1、深度学习框架算子的基本概念
深度学习框架中的算子（operator）是指用于执行各种数学运算和操作的函数或类。这些算子通常被用来构建神经网络的各个层和组件，实现数据的传递、转换和计算。
算子是深度学习模型的基本组成单元，它们定义了模型的结构和运算流程，包括输入、输出和中间计算。
2、常见的算子
卷积算子（Convolution Operator）： 卷积算子是用于图像处理和计算机视觉任务的关键操作。它通过在输入数据上滑动一个卷积核，计算每个位置的加权和，从而提取输入数据的特征。
池化算子（Pooling Operator）： 池化算子用于减小输入数据的尺寸，并保留重要特征。最大池化和平均池化是常见的池化操作，它们通过在输入数据的局部区域内选择最大值或平均值来减少数据的维度，从而提高计算效率并降低过拟合。
激活函数算子（Activation Function Operator）： 激活函数算子对神经元的输出进行非线性变换，引入网络的非线性能力。常见的激活函数包括 ReLU（修正线性单元）、Sigmoid、Tanh 等，可以改善网络的表达能力，使其能够学习更复杂的关系。
3、算子的组成
1.输入（Input）： 输入是算子的数据源，它是一个或多个张量（Tensor）。这些输入张量可能包含特征、权重、偏差等信息，用于执行算子的计算。
2.计算逻辑（Compute Logic）： 计算逻辑是算子的核心部分，它定义了算子的数学运算、逻辑操作、变换等操作。计算逻辑决定了算子如何将输入数据转换为输出数据。
3.参数（Parameters）： 有些算子具有可学习的参数，如卷积算子的卷积核、全连接层的权重等。这些参数通过训练过程进行学习，使得算子能够自适应数据。
4.输出（Output）： 输出是算子的计算结果，也是一个或多个张量。输出张量包含了经过计算逻辑处理后的数据，可以作为下一个算子的输入。
4、算子的张量
算子的张量是指在深度学习框架中用于存储和处理数据的多维数组（或矩阵）。在深度学习中，输入数据、模型参数、中间特征等都可以表示为张量，通过算子对张量进行计算和变换。
张量具有多个维度，维度的数量称为张量的阶（也称为轴或秩）。例如，0阶张量是标量，1阶张量是向量，2阶张量是矩阵，3阶张量是立方体，以此类推。在实际应用中，常见的是4阶张量，用于表示图片或视频数据。
张量不仅仅包含数据，还携带了数据的形状、数据类型以及其他属性。这些属性对于深度学习框架来说非常重要，因为它们决定了如何对张量进行计算和操作。
在深度学习框架中，需要通过合适的数据结构来表示和操作张量。常见的框架如TensorFlow和PyTorch提供了张量对象，可以直接使用框架提供的API创建、初始化、改变形状、切片、运算等。通过这些操作，可以对数据进行前向传播、反向传播和优化等深度学习任务。
总而言之，算子的张量是指在深度学习框架中用于存储和处理数据的多维数组，它是深度学习中重要的数据结构之一，用于表示输入数据、模型参数和中间特征，并在算子之间进行传递和计算。
5、TensorFlow中算子
TensorFlow中算子与核函数的特点：
算子的主要特征：按类划分：按照执行的硬件设备不同可将算子划分为CPU算子、GPU算子
注册灵活：注册方式灵活度高，算子注册时并未指定具体设备
实现方式多样：核心运算可通过核函数或计算库完成
核函数的主要特征：
TensorFlow中全部CUDA核函数全部使用C++实现
核函数中包含第三方计算库中的函数
对CUDA内建变量进行封装
利用共享内存加速内存访问速度
6、TensorFlow中添加自定义Op的方法
