一個graph中各種不同特徵的node，tf需要依據一定的規則將不同的node放在不同的device上，這點對於分佈式或者單機多卡比較重要。tf在node的分配算法上有placer和costmodel(代價模型）；這裏簡單分析一下placer算法。代價模型是依據算子對設備的要求、設備的情況等，做出一個模擬的運行時間評估，力爭將node分配到不同的合適的device上，以實現node運行時的最大效率。
代價模型的代碼實現在：core/graph/costmodel.h
源碼目錄在：core/common_runtime/placer.h
該算法的實現核心在：Placer::Run接口中，現在來看一下該接口的主體流程。
Placer::Run
// 1. 通過Edge來查找src_node和dst_node
// 2. 規則一：如果該node是0輸入，單輸出，則該節點與該edge相連的dst節點在同一個設備上，比如權值W，
IsGeneratorNode
// 3. 規則二：如果該節點的計算不依賴其他數據，僅僅是元數據計算，則該節點和src_node在同一個設備上。如reshape節點
IsMetadata
node分配算法，與應用場景有關係，與設備負載、算子對運行設備的要求等有關係。比如某個算子沒有GPU實現，則只能在CPU上運行，系統不能將該算子分配到GPU上；再例如：GPU0滿載，GPU1空載，則應該將算子分配到GPU1上去。因此算子的分配應當是個動態的過程，依據當時的運行環境、系統資源而定。這裏暫不對算子分配規則做深入分析，畢竟不同的設備、不同的運行環境，都可以有最適合自己的一套規則。