OneFlow 概念清单
本文将对 OneFlow 中涉及到的，常用的一些概念/名词做一个概括性的解释。主要内容针对算法工程师和框架开发者分为以下两部分：
- 算法开发
- 框架开发
在算法开发部分，将解释深度学习算法开发过程中常用的一些概念和名词，而在框架开发部分，则侧重于介绍 OneFlow 框架内部设计概念、重要数据结构。
算法开发
1. Placeholder
Placeholder 即数据占位符，此概念用于描述输入/输出的数据形状，而并不是实体的数据。
例如：
import oneflow.typing as tp
def test_job(
images: tp.Numpy.Placeholder((32, 1, 28, 28), dtype=flow.float),
labels: tp.Numpy.Placeholder((32,), dtype=flow.int32),
) -> Tuple[tp.Numpy, tp.Numpy]:
# do something with images or labels
return (images, labels)
描述了一个测试的 job 函数中，输入的图片 shape 是(32, 1, 28, 28)，数据类型是 flow.float32；输入的 labels 标签的 shape 是(32,)，类型是 flow.int32。
2. Tensor 和 Blob
在其它框架中常用 Tensor 这个概念，譬如 pytorch 中的 Tensor，其中包含了数据值和类型(data, dtype)、梯度 grad、存放的设备类型 device 等属性。利用 Tensor 可以用来构造和描述前向/反向过程中的计算图。
而在 OneFlow 中，底层也使用了 Tensor 的概念，不过 OneFlow 中的 Tensor 和 pytorch/tensorflow 中的有些不同，为了对分布式和并行提供充分的支持，OneFlow 中的 Tensor 更为复杂，类型和属性更多（譬如：逻辑/物理、设备、分布式相关的属性），而且一个逻辑上统一的 Tensor 可能在实际计算过程中，被拆分到了不同的设备上，所以，为了简化描述，OneFlow 中屏蔽了各种具体类型的 Tensor，其上层由一个统一的概念— Blob 作为定义。
Blob 在 OneFlow 中有对应的基类 BlobDef，搭建网络时可以打印 Blob 的属性，比如以下代码打印 conv1 的 shape 和 dtype ：
print(conv1.shape, conv1.dtype)
Blob 可能只是占位符 Placeholder，也可能是具体的包含数值的单元。
3. Job Function(作业函数)
在 OneFlow 中，将训练、预测等具体任务统称为作业函数(job function)，作业函数联系用户的业务逻辑与 OneFlow 管理的计算资源。
在 OneFlow 中，任何被定义为作业函数的方法体都需要用装饰器 @oneflow.global_function 修饰，通过此装饰器，不仅能定义作业的类型(如：type="train")，同时将为作业绑定一个 FunctionConfig 对象用于设置作业函数运行时所需的配置，使得 OneFlow 能方便地为管理内存、GPU 等计算资源。
4. Layer 和 Operator（op）
Layer
Layer 即运算层，layer 的概念和 tensorflow、pytorch 等主流深度学习框架类似，用来描述神经网络模型中的一个层级如：conv2d 卷积层、batch_normalization 层、dense 全连接层、layer_norm 正则化层等。层的存在简化了神经网络模型的搭建过程，譬如，可以用简单的几行代码搭建出 LeNet：
def lenet(data, train=False):
initializer = flow.truncated_normal(0.1)
conv1 = flow.layers.conv2d(
data,
32,
5,
padding="SAME",
activation=flow.nn.relu,
name="conv1",
kernel_initializer=initializer,
)
pool1 = flow.nn.max_pool2d(
conv1, ksize=2, strides=2, padding="SAME", name="pool1", data_format="NCHW"
)
conv2 = flow.layers.conv2d(
pool1,
64,
5,
padding="SAME",
activation=flow.nn.relu,
name="conv2",
kernel_initializer=initializer,
)
pool2 = flow.nn.max_pool2d(
conv2, ksize=2, strides=2, padding="SAME", name="pool2", data_format="NCHW"
)
reshape = flow.reshape(pool2, [pool2.shape[0], -1])
hidden = flow.layers.dense(
reshape,
512,
activation=flow.nn.relu,
kernel_initializer=initializer,
name="dense1",
)
if train:
hidden = flow.nn.dropout(hidden, rate=0.5, name="dropout")
return flow.layers.dense(hidden, 10, kernel_initializer=initializer, name="dense2")
layer 底层是由各种算子拼接而成，譬如：layers.conv2d 其实是由 conv2d 算子和 variable 算子组成。
Op
Operator 即算子（简称为op），是 OneFlow 中的基本运算单元 。上面例子中 layer 之间的计算全部由各种算子叠加完成。譬如 flow.nn.max_pool2d 就是一种算子，flow.reshape 是另一种算子。
5. Consistent/Mirrored View
OneFlow 中采取了两种视角： Mirrored View 和 Consistent View 来描述分布式情况下数据和模型的分布，不同的 view 对应了不同的并行策略。
Mirrored View 来源于 MPI 分布式计算中的镜像策略，用于描述数据并行时，模型镜像到多卡的行为；
Consistent View 则表示将分布式环境下的多机多卡视为一个整体，采取此策略时，OneFlow 会为用户屏蔽掉具体的执行方式，内部将以最优化的策略选择并行方式（可能是数据并行/模型并行或混合并行）
简单来说：
当设置 mirrored view 时（flow.scope.mirrored_view）表示只能使用数据并行的方式。譬如在 job function 中设置了4台单卡节点，则模型会被完整的复制/镜像到4台节点的GPU卡上，数据则会切分为4份分别喂给4台节点上的GPU卡。
当设置 consistent view 时(flow.scope.consistent_view)，则表示没有限制，OneFlow 可以自由选择模型并行、数据并行或者两者共存的混合并行。
框架开发
1. Boxing
负责在运行时根据并行属性转换张量的模块，称之为 Boxing。
例如：当上下游的 op 具有不同的并行特性(如并行数不同)，OneFlow 将利用 Boxing 自动处理各种数据转换和传输过程。
2. SBP
本质上，神经网络前向后向过程中的大多数操作，都可以归纳为矩阵计算，在矩阵计算中常有根据 axis 切分、广播等操作。同样 OneFlow 中也有类似的操作，称为SBP，当然，OneFlow 中的 SBP 不仅仅是简单的矩阵运算，其还对应了数据在不同物理 GPU 上的划分、广播等实际操作。
SBP 即 Split、Broadcast、Partial sum 的缩写。其中 Split 表示切分；Broadcast 表示广播；Partial sum 表示部分求和。
Split
在并行 op 计算时，张量被 split 切分为多个子张量。不同的 op 算符允许张量在不同的 axis 轴上进行拆分。Boxing 机制将自动处理一个张量在多种 op 操作下在不同轴上切分的情况。
Broadcast
并行 op 计算时，一个设备上的张量被广播至多个设备，使每台设备上有相同的张量。
Partial Sum
如果一个 op 具有分配(distributive)属性，则张量会根据属性进行部分维度的加和操作。
3. TensorBuffer 和 TensorList
基于静态图机制，OneFlow 可以在编译时提前推理出各个算子的张量形状，并分配好内存，做到程序运行时内存零拷贝。但在某些特殊场景下，OneFlow 需要处理变长的数据，比如 DataLoader 加载的图片形状在编译时无法获知。为了处理这种变长数据，OneFlow 内部设计了两种数据结构，分别是 TensorBuffer 和 TensorList 。
TensorBuffer
TensorBuffer 是一个较为灵活的数据结构，使用的时候，需要指定实例的维度。OneFlow 会为每个实例生成对应的 TensorBuffer 对象，TensorBuffer 对象间接引用内存数据，TensorBuffer 所引用的内存区域是动态的、不连续的。
TensorList
与 TensorBuffer 类似，TensorList 也是一种存放变长数据的数据结构，最主要的区别在与 TensorList 的数据部分在内存中是连续的。
