Question

正如标题所说，我想知道＆＃34; ref edge＆＃34;之间的概念差异。和＆＃34;非参考边缘＆＃34;在TensorFlow。

我在TensorFlow中阅读图分区算法。这里（line 826 of graph_partition.cc）是提到的评论＆＃34;非参考边缘＆＃34;：

$.ajax({
    url: url,
    data: data,
    method: 'GET',
    success: function(data) {
        console.log(data)
        $("#editProject").modal('show');
        $('#editProject').find('.modal-body').html(data);
    }
})

有人能更清楚地解释这种差异吗？非常感谢。

Answer 1

在TensorFlow中，大多数边缘是＆＃34;非参考＆＃34;边缘，这意味着沿着该边缘流动的值是常数。如果将TensorFlow图中的顶点（操作）视为函数，则可以将非ref边视为表示传统编程语言（如C或C ++）中passed by value的函数参数。例如，操作z = tf.matmul(x, y)的输入和输出都是非参考边缘。

A＆＃34; ref edge＆＃34;在TensorFlow中，允许沿着该边缘流动的值发生变异。继续函数类比，ref edge表示函数参数passed by reference（我们从中取名称＆＃34; ref＆＃34; edge）。 ref边缘的最常见用法是tf.Variable的当前内部实现：内部Variable kernel拥有可变缓冲区，并在ref边缘输出对该缓冲区的引用。诸如tf.assign(var, val)之类的操作期望它们的var参数沿着ref edge传递，因为它们需要改变var中的值。

图分区算法特别处理ref边缘，因为它们对应于可能随图形执行而变化的值。由于非ref边缘是常数值，因此TensorFlow可以假设在两个设备之间交叉的相同操作中的所有非ref边缘可以组合成单个边缘，这节省了网络/存储器带宽。由于ref边缘上的值可以改变（例如，如果在步骤中间更新变量），TensorFlow必须小心不要组合边缘，以便远程设备可以看到新值。通过类比C / C ++，TensorFlow图分区器将ref-edge视为表示volatile变量，以便进行优化。

最后，从上面的解释量可以看出，ref边缘非常复杂，并且一直在努力将它们从TensorFlow执行模型中删除。替换是＆＃34;资源类型边缘＆＃34;，它允许非张量值沿边缘流动（统一变量，队列，读取器和TensorFlow中的其他复杂对象），以及采用可变资源的显式操作作为输入并读取其值（作为非ref输出边缘）。新的＆＃34;资源变量的实施＆＃34;可以看到here in Python和here in C++。

张量流中ref边缘和非ref边缘之间的区别是什么？

1 个答案: