Press "Enter" to skip to content

Caffe2源码解析之core

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

写在前面

在对Tensorflow的后端源码进行了拆解(参见 tensorflow源码解析系列文章索引 )之后,很想跟其它深度学习框架的实现进行对比,根据框架的流行程度,先选择了Pytorch。Pytorch的后端核心是直接复用了Caffe2,因此本文针对Caffe2源码的core模块进行了简单拆解。

目录

  • 数据存储与表示
    • storage
    • tensor
    • blob
    • qtensor
  • 操作
    • observer observable
    • operator
    • 操作求导
    • operator_schema
    • context
  • 计算图
    • graph
    • net
    • transform
  • 运行时
    • allocator
    • db
    • registry
    • module
    • scope_guard
    • workspace
    • init

1. 数据存储与表示

1.1 storage

Caffe2中对数据存储的最底层的描述是Storage,它实际上是指向StorageImpl的共享指针,后者包含数据类型、数据指针、容量、数据所在设备等信息。Storage的定义如下:

using Storage = std::shared_ptr<StorageImpl>;
class StorageImpl {
  public:
    //...
  protected:
    using DataPtr = std::shared_ptr<void>;
    int64_t capacity_ = 0;
    DataType data_type_;
    DataPtr data_ptr_;
    DeviceType device_type_ = CPU;
};

1.2 tensor

Caffe2中的数据统一使用Tensor表示,Tensor由TensorImpl实现,后者包含一个Storage。
graph LR Tensor–>|包含|TensorImpl TensorImpl–>|包含|Storage Storage–>|指向|StorageImpl
TensorImpl的定义如下:

class TensorImpl {
  public:
    //...
  protected:
    using DimVector = std::vector<TIndex>;
    DimVector dims_; //张量的维度
    TIndex size_ = -1; //张量中包含的元素数量
    Storage storage_; //底层存储
};

Tensor并非继承自TensorImpl,而是在内部包含了一个指向TensorImpl的指针,如下:

class Tensor final {
  protected:
    using TensorImplPtr = c10::intrusive_ptr<TensorImpl, UndefinedTensorImpl>;
    TensorImplPtr impl_;
  //...
};

对Tensor的方法调用,通过重定向给TensorImpl实现。

1.3 blob

Blob是一个容器,包含了一个指针和这个指针指向内存的数据类型,在Caffe2中,大部分情况下Blob都包含一个指向Tensor的指针。

class Blob {
  public:
    //...
  private:
    TypeMeta meta_;
    void* pointer_ = nullptr;
    DestroyCall destroy_ = nullptr;
};

为了方便对Blob进行传输,定义了其序列化和反序列化的类,分别是BlobSerializerBase和BlobDeserializerBase,以及对应的为Tensor准备的序列化和反序列化类。
graph TB BlobSerializerBase–>|派生|TensorSerializer BlobDeserializerBase–>|派生|TensorDeserializer

1.4 qtensor

低精度的张量,为了便于快速进行低精度的整数乘法计算。具体的做法是,用更低的位数来表示整数,比如,用3个bit表示无符号整数,用4个bit表示有符号整数。低精度张量可以在略微损失模型精度的情况下,大大降低计算复杂度和存储空间大小。

操作

2.1 Observer Observable

Caffe2使用ObserverBase和Observable两个类实现了观察者模式。ObserverBase是基础观察器,用户可以通过继承此类创建新的观察器,而Observable是可被观察属性,用户可以通过继承此类获得可观察属性。
ObserverBase提供了观察器的统一接口,比较简单:

class ObserverBase {
  public:
    virtual void Start() {}
    virtual void Stop() {}
    T* subject() const {
        return subject_;
    }
  protected:
    T* subject_;
};

其中,subject_表示被观察对象的指针。
Observable封装了可被观察属性,内部包含了一个观察器的列表,结构如下:

class Observable {
  public:
    using Observer = ObserverBase<T>;
    const Observer* AttachObserver(std::unique_ptr<Observer> observer){} //添加观察器
    std::unique_ptr<Observer> DetachObserver(const Observer* observer_ptr){} //解除观察器
    virtual size_t NumObservers() {
        return num_observers_;
    } //观察器的数量
    void StartAllObservers(){} //启动所有观察器
    void StopAllObservers(){} //关闭所有观察器
  private:
    Observer* observer_cache_;
    size_t num_observers_ = 0;
  protected:
    std::vector<std::unique_ptr<Observer>> observer_list_; //观察器列表
};

2.2 Operator

Operator代表操作的具体实现,相当于Tensorflow中的kernel。Operator继承自OperatorBase,而后者继承自Observable,所以在Caffe2中,“操作”本质上是一个可观察的对象。
graph LR Observable–>|派生|OperatorBase OperatorBase–>|派生|Operator
OperatorBase类包含了操作需要的基本数据元素和接口:

class OperatorBase {
  private:
    Workspace* operator_ws_;
    std::shared_ptr<const OperatorDef> operator_def_;
    DeviceOption device_option_;
    std::string engine_;
    std::string type_;
    vector<const Blob*> inputs_;
    vector<Blob*> outputs_;
};

OperatorBase中包含了输入和输出的内存指针,可见,在Caffe2中,Operator本质上是一个运行时的对象,这与Tensorflow中Op的设计理念不同,在Tensorflow中,Op是一个编译时对象,仅规定了操作的类型和目标,并不包含具体数据,具体的计算实际上是通过Kernel完成的。
Operator继承自OperatorBase类:

class Operator : public OperatorBase {
  public:
    bool Run(int stream_id = 0) final {...}
    bool RunAsync(int stream_id = 0) final {...}
    virtual bool RunOnDevice() = 0;
};

实际上,Run和RunAsync最终都调用了RunOnDevice,完成实际的计算。
如果我们需要使用一些c10中定义的操作,需要将其转换为在Caffe2中可以调用的操作,可以通过如下的宏进行转换:

REGISTER_C10_OPERATOR_FOR__DISPATCH(C10Add, C2MyAddOpName)

上述例子中,我们把一个C10Add操作,包装成C2MyAddOpName操作,供我们使用。为了实现这个功能,Caffe2还提供了一个包装类,C10OperatorWrapper。

2.3 操作求导

为了对操作求导,Caffe2推出了一个导数操作生成类,GradientMakerBase,方便用户定义对于某个操作的导数。类包含的数据成员如下:

//为密集和稀疏的blob提供统一的接口
struct GradientWrapper {
    string dense_;
    string indices_;
    string values_;
    inline bool IsDense(){}
    inline bool IsSparse(){}
    inline bool IsEmpty(){}
};
class GradientMakerBase {
  protected:
    const OperatorDef& def_;
    const vector<GradientWrapper>& g_output_;
    vector<GradientWrapper> g_input_;
};

可见,GradientMakerBase仅提供了输入输出,以及原操作。用户可以根据原操作,定制导数。

2.3 operator_schema

OpSchema是对操作的静态描述,相当于Tensorflow中的Op,包含的信息如下:

class OpSchema {
  private:
    string type_;
    string file_;
    string doc_;
    string onnx_schema_;
    std::vector<Argument> args_{};
    std::vector<std::pair<const char*, const char*>> input_desc_{};
    std::vector<std::pair<const char*, const char*>> output_desc_{};
    int line_ = 0;
    int min_input_ = 0;
    int max_input_ = std::numeric_limits<int>::max();
    int min_output_ = 0;
    int max_output_ = std::numeric_limits<int>::max();
    bool private_ = false;
    bool inputs_can_cross_devices_ = false;
    std::function<bool(int)> num_inputs_allowed = [](int) { return true; }
    std::function<bool(int)> num_outputs_allowed = [](int) { return true; }
    std::function<bool(int,int)> num_inputs_outputs_allowed_ = [](int,int) { return true; }
    std::function<int(int)> calculate_output_;
    std::function<bool(int,int)> inplace_allowed_ = [](int,int){}
    std::function<bool(int,int)> inplace_enforced_ = [](int,int){}
    TensorInferenceFunctionType tensor_inference_function_ = {...}
    std::unique_ptr<CostInferenceFunctionType> cost_inference_function_ = nullptr;
    DeviceInferenceFunctionType device_inference_function_ = {...}
};

另外Caffe2也提供了一个对于OpSchema的注册类OpSchemaRegistry,如下:

class OpSchemaRegistry {
  private:
    static CaffeMap<string, OpSchema>& map();
};

2.4 context

Caffe2中的context,其实就是Tensorflow中的OpKernelContext,为操作的实际计算提供通用的支持,主要包含内存拷贝的接口。所有实际的Context类必须继承自BaseContext,而Caffe2为我们准备了一个标准的Context接口,CPUContext类。另外,也同样为GPU准备了一个CUDAContext类。
graph LR BaseContext–>|派生|CPUContext BaseContext–>|派生|CUDAContext

3. 计算图

3.1 graph

Graph表示图的结构,图包含节点,节点包含操作。
graph LR Graph–>|包含|Node Node–>|包含|OperatorDef
Node包含的数据成员:

class Node {
  public:
    OperatorDef op;
    bool active = true; //操作是否被transformation删除
    std::map<int, std::vector<string>> parents;
    std::vector<int, std::vector<string>> children;
}

Graph包含的私有数据成员:

class Graph {
  private:
    NetDef netdef_;
    std::set<string> external_input_;
    std::set<string> external_output_;
    std::vector<Node> nodes_;
}

3.2 net

Net是一个可运行的Graph,包含了一个图的所有“操作”,以及它们的上下文。它继承自Observable,本质上是一个可观察的对象。数据成员如下:

class NetBase : public Observable<NetBase>{
  public:
    virtual bool Run(){...}
    virtual bool RunAsync();
  protected:
    vector<string> external_input_;
    vector<string> external_output_;
    string name_;
    vector<const Event*> events_;
    std::shared_ptr<const NetDef> net_def_;
};

NetBase派生出了三种子类,第一种是AsyncNetBase,它包含了异步执行网络所必须的数据和接口:

class AsyncNetBase : public NetBase {
  public:
    bool RunAsync() override;
  protected:
    bool canSchedule(...);
    std::vector<OperatorBase*> operators_;
    std::vector<dag_utils::OperatorNode> operator_nodes_;
    std::vector<std::vector<int>> chains_;
    std::vector<dag_utils::OpGraphNode> chain_nodes_;
    dag_utils::ExecutionChains execution_chains_;
};

第二种是SimpleNet,它表示了一种对图的单线程的顺序执行模式。 第三种是DAGNetBase,它表示了一种对图的多线程的dag执行模式。 相关的net类形成了一个继承体系:
graph TB Observable–>|派生|NetBase NetBase–>|派生|AsyncNetBase AsyncNetBase–>|派生|AsyncSchedulingNet NetBase–>|派生|DAGNetBase DAGNetBase–>|派生|DAGNet NetBase–>|派生|SimpleNet DAGNetBase–>|派生|AsyncDAGNet AsyncNetBase–>|派生|AsyncPollingNet

3.3 transform

transform是一种针对Caffe2的NetDef结构的操作,它将NetDef作为输入,输出新的经过变换的NetDef。它的工作步骤包括:

  • 从旧的NetDef中构建一张图,这张图中保存了节点的连接信息;
  • 在图中匹配指定的模式,找到它想要更改的子图;
  • 用新的操作替换匹配到的子图;
  • 根据图构建一个新的NetDef并返回;

Transform功能的实现,依赖于三个功能函数,如下:

  • PatternRule(模式规则),它决定了对于一张子图和一个节点,是否可以将这个节点加入这个子图中;
  • ValidatorRule(验证规则),它决定了一张子图是否是匹配的;
  • ReplaceRule(替换规则),它对一张匹配的子图进行替换;

常用的模式如下:

  • CONNECTED_SUBGRAPH,连接子图,它只能匹配连接的子图。比如对于图(1)–>(2)–>(3)–>(4),它能够匹配到[2,3]和[4,3],但不能匹配到[2,4];
  • SORTED_WRT_EXECUTION_ORDER,执行序模式,它只能匹配符合执行顺序的子图,节点之间不一定需要有连接,它比General模式要快,例如对于图(1)–>(2)–>(3)–>(4),它可以匹配到[2,4],[3,4],但不能匹配到[3,1],[4,3];
  • GENERAL,它可以匹配到任何子图,比如,对于图(1)–>(2)–>(3)–>(4)来说,它可以匹配到子图[2,4],[3,4],[4,2,1]等;

4. 运行时

4.1 allocator

内存分配器。
graph TB CPUAllocator–>|派生|DefaultCPUAllocator CPUAllocator–>|派生|PinnedCPUAllocator

4.2 db

DB类是对kv存储的抽象。包含了用于读取DB数据的Cursor类,用于写DB数据的Transaction类,DB读取的包裹类DBReader,对DBReader进行序列化和反序列化的DBReaderSerializer和DBReaderDeserializer类。
graph TB DB–>|读数据时的游标类|Cursor DB–>|写数据时的事务类|Transaction DB–>|读数据包装|DBReader DBReader–>|序列化|DBReaderSerilizer DBReader–>|反序列化|DBReaderDeserilizer

4.3 registry

注册类,key为字符串,value可以为任意的类。结构如下:

class Registry {
  private:
    CaffeMap<SrcType, Creator> registry_;
    CaffeMap<SrcType, string> help_message_;
};

4.4 module

查看Caffe2已载入的模块,以及载入指定模块。模块指的是动态链接库。

4.5 scope_guard

是“初始化即资源获取”原语的实现,它保证了,如果不显式说明,函数的执行就会离开当前的scope。

4.6 workspace

Workspace包含了所有的运行时对象,包括blob和net,它是所有这些对象的拥有者,负责对这些对象进行管理。

class Workspace {
  private:
    typedef CaffeMap<string, unique_ptr<Blob>> BlobMap;
    BlobMap blob_map_;
    typedef CaffeMap<string, unique_ptr<NetBase>> NetMap;
    NetMap net_map_;
    const string root_folder_;
    const Workspace* shared_;
    std::unordered_map<string, std::pair<const Workspace*, string>> forwarded_blobs_;
    std::unique_ptr<ThreadPool> thread_pool_;
    std::mutex thread_pool_creation_mutex_;
    std::shared_ptr<Bookkeeper> bookkeeper_;
};

4.7 init

初始化整个Caffe2的运行环境,运行机制是,把需要在环境初始化中运行的函数注册到注册器中,初始化时,会在不同时期运行不同注册器中的函数。核心的函数如下:

CAFFE2_API bool GlobalInit(int* pargc, char*** argv);

整个初始化过程分为三步:

  • 先运行通过REGISTER_CAFFE2_EARLY_INIT_FUNCTION注册的函数;
  • 再解析Caffe的命令行参数,并启动日志记录系统;
  • 最后运行通过REGISTER_CAFFE2_INIT_FUNCTION注册的函数;

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注