本文共 1376 字，大约阅读时间需要 4 分钟。

    TensorFlow中有很多图优化，包括公共的优化策略和针对设备的特殊优化，有兴趣可以针对自己的网络设计专门的优化。对于大型公司来说，为了提高计算效率进行专门优化很有必要，对于个人学者来说，不如买个更牛逼的卡。

一、图优化的执行时序

    图优化的入口是第一次创建Session后，执行Sess Run时会创建executor，即调用CreateExecutors()。这个接口中有两个分支进行图优化，其中一个分支实例化GraphOptimizer父类，父类中完成了CSE和ConstantFold等图优化；另一个分支进行了更多的优化，包括针对CPU、GPU等设备的专用优化，如内存优化、GPU转化NHWC为NCHW等。这篇介绍CSE的执行时序和优化原理。

    懒得画图，CSE优化的执行时序如下：

CreateExecutors实例化GraphOptimizer-->调用optimizer.Optimize-->判断option中是否开启CSE，开启则调用OptimizeCSE-->实例化OptimizerCSE，调用其Optimize方法开始优化。

    其中consider_fn是判断节点是否可以合并的函数指针，默认为空，实际也没传值，因此这里不需要考虑。

二、优化原理

    看到源码前，没有想到实现如此简洁。CSE的目的是将相同输入的表达式进行消除，由一个节点来代替，复用计算结果。源码如下。

1、得到图的逆后续节点集，代码实现中，首先得到图的深度优先遍历，然后将结果逆转，就得到了逆后续节点集，开发人员没有给出使用逆后续的原因，个人考虑，逆后续得到的结果就是拓扑排序，即访问到某一个节点时，该节点的依赖节点都已经被访问。

2、创建一个map，名为available，作用是存储候选集，在后续遍历图中节点时，可以从候选集中查找是否有可以使用的表达式。

3、遍历图所有节点。

4、判断表达式相同的关键思想。获取节点的hash值，hash的key由输出个数+输出类型s+(输入节点id+端口)s，这样设计key可以保证输入相同及输出个数和类型相同时，得到的hash值相同，达到检索公共表达式的目的，而hash的特点就是可以在O(1)的时间复杂度根据key得到value。

5、根据hash值h从map中得到candidate，当candidate是空时，表示第一次遇到这样的表达式，将节点存入map中。

6、做candidate非空，则说明之前遍历到了相似的表达式，接下来需要进一步判断是否可复用已保存节点表达式的结果。Equivalent函数完成了这样的判断，大致是节点类型不同不可，输入非const不可，输入类型中有ref类型不可(ref类型不使用，enum大于100)，节点attrs不同不可，输入个数不同不可，输入节点id和端口不同不可。即节点的输入都是来自相同的const节点，可以保证输入数据完全相同，而输出个数和类型相同可以保证输出的结果相同，因此可以复用之前保存节点的结果，不用再次进行计算。

7、判断表达式可以复用后，最后一步就是删除重复的节点，方法很简单，直接将candidate的输出连接到当前节点的输出节点对应的输入端口，最后删除当前节点即可。

    之前看的一点内容，粗略记录一下，不记录哪天就忘记了。有偏颇的地方难以避免。以后有需要再完善。

转载地址：http://pqhzb.baihongyu.com/