TensorFlow的Bazel构建文件结构

本来是想理解一下TF源码编译过程的，后来发现功力和时间有限，就只分析了两个入口级文件$TF_ROOT/WORKSPACE和$TF_ROOT/tensorflow/workspace.bzl

目录

• 说明
• 分析
  • 全局设定文件：$TF_ROOT/WORKSPACE
  • 外部依赖项入口：tensorflow/workspace.bzl
• 看看有多少package？

说明

• 只考虑Bazel，不考虑CMake。
• 只考虑WORKSPACE,BUILD,*.bzl，不考虑configure和configure.py
• 本人对Bazel不甚了解，不保证分析过程正确性

分析

假定tf源码目录是$TF_ROOT

全局设定文件：$TF_ROOT/WORKSPACE

$TF_ROOT/WORKSPACE是执行Bazel系列命令后第一个解析的文件，设定各种全局的设置，根据其内容，它主要做了这几件事情：

1. 设定WORKSPACE名字。可选

workspace(name = "org_tensorflow")

2. 加载http_archive函数。新版bazel中需要手动load，然后再使用

load("@bazel_tools//tools/build_defs/repo:http.bzl", "http_archive", "http_file")

3. 利用http_archive函数，加载若干bazel相关的包，例如：

• io_bazel_rules_closure
• io_bazel_rules_docker
• Apple和Swift的bazel支持

4. 检查bazel版本，来确保BUILD文件正确解析

当前要求至少0.18版本

不过似乎0.18版本的bazel有问题，后来我用apt装了0.21版本的是OK的。

5. 加载tensorflow/workspace.bzl文件，用来加载各种依赖项：

所有的依赖项都写在"*.bzl"文件中了

6. 从谷歌云盘下载几个流行的模型，包括：

• inception_v1
• mobile_ssd
• mobile_multibox
• stylize
• speech_commands

可以看到，tensorflow/workspace.bzl是重点解析的文件，它里面定义的tf_workspace()函数加载了各种依赖项

外部依赖项入口：tensorflow/workspace.bzl

主要考虑这个文件中定义的tf_workspace()，它通过http下载(tf_http_archive())的外部依赖包括：

• mkl_dnn: intel CPU上的矩阵加速库
• com_google_absl: google开源的abseil库，类似于boost的G家升级版。移植tf源码时容易和abseil纠缠在一块
• eigen_archive: eigen矩阵计算加速库
• arm_compiler: 树莓派编译相关
• libxsmm_archive: Intel CPU平台上矩阵运算相关的一个库。不了解
• com_googlesource_code_re2: google家开源的正则库
• com_github_googlecloudplatform_google_cloud_cpp: 谷歌云相关
• com_github_googleapis_googleapis:google api，看起来比较通用常见基础的一个东西
• gemmlowp：矩阵乘法加速
• farmhash_archive：各种hash函数，google家开源的
• png_archive: 处理.png图片格式库
• org_sqlite: sqlite，麻雀虽小但五脏俱全的数据库
• gif_archive: 处理.gif格式图片的库
• protobuf: 使用protobuf似乎是G家代码的必备，然而其实这货往往容易带来问题，2333
• nsync: nsync是google的非官方同步原语库。然而其实nsync也是Justin Timberlake早年所在团体的名字, 2333
• googletest:没的说，没的说，谷歌自家的测试框架，标配
• gflags: 解析命令行参数，G家开源的，半标配
• pcre: Perl的一个正则库。说实话，我出了fddb-eval就没见过在用户层面用perl脚本的地方
• swig: SWIG: A code generator for connecting C/C++ with other programming languages。不明觉厉的一个库。
• curl：下载库
• gRPC：远程调用库。
• nanopb：protobuf已经很讨厌了，又来一个nanopb，说是给嵌入式系统用的pb，2333
• llvm: 编译器，不明觉厉
• lmdb: caffe用lmdb是压缩数据集，tf你也这样用吗？？
• jsoncpp: 解析json的C++库。protobuf都有了，怎么还要用json?2333
• boringssl: ssl库，fork自openssl，google家的定制版。google也不是完全自己造轮子啊
• zlib: 压缩库
• fft2d: 傅里叶变换库
• snappy: snappy库在Caffe中被用到。tf你也用到了吗？
• nccl: 多gpu通信
• librdkafka: apache kafka的C实现。分布式通信相关？我不太了解
• pprof: google开源的profiling（性能排查）的可视化工具
• cub：cub是NVidia家的cuda编程相关的一个库
• cython: python加速用的
• bazel_toolchains: bazel自个儿的东西，构建相关
• arm_neon_2_x86_sse: 计算加速相关
• double_conversion: 高效的IEEE double浮点数“2进制-10进制”相互转化工具
• tbb：tbb是Intel家开源的CPU并行加速库，anyway，编译OpenCV的时候遇到过它
• ngraph: ngraph是图(graph)编译器，用于深度学习加速
• nlohmann_json_lib: json库。已经有jsoncpp了为啥还要一个？
• ngraph-tf: 有ngraph了为啥还要ngraph-tf。。

以及，一堆python包（不是很懂，直接pip装不就好了吗？写个requirements.txt不好吗？）

• six
• astor
• gast
• termcolor
• absl_py: abseil库的python接口
• backports_weakref:弱引用/GC相关

以及，若干java maven仓库里的jar包(java生态我不了解，不查了）：

• junit:java代码单元测试框架
• hamcrest
• google test
• google truth
• checkerframework
• javapoet

以及，一堆tensorflow官方训练好的模型与相关的文件：

• tflite_mobilenet_float
• tflite_mobilenet_quant
• tflite_mobilenet_ssd
• tflite_mobilenet_ssd_quant
• tflite_mobilenet_ssd_quant_protobuf
• tflite_conv_actions_frozen
• tflite_smartreply
• tflite_ovic_testdata
• build_bazel_rules_android

看看有多少package？

既然是Bazel构建，那就得用java工程目录结构的思路来思考。

zz@zz-B360-HD3 /home/zz/work/tensorflow                                                                                                                       master
⚡ find . -name 'BUILD' | wc -l
464

可以看到，一共有464个包。