Dive into TensorFlow系列：Tensor基础揭秘

TensorFlow计算图是由op和tensor组成，那么tensor一般都用来代表什么呢？显然，像模型的输入数据、网络权重、输入数据经op处理后的输出结果都需要用张量或特殊张量进行表达。既然tensor在TensorFlow体系架构中如此重要，因此本文将带领大家由浅入深地学习tensor的三个话题：用户眼中的tensor、TensorFlow系统中的tensor、tensor高阶用法DLPack（跨框架编程，如：TensorFlow+PyTorch）。

注：本文基于TensorFlow v1.15.5进行编写。

一、小白眼中的Tensor

1.1 Tensor HelloWorld

定义两个张量，然后对其求加法，相关代码如下：

# segment 1a = tf.constant(3.0, dtype=tf.float32)b = tf.constant(4.0) # also tf.float32 implicitlytotal = a + bprint(a)print(b)print(total)### 三个print的输出如下："""Tensor("Const:0", shape=(), dtype=float32)Tensor("Const_1:0", shape=(), dtype=float32)Tensor("add:0", shape=(), dtype=float32)"""# 说明：此时的Tenosr尚不能产生真正的结果。以上代码创建了计算图，Tensor只是代表op运行的结果(但此时op未运行)。1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.

如果想看到最终total的计算结果，则应该创建Session对象并运行计算图，具体代码如下（在segment1基础上增加代码）：

with tf.Session() as sess:    result = sess.run(total)    print(result, type(result), type(total))# 输出结果= 7.0 <class 'numpy.float32'> <class 'tensorflow.python.framework.ops.Tensor'>1.2.3.4.

由此可见，Tensor代表尚未执行的结果表示，创建Session对象并运行计算图可得total结果7.0，并且结果的数据类型已变为numpy。最后说明一下，本小节代码输出的Tensor是指tf.Tensor，对应的代码实现是tensorflow.python.framework.ops.Tensor。

1.2 张量属性及特殊张量

从用户视角看tf.Tensor主要有三个属性：name、dtype、shape。除此之外，还有三个属性比较重要（不常用或者不直接可见）：op、graph、device。其中op属性记录产生此Tensor的操作名称，graph属性记录包含此Tensor的计算图，device属性记录产生此Tensor的设备名称。

在TensorFlow体系中有四种特殊的张量（此处暂不严格区分Tensor与产生此Tensor的op），具体如下：

•tf.Variable: 定义内容可变的张量，一般用来定义模型权重。

•tf.constant: 一般来说，张量内容不可变，此API可用来定义常规张量。

•tf.placeholder: 占位符张量，用于描述静态图输入规格。静态图采用先编译后执行的方式，因此在定义计算图时要知道输入规格。

•tf.SparseTensor: 为稀疏数据定制的张量结构。

1.3 Tensor与op的关系

我们多次提到，Tensor可以作为op的输入，经op一系列处理后产生新的Tensor作为输出。为了深入理解这一点，我们回头重新审视segment1中的代码片段（请大家注意Tensor的命名）：

# segment 1a = tf.constant(3.0, dtype=tf.float32)b = tf.constant(4.0) # also tf.float32 implicitlytotal = a + bprint(a)print(b)print(total)### 三个print的输出如下："""Tensor("Const:0", shape=(), dtype=float32)Tensor("Const_1:0", shape=(), dtype=float32)Tensor("add:0", shape=(), dtype=float32)"""# 说明：此时的Tenosr尚不能产生真正的结果。以上代码创建了计算图，Tensor只是代表op运行的结果(但此时op未运行)。1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.

针对上述代码，我们先来看看哪些是Tensor，哪些是op，然后基于此分别描述每一个操作的执行过程。为回答第一个问题，我们先看一段TensorFlow官方注释：

"""`tf.constant` creates a `Const` node in the computation graph with the exact value at graph construction time."""1.2.3.4.5.

由此可见，segment1的代码中有两种op，分别为Const和add，前者出现了两次，而后者1次。基于此，我们得知segment1依次向计算图中添加了三个op，与此同时也可以回答第二个问题，即每个操作的过程。具体如下：

### 三个print的输出如下(a,b,total)："""Tensor("Const:0", shape=(), dtype=float32)Tensor("Const_1:0", shape=(), dtype=float32)Tensor("add:0", shape=(), dtype=float32)"""# 向计算图添加第一个op(Const),输入是一个标量,输出是Tensor a,其名称由两部分组成,即op名称:a在op输出的索引位置.# 向计算图添加第二个op(Const_1,因为op名称要唯一),输入标量,输出Tensor b,其命名规则同上.# 向计算图添加第三个op(add),输入是Tensor a和b,输出Tensor total,其命名规则同上.1.2.3.4.5.6.7.8.9.

二、一探tensor究竟

2.1 前后端Tensor映射

在TensorFlow的白皮书[7]中提到C API是连接前端用户代码和后端执行引擎的桥梁，为深入理解这个概念，建议读者参照TensorFlow官网从头编译源代码。TensorFlow v1.15.5基于Bazel进行编译，前端python与后端C++通过SWIG进行交互。实际上在系统编译之前会先启动SWIG代码生成过程，通过解析tensorflow.i自动生成两个wrapper文件：pywrap_tensorflow_internal.py和pywrap_tensorflow_internal.cc，前者对接前端python调用，后者对接后端C API调用。大家安装tensorflow官方二进制包后，只能看到py文件而没有cc文件。如果自己编译TensorFlow源码，可在项目根目录下的bazel-bin中找到相应的py和cc文件，如下图所示：

上图红框中的so文件是由cc文件编译得到，黄框中的py模块首次被导入时，会自动加载so动态链接库。而在so对应的cc文件中，静态注册了一个函数映射表，实现python函数到C函数的映射。此映射表结构大致如下：

static PyMethodDef SwigMethods[] = {          { (char *)"SWIG_PyInstanceMethod_New", (PyCFunction)SWIG_PyInstanceMethod_New, METH_O, NULL},          { (char *)"TF_OK_swigconstant", TF_OK_swigconstant, METH_VARARGS, NULL},          { (char *)"TF_CANCELLED_swigconstant", TF_CANCELLED_swigconstant, METH_VARARGS, NULL},          { (char *)"TF_UNKNOWN_swigconstant", TF_UNKNOWN_swigconstant, METH_VARARGS, NULL},          { (char *)"TF_INVALID_ARGUMENT_swigconstant", TF_INVALID_ARGUMENT_swigconstant, METH_VARARGS, NULL},          // 此处省略许多代码};1.2.3.4.5.6.7.8.

如果没有亲身实践，上面这些文字读起来多少有些吃力。为便于大家理解，我们把上述文字用如下简图进行总结：

有些好奇宝宝可能会说：上面讲的太宏观，好像懂了，又好像没懂。没关系，接下来我们以静态图的运行接口session.run()为例，结合TensorFlow源码详细梳理一下前后端的映射过程，具体过程见下图：

由上图我们可清晰看到C API层把前后端给隔离开了，当然C API层包括pywrap_tensorflow_internal.h/cc、tf_session_helper.h/cc、c_api.h/cc。至此session.run()从前端映射到后端的流程讲完了，那接下来回答前端tensor如何映射至后端Tensor，请看如下代码：

// tf_session_helper.cc    line351void TF_SessionRun_wrapper_helper(TF_Session* session, const char* handle,                                  const TF_Buffer* run_options,                                  const std::vector<TF_Output>& inputs,                                  const std::vector<PyObject*>& input_ndarrays,                                  const std::vector<TF_Output>& outputs,                                  const std::vector<TF_Operation*>& targets,                                  TF_Buffer* run_metadata,                                  TF_Status* out_status,                                  std::vector<PyObject*>* py_outputs) {  DCHECK_EQ(inputs.size(), input_ndarrays.size());  DCHECK(py_outputs != nullptr);  DCHECK(py_outputs->empty());  Status s;  // Convert input ndarray PyObjects to TF_Tensors. We maintain a continuous  // array of TF_Tensor*s as well as scoped containers to make sure they're  // cleaned up properly.  // 省略了很多代码，可以看到此处把前端类ndarray的对象转化成了TF_Tensors。}// c_api.cc  line2274void TF_SessionRun(TF_Session* session, const TF_Buffer* run_options,                   const TF_Output* inputs, TF_Tensor* const* input_values,                   int ninputs, const TF_Output* outputs,                   TF_Tensor** output_values, int noutputs,                   const TF_Operation* const* target_opers, int ntargets,                   TF_Buffer* run_metadata, TF_Status* status) {  // TODO(josh11b,mrry): Change Session to be able to use a Graph*  // directly, instead of requiring us to serialize to a GraphDef and  // call Session::Extend().  if (session->extend_before_run &&      !ExtendSessionGraphHelper(session, status)) {    return;  }  TF_Run_Setup(noutputs, output_values, status);  // Convert from TF_Output and TF_Tensor to a string and Tensor.  // 看这里，此外TensorFlow把TF_Tensor转化成c++ Tensor  std::vector<std::pair<string, Tensor>> input_pairs(ninputs);  if (!TF_Run_Inputs(input_values, &input_pairs, status)) return;  for (int i = 0; i < ninputs; ++i) {    input_pairs[i].first = OutputName(inputs[i]);  }  // Convert from TF_Output to string names.  std::vector<string> output_names(noutputs);  for (int i = 0; i < noutputs; ++i) {    output_names[i] = OutputName(outputs[i]);  }}1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.

2.2 C++ Tensor类

查看参考文献5，我们找到了C++ Tensor类的定义，其重要片段（seg1）如下：

class Tensor{  public:    // Tensor序列化/反序列化相关,在2.3节详细介绍    bool FromProto(const TensorProto& other) TF_MUST_USE_RESULT;    void AsProtoField(TensorProto* proto) const;    void AsProtoTensorContent(TensorProto* proto) const;        // Tensor实际为底层数据的一种视图,可用vec或matrix进行展示    template <typename T>    typename TTypes<T>::Vec vec() {      return tensor<T, 1>();    }    template <typename T>    typename TTypes<T>::Matrix matrix() {      return tensor<T, 2>();    }    template <typename T, size_t NDIMS>    typename TTypes<T, NDIMS>::Tensor tensor();    private:    TensorShape shape_;    // 维护Tensor的形状和数据类型    TensorBuffer buf_;     // 底层数据的指针}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.

我们先来分析下两个私有成员。首先看一下TensorBuffer类，它是一个继承引用计数类的虚拟类，不包含任何实现。通过查看参考文献6，我们得知BufferBase继承TensorBuffer类，且维护了一个内存分配器指针。而Buffer类继承BufferBase类，且维护了指向实际数据的指针data_和元素数量elem_。上述类的继承关系如下图所示（为便于理解图中给出成员定义，而非标准的UML图）：

接下来我们分析TensorShape类。它也有自己的类继承体系，其核心逻辑定义在父类TensorShapeRep中，相关的类继承体系如下图：

为深入理解TensorShape的作用，以下结合TensorShapeRep的部分代码（seg2）进行分析：

class TensorShapeRep{  private:    // 如下buf共计16字节表示TensorShape，其中前12字节用来存储形状（Rep16、Rep32、Rep64）    // 第13字节作用不清楚，第14、15、16字节分别表示数据类型编号、张量的维度数目、张量维度的表示类型    union {      uint8 buf[16];      Rep64* unused_aligner;   // Force data to be aligned enough for a pointer.    } u_;    public:    // 理论上可定义任意维的张量，但1维、2维、3维张量最常见。所以给出如下三种维度表示方法（12字节）    struct Rep16 {      uint16 dims_[6];    // 最多可表示6维的张量，每一维的长度不超过2^16-1    };    struct Rep32 {      uint32 dims_[3];    // 最多可表示3维的张量，每一维的长度不超过2^32-1    };    struct Rep64 {      gtl::InlinedVector<int64, 4>* dims_;  // 支持任意维度的张量    };}1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.

本小节最后，我们再来看一下Tensor类定义中的vector()和matrix()。查看两个方法的实现，发现调用了共同的方法tensor()，而tensor()的返回类型为TTypes<T，NDIMS>::Tensor，而TTypes正是衔接TF Tensor与Eigen库的关键。请看如下代码（seg3）：

// tensorflow1.15.5\tensorflow\core\framework\tensor.hclass Tensor{  public:    // Returns the shape of the tensor.    const TensorShape& shape() const { return shape_; }      template <typename T>    typename TTypes<T>::Vec vec() {      return tensor<T, 1>();    }        template <typename T>    typename TTypes<T>::Matrix matrix() {      return tensor<T, 2>();    }        template <typename T, size_t NDIMS>    typename TTypes<T, NDIMS>::Tensor tensor();}// tensorflow1.15.5\tensorflow\core\framework\tensor_types.htemplate <typename T, int NDIMS = 1, typename IndexType = Eigen::DenseIndex>struct TTypes {  // Rank-<NDIMS> tensor of scalar type T.  typedef Eigen::TensorMap<Eigen::Tensor<T, NDIMS, Eigen::RowMajor, IndexType>,Eigen::Aligned> Tensor;  // 省略了许多代码}// tensorflow1.15.5\tensorflow\core\framework\tensor.h// TF Tensor的shape()返回TensorShape。base()返回指向实际数据的指针。template <typename T, size_t NDIMS>typename TTypes<T, NDIMS>::Tensor Tensor::tensor() {  CheckTypeAndIsAligned(DataTypeToEnum<T>::v());  return typename TTypes<T, NDIMS>::Tensor(base<T>(),                                           shape().AsEigenDSizes<NDIMS>());}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.

由上述代码可见，调用tensor()是把TF Tensor转化成了TTypes<T,NDIMS>::Tensor，而后者本质上是Eigen::TensorMap。至此，我们搞清楚了TF Tensor与Eigen库的关系，可以认为TF C++ Tensor是对Eigen::TensorMap的一种封装。因为Eigen::TensorMap构造函数的参数来自于TF Tensor中保存的信息（base()和shape()对应的信息）。

2.3 C++ Tensor序列化

在TensorFlow的分布式训练环境中涉及大量的跨机通信，通信的内容就是序列化后的张量（通过send/recv op对协同工作）。本小节我们将一起学习Tensor的序列化机制，以及Tensor与序列化对象的互编程。TensorFlow中Tensor对应的序列化对象叫TensorProto，它是由对应的proto文件生成。具体代码如下（seg4）：

// tensorflow1.15.5\tensorflow\core\framework\tensor.protosyntax = "proto3";message TensorProto {  DataType dtype = 1;  TensorShapeProto tensor_shape = 2;  int32 version_number = 3;  bytes tensor_content = 4;  repeated int32 half_val = 13 [packed = true];  // DT_FLOAT.  repeated float float_val = 5 [packed = true];  // DT_DOUBLE.  repeated double double_val = 6 [packed = true];  // DT_INT32, DT_INT16, DT_INT8, DT_UINT8.  repeated int32 int_val = 7 [packed = true];  // DT_STRING  repeated bytes string_val = 8;  // DT_COMPLEX64. scomplex_val(2*i) and scomplex_val(2*i+1) are real  // and imaginary parts of i-th single precision complex.  repeated float scomplex_val = 9 [packed = true];  // DT_INT64  repeated int64 int64_val = 10 [packed = true];  // DT_BOOL  repeated bool bool_val = 11 [packed = true];  // DT_COMPLEX128. dcomplex_val(2*i) and dcomplex_val(2*i+1) are real  // and imaginary parts of i-th double precision complex.  repeated double dcomplex_val = 12 [packed = true];  // DT_RESOURCE  repeated ResourceHandleProto resource_handle_val = 14;  // DT_VARIANT  repeated VariantTensorDataProto variant_val = 15;  // DT_UINT32  repeated uint32 uint32_val = 16 [packed = true];  // DT_UINT64  repeated uint64 uint64_val = 17 [packed = true];};1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.

大家可用protoc编译器来编译tensor.proto文件，结果生成tensor.pb.h和tensor.pb.cc两个文件，他们分别声明了TensorProto类定义、TensorProto成员方法的实现。我们可以粗略地将TensorProto看作Tensor的二进制对象，基于此它们相互之间的转换代码如下所示（seg5）：

// Tensor的序列化过程auto tensor_proto = new TensorProto();// Fills in `proto` with `*this` tensor's content.// `AsProtoField()` fills in the repeated field for `proto.dtype()`, // while `AsProtoTensorContent()` encodes the content in `proto.tensor_content()` in a compact form.tensor->AsProtoField(tensor_proto);tensor->AsProtoTensorContent(tensor_proto);  // Tensor的反序列化过程Tensor tensor;tensor.FromProto(tensor_proto);1.2.3.4.5.6.7.8.9.10.11.

三、跨框架编程-通用内存张量DLPack

3.1 什么是DLPack

DLPack是一种开放的内存张量结构，用于在AI框架之间共享张量。多框架整合解决AI问题，能充分发挥各框架优势（一些运算在某框架中支持更好），并最终取得整体最佳性能。但这里有一个关键问题要解决：如何将内存中的张量从一个框架传递到另一个框架，而不发生任何数据拷贝？幸运的是，陈天奇团队给出了DLPack这个答案。

DLPack的设计理念是尽可能的轻量化，它不考虑内存分配、设备API，仅仅关注张量数据结构。它可以运行在多个硬件平台上，目前支持的框架有：NumPy、CuPy、PyTorch、Tensorflow、MXNet、TVM、mpi4py。DLPack的开发者不打算实现Tensor和Ops，而是将其用作跨框架重用张量和操作的公共桥梁。深入理解DLPack，要掌握两大模块：C API与Python API。DLPack C API体系结构如下：

上图中深蓝色的结构体均定义在[13]中。DLTensor代表普通C Tensor对象，但不负责内存管理。DLManagedTensor也是一个C Tensor对象，负责DLTensor的内存管理，它被设计用来帮助其他框架借用此DLTensor。接下来，我们将目光转向DLPack的Python API。

DLPack Python接口是Python array的标准API。用DLPack Python接口进行数据交换的接口有两个：

•from_dlpack(x)：输入一个包含__dlpack__方法的数组对象，用这个方法构建一个包含x数据域的新数组对象。

•__dlpack__(self,stream=None) and __dlpack_device__()：在from_dlpack(x)内部调用x的这两个方法，分别用于获取x的数据域以及定位x数组对象在哪个设备上。

从语义层面理解y=from_dlpack(x)的话，生成x的库叫生产者，包含from_dlpack()的库叫做消费者。其中生产者提供了访问x数据域的途径，通常来说生产者和消费者之间关于相应的数据是零拷贝的，也即y可视为x的视图。如果深入from_dlpack(x)内部，则x.__dlpack__方法生成包含DLManagedTensor的PyCapsule对象（或称capsule），这个对象只能被消费一次。生产者必须将PyCapsule对象名称设为"dltensor"，以方便按名称检索；同时也要设置DLManagedTensor的deleter方法给PyCapsule_Destructor，这个设置是当名为"dltensor"的capsule对象不再需要时使用。消费者把DLManagedTensor的所有权从capsule对象转移至自己，这是通过把capsule对象改名为"used_dltensor"以确保PyCapsule_Destructor不会被调用来实现的。但当capsule对象把DLManagedTensor所有权转移至消费者对象时，消费者对象的destructor方法仍然可以调用DLManagedTensor的deleter方法。

3.2 TensorFlow中的dlpack

笔者发现TensorFlow对DLPack的支持是从v2.2.0开始的，更早的版本没有dlpack相应的库。TensorFlow的dlpack接口与3.1遵守相同的语义描述，相应的API测试语句如下：

import tensorflow as tfx = tf.constant(5)x                     // <tf.Tensor: shape=(), dtype=int32, numpy=5>r =tf.experimental.dlpack.to_dlpack(x)print(r,type(r))      // <capsule object "dltensor" at 0x7f55a0431c30> <class 'PyCapsule'>x_other = tf.experimental.dlpack.from_dlpack(r)x_other               // <tf.Tensor: shape=(), dtype=int32, numpy=5>1.2.3.4.5.6.7.8.9.

3.3 TVM与DLPack的关系

如果你想开发一款跨AI框架的深度学习编译器，DLPack就是一种可行的方案（TVM就是这条技术路线）。比如，我们在TVM中声明并编译一个矩阵乘法算子，然后基于DLPack表示构建一个包装器，该包装器能让此矩阵乘法算子支持PyTorch Tensor。对MxNet可以采用类似的操作。DLPack提供在AI框架和TVM之间共享的中间包装器的原理如下图所示：





上述原理可以参考如下代码举例：

// 前提说明:在PyTorch中计算矩阵乘法import torchx = torch.rand(56,56)y = torch.rand(56,56)z = x.mm(y)// 第一步，定义并构建一个TVM矩阵乘法算子n = tvm.convert(56)X = tvm.placeholder((n,n), name='X')Y = tvm.placeholder((n,n), name='Y')k = tvm.reduce_axis((0, n), name='k')Z = tvm.compute((n,n), lambda i,j : tvm.sum(X[i,k]*Y[k,j], axis=k))s = tvm.create_schedule(Z.op)fmm = tvm.build(s, [X, Y, Z], target_host='llvm', name='fmm')    // 第二步，对TVM函数进行包装以支持PyTorch Tensor,并验证结果from tvm.contrib.dlpack import to_pytorch_func# fmm is the previously built TVM function (Python function)# fmm is the wrapped TVM function (Python function)fmm_pytorch = to_pytorch_func(fmm)z2 = torch.empty(56,56)fmm_pytorch(x, y, z2)np.testing.assert_allclose(z.numpy(), z2.numpy())    // 第三步，参照第二步对MxNet进行类似包装处理import mxnetfrom tvm.contrib.mxnet import to_mxnet_funcctx = mxnet.cpu(0)x = mxnet.nd.uniform(shape=(56,56), ctx=ctx)y = mxnet.nd.uniform(shape=(56,56), ctx=ctx)z = mxnet.nd.empty(shape=(56,56), ctx=ctx)f = tvm.build(s, [X, Y, Z], target_host='llvm', name='f')f_mxnet = to_mxnet_func(f)f_mxnet(x, y, z)np.testing.assert_allclose(z.asnumpy(), x.asnumpy().dot(y.asnumpy()))    // 第四步，to_pytorch_func()的详细定义// TVM提供了dlpack tensor和TVM NDArray互转的函数.TVM函数在最底层调用的是TVM NDArray.// 此包装器的大致流程是: AI Tensor -> dlpack tensor -> TVM NDArray -> call TVM functiondef convert_func(tvm_func, tensor_type, to_dlpack_func):    assert callable(tvm_func)    def _wrapper(*args):        args = tuple(ndarray.from_dlpack(to_dlpack_func(arg))\            if isinstance(arg, tensor_type) else arg for arg in args)        return tvm_func(*args)    return _wrapperdef to_pytorch_func(tvm_func):    import torch    import torch.utils.dlpack    return convert_func(tvm_func, torch.Tensor, torch.utils.dlpack.to_dlpack)1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.

四、总结

本文内容较多且烧脑，建议读者反复阅读几遍，定能有所收获。我们在此对通篇内容作个总结，本文主要讲了三个主题：

•第一部分讲解小白眼中的Tensor，重点分析了Tensor的属性和OP的关系。

•第二部分讲解系统开发者眼中的Tensor，重点讲解Tensor前后端映射，以及Tensor的C++定义及序列化。

•第三部分讲解通用内存张量DLPack，重点讲解了DLPack的定义及在TensorFlow中的使用，以及DLPack在TVM中扮演的角色。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删