Tensorflow 如何可视化实际的底层计算代码？

我在学习Tensorflow

在一些测试中，我希望看到Tensorflow计算的实际代码。实际上，在定义了图形之后，它会生成它将要去计算的会话

但是，我无法计算出实际计算的位置（例如，a*b、a+b、e^a等）。我期待代码在C++中实现。例如，我想查看

tanh

操作的代码，但是，即使在查看了

cwise_op_tanh.cc

文件之后，我也找不到它

---

我能得到一些建议吗？

操作的体系结构在中进行了解释。它是灵活的，用于自动代码生成，所以一开始很混乱

在寻找实现时，我通常在源代码中搜索

REGISTER\u OP

字符串。此宏向TensorFlow引擎注册一个操作（有关详细信息，请参阅前面的链接，它更复杂）。宏应该给出所有“指针”来知道在哪里查看。当存在每种设备类型（CPU、GPU、特殊GPU）或分支/组合的实现时，它可能会变得复杂

例如，在

tanh

上，我在源代码中查找

tanh

，或者似乎约定是

tanh

：

> cd /path/to/tensorflow/source
> grep -R REGISTER_OP tensorflow | grep -i tanh
tensorflow/core/ops/math_grad.cc:REGISTER_OP_GRADIENT("Tanh", TanhGrad);
tensorflow/core/ops/math_grad.cc:REGISTER_OP_GRADIENT("Atanh", AtanhGrad);
tensorflow/core/ops/math_ops.cc:REGISTER_OP("Tanh").UNARY_COMPLEX();
tensorflow/core/ops/math_ops.cc:REGISTER_OP("Atanh").UNARY_COMPLEX();
tensorflow/core/ops/math_ops.cc:REGISTER_OP("TanhGrad").UNARY_GRADIENT_COMPLEX();
tensorflow/core/ops/nn_ops.cc:REGISTER_OP("_MklTanh")
tensorflow/core/ops/nn_ops.cc:REGISTER_OP("_MklTanhGrad")

结果：

tensorflow/core/ops/math_ops.cc:REGISTER_OP（“Tanh”）.UNARY_COMPLEX（）看起来像我们正在寻找的。这导致了一个
一元复杂的
宏定义：

#define UNARY_COMPLEX()                                                  \
  Input("x: T")                                                          \
      .Output("y: T")                                                    \
      .Attr("T: {half, bfloat16, float, double, complex64, complex128}") \
      .SetShapeFn(shape_inference::UnchangedShape)

实际实现通常是一个封装在
SetShapeFn
调用中的函数。但实现通常也是委托的，就像这里一样。我们知道
tanh
是一种系数操作，再搜索一点，
tensorflow/core/kernels/cwise_op_tanh.cc
和
tensorflow/core/kernels/cwise_op_gpu tanh.cu.cc
是唯一注册
tanh
的内核。但这一次，这些文件使用“实用程序”，如
REGISTER5
，以实现更紧凑的锅炉板注册。例如，我们可以发现：

REGISTER5(UnaryOp, CPU, "Tanh", functor::tanh, float, Eigen::half, double,
      complex64, complex128);

它最终调用
REGISTER\u KERNEL\u BUILDER
——的
REGISTER\u OP
——来注册注册操作的实际实现。查看代码，实现是
functor:：tanh
，它是实际实现的包装，通常委托给特征线性代数库。有时，本征函数本身可能会进行一些更进一步的运算

注:


加速搜索的一种方法是使用
REGISTER
而不是
REGISTER\u OP
作为搜索模式。不过，这将带来更多的结果
所有代码提取都来自当前的TensorFlow版本（提交
ac8e67399d75edce6a9f94afaa2adb577035966e
）。注意代码经常更改
由于各种原因，Tensorflow正在迁移到一种更抽象的体系结构，称为。因此，上述解释将变得过时
你所说的“实际上，在定义了图形之后，它会生成它将要计算的会话”到底是什么意思？我的意思是，在进行培训之前，我们定义了图形并生成tf.session（）。然后将根据我们想要得到的输出执行图形（将执行计算）。不是吗？根据我们想要得到的结果？您的意思是根据我们传递给会话对象的
run
方法的参数的值。。。对不起，英语不好。那么，你到底为什么要提到会话和图表呢？