关于我如何阅读源码这件事
作者丨Oldpan博客来源丨Oldpan博客
编辑丨极市平台
阅读源码本身就是一种学习，就像小时候写作文一样，看别人的好作文也就会模拟一些好的句子，一些好的段落。看源码也一样，差别大厂的源码写的风格也不一样，惯用的技巧也不一样，夸大的规范也不一样，使用的C++标注也不一样（C++11、C++14等等）。
但是如果想要深入学习一个框架的底层，看源码是必须的。
https://p9.toutiaoimg.com/large/pgc-image/0f6628b17bf04f549cd2aa1383c4d482
我看过不少源码，也模拟过一些大厂源码的例子。最常见的例子就是抽象类、工厂、单例、注册等等机制，这也是计划模子里头最常见的。如果感觉看的挺熟了想贡献的话，相应的也有编码规范（code-guidelines）。像TensorRT开源仓库的贡献代码规范：
[*]https://github.com/NVIDIA/TensorRT/blob/master/CODING-GUIDELINES.md
里面会要求，使用namespace必须在末尾加上该namespace名称的注释。
namespace foo{...} // namespace foo或者比如写C++尽量用const和constexpr而不是#define，因为#define是预编译的，编译器对此无能为力检查不了。
等等等等。
有些是很小的细节、有些则是涉及到C++的语法和实用性以及代码后期的维护性以及稳固性。如果觉着自己的代码写的不是很好看，或者感觉不满意，或者有逼迫症，就想要写完美没有问题的代码，这时你可以参考下这些大厂的标准...
实在对于C++的编码规范和一些准则，我们平常看的C++ primer里头就有很多。类似的资料也有很多，一般都是用比较新的C++11到C++17的标准。我们多看看多学学就差不多会了：
[*]C++ Core Guidelines
[*](More)Effective C++
[*]Effective Modern C++
推荐看的一些源码库
搞深度学习，除了纯粹的研究岗，不论是深度学习研究员还是深度学习算法工程师，或者是深度学习框架工程师、高性能计算工程师...一些源码总是要看的。
我们平常用的Pytorch、Caffe、TensorFlow、Paddle、TVM，这些都是开源的。不论公司还是个人都在用，很好用也很强大，大佬们也会经常魔改。
https://p6.toutiaoimg.com/large/pgc-image/db4a9e5099d048df9f243821134afd9e
这都是赤裸裸的宝贵资料啊，不花点时间看真的是可惜了。
我这里也推荐一些值得深入学习的框架。
Caffe
Caffe有多经典就不用说了，大部分的代码是用C++写的，对于学习C++的一些语言很有资助。
https://p6.toutiaoimg.com/large/pgc-image/11e57c755c5f47dd8883fa83b13bcc36
Caffe代码语言分布
值得看的部分都在src目录下：
https://p3.toutiaoimg.com/large/pgc-image/eaf92022d3fe4e399b9ee3f2deec73ef
Caffe核心的部分
值得我们学习的东西有很多：
[*]类的计划、继承、模板、工厂
[*]im2col、矩阵运算、反向传播
[*]很多算子的CPU和GPU实现，例如BN、softmax等
[*]SyncedMemory，内部的blob数据是如安在CPU和GPU之间通报的
// Caffe中layer的注册机制// ~/include/caffe/layer_factory.hpp#define REGISTER_LAYER_CREATOR(type, creator) \static LayerRegisterer g_creator_f_##type(#type, creator); \static LayerRegisterer g_creator_d_##type(#type, creator) \#define REGISTER_LAYER_CLASS(type) \template \shared_ptr Creator_##type##Layer(const LayerParameter& param) \{ \ return shared_ptr(new type##Layer(param)); \} \REGISTER_LAYER_CREATOR(type, Creator_##type##Layer)到现在为止，如果寻求性能话，Caffe可能已经不是很符合了。CPU和GPU端有OpenVino和TensorRT两位年老，也有其他优秀的框架。Caffe到现在更加得看成为应用部署入门学习的框架，或者一些对吞吐量要求不高的任务，一些工业嵌入式端现在也会用到Caffe。
Caffe也是前几年口试的常客，这些年可能问的少了，不过我以为还有须要投入一点精神去学习。
Pytorch
Pytorch中值得学习的部分更多。不过Pytorch源码很复杂，我发起还是带着任务去学习比较有效率和针对性。比如你想要写CUDA自定义算子、又或者你想理解Pytorch的自动求导是什么样的，最好是有需求去看。
还有个最直接的方法，自己把Pytorch的源码编译一遍，尽量碰到坑，逼着自己看下是什么问题，这样对Pytorch的整理框架会有一定的了解。Pytorch值得学习的地方很多：
[*]autograd，也有相应长达40多页的PDF讲解
[*]Tensor，Pytorch中的Tensor是怎样存储的，怎样和op交互，如安在CPU和GPU之前无缝通报的
我之前有过很多源码介绍和源码编译，这里就不赘述了，感兴趣的可以看之前的博客。这里翻出篇关于Tensor的：https://zhuanlan.zhihu.com/p/348179896
[*]
除了本身有很多学习的地方，Pytorch也附带了很多优秀的第三方库，也值得我们学习，简单罗列两个：
[*]fbgemm
[*]QNNPACK
triton-inference-server
推理服务器框架，这里更多的是用我们已知的推理框架去实现服务器推理功能，涉及到调用各种推理框架（libtorch、TensorRT、TF）的精确姿势以及多线程推理相关。主要语言也是C++。
包罗却不限于：
[*]多线程调度以及队列、动态组batch处理
[*]HTTP、GRPC协议；json处理机制（rapidjson）
通过这个源码仓库，我们可以学到很多部署模子推理的实际代码，这个仓库很大，要看的代码很多，你忍一下。源码地址：
[*]https://github.com/triton-inference-server/server
编码规范：
[*]https://github.com/triton-inference-server/server/blob/main/CONTRIBUTING.md
TVM
TVM是一个C++与python混合的工程，并不是单纯的C++或者python语言所编写的。此中，TVM中两种语言的联合方式是使用python中内置模块ctypes来构建起来的，看到ctypes我们可能想到，这不是和C语言联合的吗，当然是这样的，TVM使用的与python的组合语言是C，而核心的实现语言还是C++，而C++通过C的接口与ctypes相连。
TVM中有很多值得我们学习的点：
[*]type-erased函数是怎样实现的
[*]反射机制和奇特的递归模板式
[*]可以兼容一切的PackedFunc又是怎样实现的
TVM的官方文档有很多其内部实现细节的讲解，在TVM的TVM Runtime System一文中，实在已经简单介绍了TVM的核心部件的使用方式，在运行端中，第一个主要介绍的就是可以接受和返回任意类型参数的函数，通过这个特性TVM实现了很多函数接口来完成TVM的一系列任务：
void MyAdd(TVMArgs args, TVMRetValue* rv) { // automatically convert arguments to desired type. int a = args; int b = args; // automatically assign value return to rv *rv = a + b;}TVM老潘之前留了很大的坑没有填，后续一定会补上的。
还有很多值得深入的框架就不一一介绍了。
看源码工具
工欲善其事必先利其器，要阅读源码没有好的阅读器（IDE）怎么行呢？
看源码的工具我推荐使用VSCODE，谁用谁知道。看代码的高亮、查找reference、全局查找、宏定义展开、甚至可以运行，大大提升阅读代码的效率。
https://p3.toutiaoimg.com/large/pgc-image/616880cd009e43d1965bba9b50c2becb
VSCODE
对于某个文件，还可以看到这个代码文件的OUTLINE以及TIMELINE，可以说是非常强大了。
https://p9.toutiaoimg.com/large/pgc-image/f70d06672f8a4516a84518f51e708673
文件的outline和timeline
如果你就想快速看看代码，可以直接浏览器将某个github的地址换为github1s，有人专门开发了工具，可以通过这种方式直接在github源码处开启网页版VScode，可以方便地阅读源码：
https://p9.toutiaoimg.com/large/pgc-image/d046d6e8ecb44e41904ddd6c9749db09
github1s看代码
固然githubs偶尔会抽风，抽风概率20%，不过确实是一个非常好用的看代码工具。
DEBUG代码
还有很重要的一点，光看代码有些细节的运行逻辑底层实现肉眼一般是看不透的（除非你有写轮眼！），最好跑一下！如果自己不知道跑啥，发起可以看一下源码中的test部分，test部分就是QA，也是测试源码功能实现是否符合预期的重要一步。我们可以跑一些这里的测试样例，全部功能都会覆盖到，边跑边debug，全部细节一清二楚！
比如Pytorch源码中的，test/test_quantization.py源码test部分，我们可以通过python test/test_quantization.py TESTNAME命令执行来测试全部关于量化的功能模块：
# # 1. Quantized Kernels# TODO: merge the different quantized op tests into one test classfrom quantization.core.test_quantized_op import TestQuantizedOps# noqa: F401from quantization.core.test_quantized_op import TestQNNPackOps# noqa: F401from quantization.core.test_quantized_op import TestQuantizedLinear# noqa: F401from quantization.core.test_quantized_op import TestQuantizedConv# noqa: F401from quantization.core.test_quantized_op import TestDynamicQuantizedLinear# noqa: F401from quantization.core.test_quantized_op import TestComparatorOps# noqa: F401from quantization.core.test_quantized_op import TestPadding# noqa: F401from quantization.core.test_quantized_op import TestQuantizedEmbeddingOps# noqa: F401from quantization.core.test_quantized_op import TestDynamicQuantizedRNNOp# noqa: F401# 2. Quantized Functional/Workflow Opsfrom quantization.core.test_quantized_functional import TestQuantizedFunctionalOps# noqa: F401from quantization.core.test_workflow_ops import TestFakeQuantizeOps# noqa: F401from quantization.core.test_workflow_ops import TestFusedObsFakeQuant# noqa: F401# 3. Quantized Tensorfrom quantization.core.test_quantized_tensor import TestQuantizedTensor# noqa: F401# 4. Modulesfrom quantization.core.test_workflow_module import TestFakeQuantize# noqa: F401from quantization.core.test_workflow_module import TestObserver# noqa: F401from quantization.core.test_quantized_module import TestStaticQuantizedModule# noqa: F401from quantization.core.test_quantized_module import TestDynamicQuantizedModule# noqa: F401from quantization.core.test_workflow_module import TestRecordHistogramObserver# noqa: F401from quantization.core.test_workflow_module import TestHistogramObserver# noqa: F401from quantization.core.test_workflow_module import TestDistributed# noqa: F401from quantization.core.test_workflow_module import TestFusedObsFakeQuantModule# noqa: F401对于很多源码，大部分是Python和C++混搭的。Python充当前端接口，后端核心逻辑和算法用C++和CUDA实现。对于这种情况，可能运行debug起来比较贫苦，但也不是没有办法，只要编译出带debug符号表的.so，然后gdb-attach一下，是可以从python端口debug到c++内部逻辑的：
[*]各种姿势的debug(从python一起debug到C++)(https://mp.weixin.qq.com/s/Pr6PWNkcs4YE7ML2Q2FGug)
学习地儿
看源码没人交流怎么行，最好的交流方式就是各大GITHUB源码的issue。
issue多看、pull request多学、很多精华都在里头了。要搞AI部署工程研究，各种推理框架（TF、Pytorch、TFLITE、TVM、NCNN）的源码更是要看的，需要学习什么，也需要一步一步来。
https://p6.toutiaoimg.com/large/pgc-image/34298bb03ca54706806ecb1dcf98b66a
issue和pull request都是很好的学习论坛
issue区可以提中文也可以提英文，要知道很多大佬也都是中国人，而且和你英文交流的说不定也是中国人。
https://p6.toutiaoimg.com/large/pgc-image/998f1b456fd34202a6bccb101c98e38a
中英稠浊的交流圈
贡献代码
如果你某个项目的源码看的非常熟悉了，然后你发现这个框架的一些bug或者一些改进点，你就可以试着去修改源码然后提交上去。一般的流程：
[*]fork一份源码到自己的仓库
[*]git clone下来举行修改，记得在新的分支上修改
[*]修改好后更新自己的仓库
[*]到官方的源码仓库上提pull request，将自己仓库上的某一分支merge到官方源码仓库中
[*]merge成功
整个过程还是很有意思，或者说，很有成就感的。毕竟你的代码需要被很多大佬查阅，你的代码需要符合这个仓库的规范，无论是代码风格还是代码能够提供的功能性。大佬们帮你review代码的同时也会帮你提出修改意见，让你的代码能够更好地merge到这个仓库中，同时你的代码也焕然一新。
https://p5.toutiaoimg.com/large/pgc-image/a23bb498b87e460d8989e5e8a63b571e
任意点开一个TVM仓库的Pull requests：
https://p6.toutiaoimg.com/large/pgc-image/e31eb8d11d7243e09aefe1d868ac6bc1
Pull requests流程
Conversation表示这个pull requests的贡献过程，有贡献者与项目维护者的交流以及代码review环节。Commits即关于这个共享的提交过程；我们可以直接看Files changged来看共享者对源码做了哪些更改，当然也是最核心的部分。
当你成功贡献代码的时候，阅读源码这门课就可以毕业啦！
参考资料
TensorRT: https://github.com/NVIDIA/TensorRT
C++ Core Guidelines: https://isocpp.github.io/CppCoreGuidelines/CppCoreGuidelines#main
Caffe: https://github.com/BVLC/caffe
autograd: https://pytorch.org/docs/stable/notes/autograd.html
PDF讲解: https://arxiv.org/pdf/1502.05767.pdf
TVM: https://github.com/apache/tvm
TVM Runtime System: https://docs.tvm.ai/dev/runtime.html?highlight=reflect
TVM: https://github.com/apache/tvm 转发了 转发了
页:
[1]