一个graph中各种不同特征的node，tf需要依据一定的规则将不同的node放在不同的device上，这点对于分布式或者单机多卡比较重要。tf在node的分配算法上有placer和costmodel(代价模型）；这里简单分析一下placer算法。代价模型是依据算子对设备的要求、设备的情况等，做出一个模拟的运行时间评估，力争将node分配到不同的合适的device上，以实现node运行时的最大效率。
代价模型的代码实现在：core/graph/costmodel.h
源码目录在：core/common_runtime/placer.h
该算法的实现核心在：Placer::Run接口中，现在来看一下该接口的主体流程。
Placer::Run
// 1. 通过Edge来查找src_node和dst_node
// 2. 规则一：如果该node是0输入，单输出，则该节点与该edge相连的dst节点在同一个设备上，比如权值W，
IsGeneratorNode
// 3. 规则二：如果该节点的计算不依赖其他数据，仅仅是元数据计算，则该节点和src_node在同一个设备上。如reshape节点
IsMetadata
node分配算法，与应用场景有关系，与设备负载、算子对运行设备的要求等有关系。比如某个算子没有GPU实现，则只能在CPU上运行，系统不能将该算子分配到GPU上；再例如：GPU0满载，GPU1空载，则应该将算子分配到GPU1上去。因此算子的分配应当是个动态的过程，依据当时的运行环境、系统资源而定。这里暂不对算子分配规则做深入分析，毕竟不同的设备、不同的运行环境，都可以有最适合自己的一套规则。