有了输入数据，接下来就来了解数据的计算过程，深度学习的数据计算都是以张量（tensor）为计算单元进行各种计算，而把张量和计算过程组织起来需要用到计算图（computional graph），通过建立计算图可以实现几乎所有的深度学习数据计算，当然，LLM也不例外。
Ollama工程中的“ggml.c/h“模块实现了张量数据结构定义，张量计算，计算图生成和处理，首先来了解张量数据结构定义：
从上图中可以看出，这是一个包含了张量操作的张量数据结构定义，详细解释如下：type，表示张量的数据类型，如浮点数、整数等；backend，表示张量所使用的后端类型，如CPU、GPU等；buffer，与后端相关的缓冲区信息；ne，表示张量在每个维度上的长度；nb，表示张量在每个维度上的字节数，用于计算张量计算所需的内存；op，表示与张量相关的操作类型，如加法、乘法等；op_params，用于存储与操作相关的参数；flags，用于存储张量的特定标志，如是否需要梯度计算等；grad，表示张量的梯度，用于自动微分计算；src，表示生成当前张量的源张量，即张量计算所需要的张量；perf_runs，表示性能测试的运行次数；perf_cycles，表示性能测试中的周期数；perf_time_us，表示性能测试的时间，单位为微秒；view_src，表示当前张量是另一个张量的视图；view_offs，表示视图在源张量中的偏移量；data，指向张量的实际数据；name，张量的名称；extra，用于存储额外的信息，如特定于后端的数据；padding， 8字节填充，用于内存对齐。
ggml定义了一套内存管理机制来存储张量数据，所有的张量在统一的内存中进行存储：
ggml.h的注释中说明了如何利用计算图来实现下面函数计算的过程：
f(x) = a*x^2 + b
第一步：分配张量处理所需的内存：
struct ggml_context * ctx = ggml_init(params);
第二步：建立x、a、b三个张量，其中设置x为参变量：
struct ggml_tensor * x = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, 1);
ggml_set_param(ctx, x); // x is an input variable
struct ggml_tensor * a= ggml_new_tensor_1d(ctx, GGML_TYPE_F32, 1);
struct ggml_tensor * b= ggml_new_tensor_1d(ctx, GGML_TYPE_F32, 1);
第三步：定义两个分别带乘法和加法的两个张量：
struct ggml_tensor * x2 = ggml_mul(ctx, x, x);
struct ggml_tensor * f= ggml_add(ctx, ggml_mul(ctx, a, x2), b);
这样便形成了一个张量计算图：
从上图可以看出张量f嵌套了计算所需的张量和计算方法。
第四步：后序遍历上图中的计算图，得到张量计算图：
struct ggml_cgraph * gf = ggml_new_graph(ctx);
ggml_build_forward_expand(gf, f);
生成的计算图数据存储到如下数据结构中：
从计算图的数据结构中容易发现张量被分成叶子节点张量（leafs）和带操作符的非叶子节点张量(nodes)，两种张量被分别存储，由于是后序遍历，nodes存的张量是按计算顺序存储的带操作方法的张量，即只要按顺序遍历nodes即可实现所需函数计算过程。
第五步：设置好叶子张量的数据后即可执行张量计算：
ggml_set_f32(x, 2.0f);
ggml_set_f32(a, 3.0f);
ggml_set_f32(b, 4.0f);
ggml_graph_compute_with_ctx(ctx, &gf, n_threads);
为此，我们了解了计算图的基本使用方法，为后续的LLM代码实现方法的理解扫除了障碍。
