点击上方↑↑↑“视学算法”关注我

来源：公众号 新智元 授权

作者：袁进辉

编辑：元子

【导读】一个框架好与不好，是有很多维度去看待的，使用者和框架开发者的关注点可能就不一样。深度学习框架发展到今天，有些功能已经变成常规需求了，一个后出现的框架要追求成功，仅仅没有短板还不够，还必须有长板，独门功法，有超越于其它框架的地方

3月份，国内有多个深度学习框架开源，OneFlow也在为开源做最后的准备，2020是深度学习框架领域非常热闹的一年。一个框架好与不好，是有很多维度去看待的，使用者和框架开发者的关注点可能就不一样。

框架的用户和开发者心态迥异，关注点完全不同

对于绝大部分框架用户来说，不会深度入到框架内部实现中去，反而使用体验是第一位的，文档和案例是否齐全，能否按照README就可以非常容易完成初体验。

而对于框架开发者来说，就是另一种心态。如果他正在框架研发，看到一个新框架，首先是去看，自己的独门秘技在这个新框架中是怎么解决的，是否已经实现了，实现的是否高明；然后马上去看，对方有没有什么独门功法可供自己学习的。

当然，对于框架的成功来说，从用户角度去看绝对是最重要的，框架开发者做抉择时，用户需求应高于技术审美。在这篇文章中，我重点从框架开发者角度来分享一些我个人在技术上的关注点。先讨论如何从总体上评估一个框架，然后再分具体课题来深入框架内部细节。

框架发展越来越完善，长江后浪如何超越前浪？

深度学习框架发展到今天，有些功能已经变成常规需求了，譬如易用，高效，完备（算子、模型、配套工具链、文档、案例），一个新的框架在这些方面应该没有明显的短板。一个后出现的框架要追求成功，仅仅没有短板还不够，还必须有长板，独门功法，有超越于其它框架的地方，或者其它框架根本做不到，或者很难做到，只有这样，才有可能先从细分市场切开一个小口，进而站稳脚本。

创新点是我首先关注的问题。框架开发者自身作为技术极客，对创新这一点极为珍视，如果没有思路上的突破，仅仅是按老路重新造个轮子来说，是引发不了技术高手的兴趣的，这是小同行非常关心的一个问题：这个新的框架给框架类产品带来了什么增量，也就是创新的部分。同时，创新对框架成功也至关重要。Caffe和Theano是框架的鼻祖，分别都贡献了一些最原始的思路。TensorFlow和MXNet都以更高的工程质量（工业级）把计算图抽象推向一个新高度，二者相对于Caffe而言主要是引入了计算图抽象，相对于Theano而言，主要是高质量C++实现带来效率和扩展性。PyTorch则成功引入了Eager执行的模式, 而且实现了Python的无缝衔接（严格来说Chainer是最早推行这个思路的框架，被PyTorch发扬光大）。国产深度学习框架要杀出重围，大的思路创新绝对是首要因素。微创新不足以改变格局，而且还容易被学习和抄袭。

工程质量是我关注的第二个问题。工程质量不过关，不会走的很远。有时能看到一些对项目评价，“学生作品”还是“工业级代码”，这是有一定根据的。可以从多个层次来考察，从大到小，譬如设计，架构，模块，模式，抽象，直至微观的某个算法实现，讲究恰到好处，尤其注意不要over engineering，增之一分则太肥，减之一分则太瘦；也可以从代码美观角度来看，譬如google style，clang-format，cpplint等工具的使用；还有一个考察角度是，这份代码基础是否适合大规模协作开发，代码量虽然很大，高质量代码仍是非常容易被理解的，以及代码基础是否引入了一些约束规范，譬如防御式编程，能防范一些低级错误。代码实现是程序员思想的体现，写出漂亮代码的前提是，要有一个清澈的大脑和对问题本质的深入思考。

深度学习框架应该关注的三个问题

和深度学习框架相关的一些具体技术实现是我关注的第三个问题。包含的问题有：

（1）深度学习框架都使用了数据流抽象（Eager模式是控制流），我会看看这个框架是怎么支撑这个抽象的，算子，图，流等怎么实现的，怎么定义算子，怎么实现多数据类型、多设备的Kernel，计算图是怎么实现的等等。

（2）计算图通过底层引擎来执行，一般的原理是，给定一个计算图，按照数据依赖拓扑遍历，这是最基本的实现，如果底层设备是CPU，那么执行引擎就是线程池，需要关注Dispatcher和线程池如何交互的，如果底层设备是GPU， Dispatcher和底层设备是如何交互的，因为GPU自身特点，对stream, event的运用是关键。

（3）内存是怎么管理的，静态图引擎可以做很多内存管理的技术，模型推理基本是静态图，因此Inference framework对静态内存管理体验是最深的，不需要为每个blob单独去做内存分配，可以为整个图分配一块内存；动态图的内存管理怎么做，垃圾回收，生命周期管理等等也是很复杂的问题；亚线性内存分配，以及微软的Zero也属于内存优化技术之列。

（4）接口易用性问题，动态图和静态图运行方式的支持，实际上主要涉及c++和python交互的问题。

（5）单设备代码编译优化问题，主要涉及设备无关的图优化，业界既有专门做这项工作的编译器，譬如Glow, XLA，TVM Relay，一些深度学习框架也包含了此类优化，譬如Paddle, MegEngine。

（6）设备相关代码优化的解决办法，即代码生成，TVM, Jittor, PlaidML属于此列。

（7）对分布式并行的解决思路，譬如对数据并行，模型并行，流水并行的支持；即使单纯看数据并行，也有一系列办法，譬如PS，Ring allreduce, double tree allreduce，业界的实现包含NCCL, 字节跳动的BytePS，微软的DeepSpeed等。

（8）其它待补充。

如果既有大的思路创新，也在以上各方面都做的很棒，那就很接近技术上的完美了。

本文授权转载自袁进辉的知乎专栏