本文連結地址:
「連結」
Tensorflow建立OP的過程
以AddNOp為例說明Operation怎樣從ops的定義建立具體的kernel例項。
在Tensorflow Excecutor初始化的時候，會迭代計算圖中的所有節點，對每個節點的Operation進行建立。如下方法params_。create_kernel（n->def（）， &item->kernel）：
Tensorflow原始碼解讀
// Code in executor。cc Status ExecutorImpl：：Initialize（） {…… for （const Node* n ： graph_->nodes（）） { const int id = n->id（）； const string& frame_name = cf_info。frame_names［id］； FrameInfo* frame_info = EnsureFrameInfo（frame_name）； // See if this node is a root node， and if so， add to root_nodes_。 if （n->in_edges（）。empty（）） { root_nodes_。push_back（n）； } NodeItem* item = gview_。node（id）； item->node = n； item->input_start = frame_info->total_inputs； frame_info->total_inputs += n->num_inputs（）； Status s = params_。create_kernel（n->def（）， &item->kernel）；
params_。create_kernel是一個前面建立的lambda函式，對它的呼叫最後會呼叫到函式lib->CreateKernel（ndef， kernel）上，lib為FunctionLibraryRuntimeImpl例項：
//Code in direct_session。cc params。create_kernel = ［this， lib， opseg］（const NodeDef& ndef， OpKernel** kernel） { // NOTE（mrry）： We must not share function kernels （implemented // using `CallOp`） between subgraphs， because `CallOp：：handle_` // is tied to a particular subgraph。 Even if the function itself // is stateful， the `CallOp` that invokes it is not。 if （！OpSegment：：ShouldOwnKernel（lib， ndef。op（））） { return lib->CreateKernel（ndef， kernel）； } auto create_fn = ［lib， &ndef］（OpKernel** kernel） { return lib->CreateKernel（ndef， kernel）； }； // Kernels created for subgraph nodes need to be cached。 On // cache miss， create_fn（） is invoked to create a kernel based // on the function library here + global op registry。 return opseg->FindOrCreate（session_handle_， ndef。name（）， kernel， create_fn）； }；
程式碼CreateKernel最後呼叫CreateNonCachedKernel：
//Code in function。ccStatus FunctionLibraryRuntimeImpl：：CreateKernel（const NodeDef& ndef， OpKernel** kernel） { return CreateKernel（ndef， base_lib_def_， kernel）；} Status FunctionLibraryRuntimeImpl：：CreateKernel（ const NodeDef& ndef， const FunctionLibraryDefinition* lib_def， OpKernel** kernel） { // If a custom kernel creator is given， try that。 Status s； if （custom_kernel_creator_） { std：：unique_ptr
executor。cc中的CreateNonCachedKernel方法呼叫op_kernel。cc中的CreateOpKernel方法，透過registration->factory->Create（&context）建立Operation。 其中，registration是透過FindKernelRegistration方法在GlobalKernelRegistry（）裡面根據名稱AddN找到的。registraction->factory就是在註冊時建立的PtrOpKernelFactory例項。registraction->factory->Create最後就是呼叫new AddNOp（context）了。
//Code in executor。ccStatus CreateNonCachedKernel（Device* device， FunctionLibraryRuntime* flib， const NodeDef& ndef， int graph_def_version， OpKernel** kernel） { const auto device_type = DeviceType（device->attributes（）。device_type（））； auto allocator = device->GetAllocator（AllocatorAttributes（））； return CreateOpKernel（device_type， device， allocator， flib， ndef， graph_def_version， kernel）；} //Code in op_kernel。ccStatus CreateOpKernel（DeviceType device_type， DeviceBase* device， Allocator* allocator， FunctionLibraryRuntime* flib， const NodeDef& node_def， int graph_def_version， OpKernel** kernel） {…… // Look up kernel registration。 const KernelRegistration* registration； bool was_attr_mismatch； s = FindKernelRegistration（device_type， node_def， ®istration， &was_attr_mismatch）；…… // 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）； if （！s。ok（）） { delete *kernel； *kernel = nullptr； } return s；}
透過AddNOp的構造方法把context引數傳入：
Session run以後，在節點呼叫Operation計算的時候就會呼叫Compute方法。
//Code in aggregate_ops。cctemplate
