8d45708, noutputs=1, target_opers=0x0,
ntargets=0, run_metadata=0x0, status=0x2b657788) at tensorflow/c/c_api.cc:2638
#21 0x00007fa3b76710df in tensorflow::TF_SessionRun_wrapper_helper (session=0x3b57ef60, [email protected]=0x0, run_options=0x0, inputs=...,
input_ndarrays=..., outputs=..., targets=..., run_metadata=0x0, out_status=0x2b657788, py_outputs=0x7ffca8d45a50)
at tensorflow/python/client/tf_session_helper.cc:410
#22 0x00007fa3b76711b2 in tensorflow::TF_SessionRun_wrapper (session=<optimized out>, run_options=<optimized out>, inputs=..., input_ndarrays=...,
outputs=..., targets=..., run_metadata=0x0, out_status=0x2b657788, py_outputs=0x7ffca8d45a50)
at tensorflow/python/client/tf_session_helper.cc:452
#23 0x00007fa3b760b8d0 in _wrap_TF_SessionRun_wrapper (args=<optimized out>)
at bazel-out/k8-dbg/bin/tensorflow/python/pywrap_tensorflow_internal.cc:20508

关键代码分析:
op_kernel.cc:1302 CreateOpKernel函数

1
2
3
4
5
// Everything needed for OpKernel construction.
OpKernelConstruction context(
device_type, device, allocator, &node_def, op_def, flib, inputs,
input_memory_types, outputs, output_memory_types, graph_def_version, &s);
*kernel = registration->factory->Create(&context);

OpKernelConstruction context构造了找寻合适的tensorflow的条件

总结:tensorflow这边node的多态有两层

  • 第一层是在tensorflow自己框架的设计上,在session.run的时候,第一次运行创建exectuor的时候进行
  • 第二层多态是mkldnn层面上的,在调用op.Compute的方法的时候,第一次调用会去根据输入的数据类型选择并创建正确的mkldnn的pd

INT8化操作

理论介绍:
https://aidc.gallery.video/detail/videos/all-videos/video/5790616836001/understanding-new-vector-neural-network-instructions-vnni

重点推荐这篇文章,介绍量化很详细
https://petewarden.com/2016/05/03/how-to-quantize-neural-networks-with-tensorflow/

基本思想:

  • 对于输入的张量
    每一个FP32的输入张量,额外通过一个Min Op得到最小值Min,通过一个Max op得到最大值Max。原始FP32张量,和Min以及Max一起过一个quantize的op得到INT8的张量,再过INT8的计算op(POOL,Conv2D)。再将计算结果,和Min以及Max值一起过一个Dequantize的op反量化得到FP32的输出
    如果邻近两个节点都是INT8的量化操作,它们之间的反量化和量化操作可以省略
  • 对于原来存储的FP32格式的weight以及bias
    直接INT8化存储就可以了,存INT8值以及Min以及Max

TF1.10版本

transform_graph 工具

tensorflow/tools/graph_transforms 目录下面有个readme去介绍怎么做的
包括transform_graph里面每个trainform操作做了什么
这一步不是必须的
对原来的FP32的图做一些预处理的操作
每个操作的内容都写在–transforms参数里面,生成一个列表
每一个操作在对应的文件里面通过

1
REGISTER_GRAPH_TRANSFORM("fold_batch_norms", FoldBatchNorms);

函数写到transform_registry里面

在主函数里面遍历–transforms的输入列表,从transform_registry里面找到对应操作的函数,执行操作,返回新的graph_def

quantize_graph.py 脚本

这一步是必须的
这个脚本的作用:

  1. 是把原来图中的op转换成对应的INT8操作的op,比如conv2D转换成QuantizedConv2DWithBias或者QuantizedConv2DWithBiasAndRelu或者等等等
  2. 同时插入量化和反量化计算的节点,额外得到Min,Max 以及quantize和dequantize的op
  3. weights的量化操作也是在这一步做的,将FP32的weights值存成INT8的,有个quantize_weight_eightbit函数,将base_name对应的fp32节点换成int8,min,max 3个节点

转换之后多了几个节点:
输入计算节点之前:

  • Min:计算输入张量的最小值
  • Max:计算输入张量的最大值
  • QuantizeV2: 输入FP32,Min,Max计算量化的INT8输出,输入计算节点
    输入计算节点之后:计算节点的输出:比如量化卷积计算的输出是 INT32 的(MKLDNN x8s8X32的primitive)
  • RequantizationRange:因为输出是INT32的,而且量化成INT8的scale不在原始图里面存着,需要再量化一次,通过RequantizationRange去计算INT32张量的最大值和最小值
  • Requantize:具体计算INT32输出量化成INT8
  • Dequantize:INT8结果反量化成FP32的格式

插入log节点,并得到每一层的参数范围

这一步是必须的
使用transform_graph 工具 插入log节点

Freeze Re-quantization Range

因为量化卷积(mkldnn)输出是INT32的,需要重新量化成INT8,而且量化成INT8的scale不在原始图里面存着,所以通过这一步,做一次inference,记录scala,去需要再量化一次,通过RequantizationRange去计算
如果量化节点的输出已经是INT8的格式(比如Maxpool节点),就不需要Re-quantization
这一步 freeze之后就没有RequantizationRange这个节点了 只保留了量化的scala

  • 找到RequantizationRange这个节点,在这个节点后面插入一个Print节点去打印输出数据的范围信息
    RequantizationRange节点似乎是跟在Conv2D节点后面的,打印Conv2D的INT32输出的最大值和最小值
  • 选取一部分训练数据,进行inference,记录最大和最小值(Print节点会打出来的),保存成min_max.log文件
    python Inference.py 2> min_max.log
    因为Print节点的输出是error所以用2去重定向就可以了
  • 利用min_max.log和transform_graph工具去freeze这个requantization_ranges这个节点,把节点值变成常量,加快运算
    freeze之后就没有RequantizationRange这个节点了
    freeze之后把这个requantization_ranges节点通过2个const(name/frozen_min和name/frozen_max)替换了
    tensorflow/tools/graph_transforms 里面的readme有介绍freeze_requantization_ranges这个transform做了什么

Freeze max ranges

Max节点一般在量化之前出现,计算输入张量的最大值,用于量化

  • 找到Max这个节点,在这个节点后面插入一个Print节点去打印输出数据的范围信息
  • 选取一部分训练数据,进行inference,记录最大值(Print节点会打出来的),保存成max.log文件
  • 利用max.log文件去freeze Max这个节点((去除Max节点,用大值const的节点去替换name/frozen_max_only),加速inference的运算
    freeze之后就没有Max这个节点了

Freeze min ranges

Min节点一般在量化之前出现,计算输入张量的最小值,用于量化

  • 找到Min这个节点,在这个节点后面插入一个Print节点去打印输出数据的范围信息

  • 选取一部分训练数据,进行inference,记录最大值(Print节点会打出来的),保存成min.log文件

  • 利用min.log文件去freeze Min这个节点(去除Min节点,用小值const节点替换name/frozen_min_only),加速inference的运算
    freeze之后就没有Min这个节点了

通过这几步之后,quantize_graph.py 脚本生成的6个节点,只剩下了三个:

  • QuantizeV2: 输入FP32,Min,Max计算量化的INT8输出,输入计算节点
    输入计算节点之后:计算节点的输出:比如量化卷积计算的输出是 INT32 的(MKLDNN x8s8X32的primitive)
  • Requantize:具体计算INT32输出量化成INT8
  • Dequantize:INT8结果反量化成FP32的格式

Requantize 又可以和conv合并成一个节点

利用transform_graph 工具

这一步不是必须的,最好运行下

  1. 因为前面几步产生了一些不需要的节点,利用transform_graph 工具再移除一些不必要的节点strip_unused_nodes
  2. 将INT8的conv和后面的requantize节点合并:fuse_quantized_conv_and_requantize

对比FP32以及INT8模型

FP32

model.pb是训练得到的FP32模型
BS1 精度: 0.94085
BS128时的Throughput:2300 FPS

  • conv层调用 op是Conv2D, 经过mkl_layer_pass之后对应了TF里面_mklconv这个op,对应了TF的MklConvOp这个kernel,
    1
    2
    3
    4
    5
    6
    REGISTER_KERNEL_BUILDER(Name("_MklConv2D")
    .Device(DEVICE_CPU)
    .TypeConstraint<T>("T")
    .Label(mkl_op_registry::kMklOpLabel),
    MklConvOp<CPUDevice, float, float, float, float,
    float, int32, false, false>);

根据这个函数去创建MklConvOp对象并调用Compute方法
对应mkldnn里面的jit_avx512_common_convolution_fwd_t这个primitive

  • mkldnn verbose的输出:mkldnn_verbose,exec,convolution,jit:avx512_common,forward_training,fsrc:nChw16c fwei:OIhw16i16o fbia:undef fdst:nChw16c,alg:convolution_direct,mb128_ic32oc64_ih14oh14kh5sh1dh0ph2_iw14ow14kw5sw1dw0pw2,1.41382

INT8

一步步量化得到的INT8模型是: min_max_frozen_int8_model.pb
BS1 精度: 0.93885
BS128时的Throughput: 2380.7939278833765 images/second
这个模型有两个卷积运算,第一个卷积运算没有INT8化,第二个卷积运算INT8化了
我们这里关注第二个卷积运算

  • conv调用了 op是QuantizedConv2D, 经过mkl_layer_pass之后对应了TF里面_MklQuantizedConv2D这个op,TF的MklQuantizedConv2DOp这个kernel,MklQuantizedConv2DOp的Compute方法先调用了MklConvOp的Compute的方法
    虽然也调用了MklConvOp的Compute的方法
    但是MklQuantizedConv2DOp这个kernel是通过
    1
    2
    MklConvOp<Device, quint8, qint8, Tbias, Toutput, Ttemp_output, int32,
    biasEnabled, false>::Compute(context);

去创建 MklConvOp对象并调用Compute方法,和FP32的模板参数类型不一样对应了Tinput, Tfilter以及Toutput
因为模板参数不一样,调用MklConvOp的compute方法的时候对应找到的对应的mkldnn的pd也不一样,所以对应的mkldnn的primitive也不一样
通过看mkldnn的cpu_engine.cpp的cpu_impl_list怀疑对应了mkldnn的jit_avx512_core_x8s8s32x_convolution_fwd_t
这个primitive
如何证实:

  1. 通过gdb去debug,证实了猜想
  2. export MKLDNN_JIT_DUMP=1 去看dump出来的bin,里面果然有mkldnn_dump__jit_avx512_core_x8s8s32x_conv_fwd_ker_t.23.bin
    jit_avx512_core_x8s8s32x_convolution_fwd_t这个op里面在满足输入条件时会去调用VNNI的指令集VPDPBUSD

问题
在运行测试时,dump jit-bin去查看是否调用了指令

1
xed64 -ir mkldnn_dump__jit_avx512_core_x8s8s32x_conv_fwd_ker_t.23.bin | grep vpdpbusd

我们这里没有看到调用VNNI的指令集
重要 加-64选项

1
xed64 -ir mkldnn_dump__jit_avx512_core_x8s8s32x_conv_fwd_ker_t.23.bin -64 | grep vpdpbusd

这样就可以看到VPDPBUSD的指令被dump出来了
我们单步调试,看到mkldnn里面jit_avx512_core_x8s8s32x_convolution_fwd_t里面jcp_ver 是 ver_vnni
同时compute_ker函数(jit_avx512_core_x8s8s32x_conv_kernel.cpp)里面的cpmpute部分也的确调用到了vpdpbusd

  • mkldnn verbose的输出:
    mkldnn_verbose,exec,convolution,jit_int8:avx512_core,forward_training,fsrc:nhwc fwei:OIhw4i16o4i fbia:undef fdst:nhwc,alg:convolution_direct,mb128_ic32oc64_ih14oh14kh5sh1dh0ph2_iw14ow14kw5sw1dw0pw2,0.535156

看到精度只掉了0.002
但是Throughput也没有显著提高
但是只看这一层的性能从1.4ms提高到了0.53ms

GDB打印变量值

  • Tensor变量
    1
    2
    Tensor* out
    p *(unsigned long *)(out->buf_->data_)

out->buf->data 是数据指针 const
根据代码里面数据类型,转换成unsigned long
类型
再*取指针值

  • nodedef 和grahdef
    都是定义在 tensorflow/core/framework/.proto 文件里面
    用DebugString可以打印值
    p nodedef->DebugString()
    p grahdef->DebugString()

编写和触发单元测试

编写

在编写单元测试的时候可以参考Netron查看的模型结构

在tensorflow/python/kernel_tests/ 目录下面写在对应的单元测试的文件里面
比如之前写的concat的单元测试,测试是否成功创建concat op
tensorflow/python/kernel_tests/concat_op_test.py
写在这个文件目录下面

触发

1
2
3
4
5
6
7
8
# All tests (for C++ changes).
$bazel test //tensorflow/...
# All Python tests (for Python front-end changes).
bazel --output_user_root=$build_dir test --config=mkl --copt=-O3 //tensorflow/python/...
# 只想运行一个文件
bazel --output_user_root=$build_dir test --config=mkl --copt=-O3 //tensorflow/python/kernel_tests:concat_op_test

语法检查

pylint 检查python语法规范

1
2
3
4
pip install pylint
## rcfile 文件 指定了pylint使用的规则
export rcfile=$tensorflow_root/tensorflow/tools/ci_build/pylintrc
pylint --rcfile=$rcfile $tensorflow_root/tensorflow/python/kernel_tests/concat_op_test.py

输出可能有很多语法不规范,选择和自己这个commit相关的不规范语法去修改

clang-format 检查 C++ 语法规范

1
2
3
4
5
6
7
8
#ubuntu:
apt-get install clang-format
#centos:
#http://releases.llvm.org/download.html 下载预编译版本,**现在似乎用不了**
wget https://github.com/llvm/llvm-project/releases/download/llvmorg-8.0.1/clang+llvm-8.0.1-powerpc64le-linux-rhel-7.4.tar.xz
clang-format -style=Google mkl_concat_op.cc 2>&1 | tee mkl_concat_op.cc.bk
diff mkl_concat_op.cc mkl_concat_op.cc.bk

运行之后会生成一个标准语法的文件版本,和自己的版本的代码对比,修改语法不规范的地方

Appendix

Intel优化版本的介绍

https://www.youtube.com/watch?v=VI5vjB6-zNE