TensorFlow技术内幕（四）：TF中的混合编程

本章的主题是TF中的混合编程，以Python与C/C++混合编程为例.

按进度来说，现在应该写点TF使用教程，让大家熟悉一下tensorflow的使用，但是我发现现在这方面的资料和书籍已经很多了，这里就不再赘述了，毕竟时间有限，留给更有意义的事情。

做到熟悉TF使用的最好的方式就是动手实践具体的例子，官网提供的教程就不错。我建议继续阅读本章之前，读者通过这些实际操作的例子，熟悉一下TensorFlow的使用流程。

下面进入本章的主题。

连接两个世界的传送门

回忆上一章中，我们编译、安装tensorflow的方式如下：

首先，bazel build目标

$ bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package

然后，启动目标程序，生成wheel格式安装包到tmp/tensorflow_pkg目录：

$ bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

最后，通过tensorflow的pip包管理器安装tensorflow的安装包：

$ sudo pip install /tmp/tensorflow_pkg/tensorflow-1.6.0-py2-none-any.whl

这个流程我相信大家都已经很熟悉了，我们就从这个顶级的构建目标入手，自顶向下分析TF中Python的调用是如何进入C/C++世界的。

第二章中我们提到，上面命令中的构建目标 //tensorflow/tools/pip_package:build_pip_package 其实是一个可执行的 shell 脚本，通过 bazel 的 sh_binary 规则生成，sh_binary 的规则会将脚本依赖的文件拷贝或则生成（如果被依赖项也是bazel的规则定义的目标的话）到runfiles目录下，脚本build_pip_package.sh的工作就是将这些文件打包成一个wheel格式的安装包。

第一章中，我们学习到tf的内核是由C++写成的，支持的前端API有Python，Go，Java，这些前端语言接口基本都是对C API的封装；那么我们把TF的整个工程分为两个部门来分别学习：接口部分和内核部分；我们还知道，接口部分通往内核部分的最终都会通过//tensorflow/c:c_api。

因此，我们来看下Python的顶级目标与c_api的关系。这里需要用到了 bazel 的query命令。

我们在tf工程根目录执行下面的命令：

$ bazel query  'allpaths(//tensorflow/tools/pip_package:build_pip_package, //tensorflow/c:c_api)' --output graph | dot -v -Tpng -o dep_paths.in

命令的作用是找到bazel目标 //tensorflow/tools/pip_package:build_pip_package 到目标 //tensorflow/c:c_api 的所有依赖路径，并将结果输出为图片:

图3：build_pip_package到c_api的所以依赖路径

这用到了graphviz的dot命令，graphviz的安装也很简单：

$ sudo apt-get install graphviz1

图3是一个有向图，每一条有向边代表源节点对目的节点的依赖关系，可以看到涉及的工程目标非常多，依赖也繁杂，但是还是可以分析的；首先，我们注意这两个节点：其中一个节点只有出度没有入度，这就是我们都顶级构建目标 //tensorflow/tools/pip_package:build_pip_package

图4：build_pip_package 节点

另一个节点只有入度，没有出度，就是我们的 //tensorflow/c:c_api 节点：

图5：c_api节点

另外，还有一个节点比较引人注意，那就是 //tensorflow/python:pywrap_tensorflow_internal，我们注意到这样一个特征，整张图在这个节点上分成了上下两个”团体”，每个团体内部的依赖比较复杂，暂时先不用管，但是上层”团体”对下层”团体”的依赖都经过//tensorflow/python:pywrap_tensorflow_internal节点：

图6：pywrap_tensorflow_internal

直观感觉，这个节点至关重要，是连接了两个世界的”传送门”。

Python扩展pywrap_tensorflow_internal

找到定义pywrap_tensorflow_internal的BUILD文件//tensorflow/python/BUILD:

tf_py_wrap_cc(
    name = "pywrap_tensorflow_internal",
    srcs = ["tensorflow.i"],
    swig_includes = [        "client/device_lib.i",        "client/events_writer.i",        "client/tf_session.i",        "client/tf_sessionrun_wrapper.i",        "framework/cpp_shape_inference.i",        "framework/python_op_gen.i",        "grappler/cost_analyzer.i",        "grappler/tf_optimizer.i",        "lib/core/py_func.i",        "lib/core/strings.i",        "lib/io/file_io.i",        "lib/io/py_record_reader.i",        "lib/io/py_record_writer.i",        "platform/base.i",        "training/quantize_training.i",        "training/server_lib.i",        "util/kernel_registry.i",        "util/port.i",        "util/py_checkpoint_reader.i",        "util/stat_summarizer.i",        "util/transform_graph.i",
    ],
    deps = [        ":cost_analyzer_lib",        ":cpp_shape_inference",        ":kernel_registry",        ":numpy_lib",        ":py_func_lib",        ":py_record_reader_lib",        ":py_record_writer_lib",        ":python_op_gen",        ":tf_session_helper",        "//tensorflow/c:c_api",        "//tensorflow/c:checkpoint_reader",        "//tensorflow/c:tf_status_helper",        "//tensorflow/core/distributed_runtime/rpc:grpc_server_lib",        "//tensorflow/core/distributed_runtime/rpc:grpc_session",        "//tensorflow/core/grappler:grappler_item",        "//tensorflow/core/grappler:grappler_item_builder",        "//tensorflow/core/grappler/clusters:single_machine",        "//tensorflow/core/grappler/optimizers:meta_optimizer",        "//tensorflow/core:lib",        "//tensorflow/core:reader_base",        "//tensorflow/core/debug",        "//tensorflow/core/distributed_runtime:server_lib",        "//tensorflow/tools/graph_transforms:transform_graph_lib",        "//tensorflow/tools/tfprof/internal:print_model_analysis",        "//util/python:python_headers",
    ] + (tf_additional_lib_deps() +         tf_additional_plugin_deps() +         tf_additional_verbs_deps() +         tf_additional_mpi_deps()),
)

这里的tf_py_wrap_cc是bazel的宏函数。那么宏函数tf_py_wrap_cc的作用是什么？这里srcs和swig_includes属性里的扩展名为 .i 文件又是什么呢？

找到宏函数tf_py_wrap_cc定义的文件 /tensorflow/tensorflow.bzl ：

def tf_py_wrap_cc(name,
                             srcs,
                             swig_includes=[],
                             deps=[],
                             copts=[],
                             **kwargs):
  module_name = name.split("/")[-1]  # Convert a rule name such as foo/bar/baz to foo/bar/_baz.so
  # and use that as the name for the rule producing the .so file.
  cc_library_name = "/".join(name.split("/")[:-1] + ["_" + module_name + ".so"])
  cc_library_pyd_name = "/".join(
      name.split("/")[:-1] + ["_" + module_name + ".pyd"])
  extra_deps = []
  _py_wrap_cc(
      name=name + "_py_wrap",
      srcs=srcs,
      swig_includes=swig_includes,
      deps=deps + extra_deps,
      toolchain_deps=["//tools/defaults:crosstool"],
      module_name=module_name,
      py_module_name=name)   ... 
   ...

函数的前半部分，主要就是调用一个自定义规则 _py_wrap_cc，此规则声明同在tensorflow/tensorflow.bzl文件中，内容如下:

_py_wrap_cc = rule(    #
    # 定义规则的输入属性名称，数据类型，是否必须以及默认值等
    #
    attrs={        "srcs":
            attr.label_list(
                mandatory=True,
                allow_files=True,),        "swig_includes":
            attr.label_list(
                cfg="data",
                allow_files=True,),        "deps":
            attr.label_list(
                allow_files=True,
                providers=["cc"],),        "toolchain_deps":
            attr.label_list(
                allow_files=True,),        "module_name":
            attr.string(mandatory=True),        "py_module_name":
            attr.string(mandatory=True),        "_swig":
            attr.label(                default=Label("@swig//:swig"),
                executable=True,
                cfg="host",),        "_swiglib":
            attr.label(                default=Label("@swig//:templates"),
                allow_files=True,),
    },    #
    # 定义规则的输出
    #
    outputs={        "cc_out": "%{module_name}.cc",        "py_out": "%{py_module_name}.py",
    },    #
    # 定义规则的实现函数
    #
    implementation=_py_wrap_cc_impl,)

规则声明中，定义了规则的属性、属性的变量类型以及默认取值、规则的输出以及实现函数；_py_wrap_cc规则的实现在函数_py_wrap_cc_impl中，我们将仔细分析一下这个函数。

注：宏函数和自定义规则是bazel支持的两个扩展机制，两则是有差别的，
限于篇幅这里就不仔细介绍了。可以参考
[官网](https://docs.bazel.build/versions/master/skylark/concepts.html)。
暂时读者只要能更随本人思路就可以，细节可以之后再去学习，本人尽力保证在读者不熟悉bazel
的情况下也能理解本文内容。12345

在详细分析_py_wrap_cc_impl函数之前，我们需要补充一点关于Python和C/C++混合编程的知识。

SWIG

图7：Python与C/C++混合编程的两种模式

Python和C/C++的混合编程存在两种编程模式:扩展与嵌入，这里主要介绍前一种。C/C++编写Pyton扩展过程如下：

图8：第一步、编写封装函数

图9：第二步、编写模块初始话函数

图10：完整的扩展例子

可以看到，手动完成扩展的编写还是挺低效的，最后还需要将编写完的封装代码和源码一起编译成动态链接库，限于篇幅，这里就不具体介绍了；我们来介绍一个自动化完成扩展编写的工具SWIG。

图11：swig简介

SWIG是一个接口编译工具，连接C/C++代码与脚本语言Perl.Python,Ruby,Tcl的桥梁。SWIG为C/C++头文件自动生成包装代码，提供给脚本语言使用。

我们来看一个例子，假如我们有这样一个C代码文件example.c,其中包含了想要提供给其他语言如Perl,Python,java，C#代码使用的方法：

/* File : example.c */

 #include <time.h>
 double My_variable = 3.0; int fact(int n) {     if (n <= 1) return 1;     else return n*fact(n-1);
 } int my_mod(int x, int y) {     return (x%y);
 }

 char *get_time()
 {
     time_t ltime;     time(&ltime);     return ctime(&ltime);
 }

那么首先我们需要创建一个”接口文件”，扩展名为 .i:

/* example.i */%module example
%{/* Put header files here or function declarations like below */extern double  My_variable;extern int fact(int n);extern int my_mod(int x, int y);extern char *get_time();
%}extern double My_variable;extern int fact(int n);extern int my_mod(int x, int y);extern char *get_time();

然后就可以构建其他语言的模块了，例如可以执行如下命令构建Python模块：

$ swig -python example.i$ gcc -c example.c example_wrap.c -I/usr/local/include/python2.1$ ld -shared example.o example_wrap.o -o _example.so

然后就可以调用生成的Python模块了：

>>> import example>>> example.fact(5)120>>> example.my_mod(7,3)1>>> example.get_time()'Sun Feb 11 23:01:07 1996'>>>

可以通过执行下列命令生成Java模块：

$ swig -java example.i
$ gcc -c example.c example_wrap.c -I/c/jdk1.3.1/include -I/c/jdk1.3.1/include/win32
$ gcc -shared example.o example_wrap.o -mno-cygwin -Wl, --add-stdcall-alias -o example.dll

然后可以编写java代码，调用此模块：

/* file main.java */public class main{    public static void main(String argv[]){
        System.loadLobrary('example');
        System.out.println(example.getMy_variable());
        System.out.println(example.fact(5));
        System.out.println(example.get_time());
    }
}

最后执行调用：

$ javac main.java$ java main3.0120Mon Mar  4 18:20:31  2002$123456

有了这些准备知识后，我们可以开始分析_py_wrap_cc_impl函数了：

# Bazel rules for building swig files.def _py_wrap_cc_impl(ctx):  ##
  ## 下面的代码在构造SWIG的参数
  ##
  srcs = ctx.files.srcs
  if len(srcs) != 1:
    fail("Exactly one SWIG source file label must be specified.", "srcs")
  module_name = ctx.attr.module_name
  src = ctx.files.srcs[0]
  inputs = set([src])
  inputs += ctx.files.swig_includes
  for dep in ctx.attr.deps:
    inputs += dep.cc.transitive_headers
  inputs += ctx.files._swiglib
  inputs += ctx.files.toolchain_deps
  swig_include_dirs = set(_get_repository_roots(ctx, inputs))
  swig_include_dirs += sorted([f.dirname for f in ctx.files._swiglib])  ##
  ## swig的命令行参数：-c++表示启动C++解析，-python表示输出python的
  ## wrapper代码，-module设置模块名称，-o表示输出文件名称，-outdir
  ## 表示输出目录路径，-l表示包含的SWIG的库文件名称，包括用户提供的.i文件
  ## 以及需要的SWIG库文件（也是一些.i文件），-I表示把参数路径添
  ## 加到SWIG的include查找路径。
  ## 
  args = [      "-c++", "-python", "-module", module_name, "-o", ctx.outputs.cc_out.path,      "-outdir", ctx.outputs.py_out.dirname
  ]
  args += ["-l" + f.path for f in ctx.files.swig_includes]
  args += ["-I" + i for i in swig_include_dirs]
  args += [src.path]
  outputs = [ctx.outputs.cc_out, ctx.outputs.py_out]  ##
  ## 调用SWIG命令，生成swig files：ctx.action函数会启动一个
  ## 可执行文件或脚本executable, 启动参数arguments, inputs
  ## 表示表示输入文件，outputs表示输出文件。
  ##
  ctx.action(
      executable=ctx.executable._swig,
      arguments=args,
      inputs=list(inputs),
      outputs=outputs,
      mnemonic="PythonSwig",
      progress_message="SWIGing " + src.path)
  return struct(files=set(outputs))

C/C++的Python插件封装代码通过SWIG生成之后，就可以编译Python的插件了，这就是函数tf_py_wrap_cc后半部分所完成的工作：

def tf_py_wrap_cc(name,
                             srcs,
                             swig_includes=[],
                             deps=[],
                             copts=[],
                             **kwargs):    ...
    ...
    ## 
    ## module_name + ".cc"是上面介绍的_py_wrap_cc规则的输出文件
    ## 也就是C/C++代码的Python封装代码，与dep中的C/C++代码一起，
    ## 通过cc_binary规则，生成动态链接库cc_library_name。
    ##
    native.cc_binary(
      name=cc_library_name,
      srcs=[module_name + ".cc"],
      copts=(copts + [          "-Wno-self-assign", "-Wno-sign-compare", "-Wno-write-strings"
      ] + tf_extension_copts()),
      linkopts=tf_extension_linkopts() + extra_linkopts,
      linkstatic=1,
      linkshared=1,
      deps=deps + extra_deps)  ##
  ## 定义一个生成规则，执行拷贝命令cp，将动态链接库cc_library_name拷贝一份，
  ## 名称为cc_library_pyd_name(python的pyd文件实际也就是windows平台下动态链接库，
  ## 只不过扩展名不一样而已)
  ##
  native.genrule(
      name="gen_" + cc_library_pyd_name,
      srcs=[":" + cc_library_name],
      outs=[cc_library_pyd_name],
      cmd="cp $< $@",)  ##
  ## py_library规则定义一个python库目标，如果是windows平台下
  ## 则依赖.pyd文件cc_library_pyd_name，这会出发上面的拷贝动作，其他
  ## 平台下，则依赖.so文件cc_library_name
  native.py_library(
      name=name,
      srcs=[":" + name + ".py"],
      srcs_version="PY2AND3",
      data=select({
          clean_dep("//tensorflow:windows"): [":" + cc_library_pyd_name],          "//conditions:default": [":" + cc_library_name],
      }))

最后，执行bazel build命令，在windows下，会生成下列文件：

pywrap_tensorflow_internal.ccpywrap_tensorflow_internal.py_pywrap_tensorflow_internal.pyd

而在非window平台下，则生成下列文件：

pywrap_tensorflow_internal.ccpywrap_tensorflow_internal.py_pywrap_tensorflow_internal.so

小结

总结一下，本章中，我们通过工具bazel query,找到了混合编程中链接两个世界的模块pywrap_tensorflow_internal，实际上它就是Python的一个扩展，python的代码通过这个扩展就可以调用底层的C/C++代码了。然后分析此工程的过程中，引入了SWIG工具，它使得C/C++代码很方便的导出到各种其他的脚本语言。

原文出处