国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

實現屬于自己的TensorFlow(一) - 計算圖與前向傳播

davidac / 994人閱讀

摘要：目前實現了前向傳播和反向傳播以及梯度下降優化器，并寫了個優化線性模型的例子。下篇中將繼續總結計算圖節點計算梯度的方法以及反向傳播和梯度下降優化器的實現。

前段時間因為課題需要使用了一段時間TensorFlow，感覺這種框架很有意思，除了可以搭建復雜的神經網絡，也可以優化其他自己需要的計算模型，所以一直想自己學習一下寫一個類似的圖計算框架。前幾天組會開完決定著手實現一個模仿TensorFlow接口的簡陋版本圖計算框架以學習計算圖程序的編寫以及前向傳播和反向傳播的實現。目前實現了前向傳播和反向傳播以及梯度下降優化器，并寫了個優化線性模型的例子。

代碼放在了GitHub上，取名SimpleFlow, 倉庫鏈接: https://github.com/PytLab/sim...

雖然前向傳播反向傳播這些原理了解起來并不是很復雜，但是真正著手寫起來才發現,里面還是有很多細節需要學習和處理才能對實際的模型進行優化(例如Loss函數對每個計算節點矩陣求導的處理)。其中SimpleFlow的代碼并沒有考慮太多的東西比如dtype和張量size的檢查等，因為只是為了實現主要圖計算功能并沒有考慮任何的優化, 內部張量運算使用的Numpy的接口(畢竟是學習和練手的目的嘛)。好久時間沒更新博客了，在接下來的幾篇里面我將把實現的過程的細節總結一下，希望可以給后面學習的童鞋做個參考。

正文

本文主要介紹計算圖以及前向傳播的實現, 主要涉及圖的構建以及通過對構建好的圖進行后序遍歷然后進行前向傳播計算得到具體節點上的輸出值。

先貼上一個簡單的實現效果吧:

import simpleflow as sf

# Create a graph
with sf.Graph().as_default():
    a = sf.constant(1.0, name="a")
    b = sf.constant(2.0, name="b")
    result = sf.add(a, b, name="result")

    # Create a session to compute
    with tf.Session() as sess:
        print(sess.run(result))
計算圖(Computational Graph)

計算圖是計算代數中的一個基礎處理方法，我們可以通過一個有向圖來表示一個給定的數學表達式，并可以根據圖的特點快速方便對表達式中的變量進行求導。而神經網絡的本質就是一個多層復合函數, 因此也可以通過一個圖來表示其表達式。

本部分主要總結計算圖的實現，在計算圖這個有向圖中，每個節點代表著一種特定的運算例如求和，乘積，向量乘積，平方等等... 例如求和表達式$f(x, y) = x + y$使用有向圖表示為:

表達式$f(x, y, z) = z(x+y)$使用有向圖表示為:

與TensorFlow的實現不同，為了簡化，在SimpleFlow中我并沒有定義Tensor類來表示計算圖中節點之間的數據流動，而是直接定義節點的類型，其中主要定義了四種類型來表示圖中的節點:

Operation: 操作節點主要接受一個或者兩個輸入節點然后進行簡單的操作運算，例如上圖中的加法操作和乘法操作等。

Variable: 沒有輸入節點的節點，此節點包含的數據在運算過程中是可以變化的。

Constant: 類似Variable節點，也沒有輸入節點，此節點中的數據在圖的運算過程中不會發生變化

Placeholder: 同樣沒有輸入節點，此節點的數據是通過圖建立好以后通過用戶傳入的

其實圖中的所有節點都可以看成是某種操作，其中Variable, Constant, Placeholder都是一種特殊的操作，只是相對于普通的Operation而言，他們沒有輸入，但是都會有輸出（像上圖中的$x$, $y$節點，他們本身輸出自身的值到$+$節點中去），通常會輸出到Operation節點，進行進一步的計算。

下面我們主要介紹如何實現計算圖的基本組件: 節點和邊。

Operation節點

節點表示操作，邊代表節點接收和輸出的數據，操作節點需要含有以下屬性:

input_nodes: 輸入節點，里面存放與當前節點相連接的輸入節點的引用

output_nodes: 輸出節點, 存放以當前節點作為輸入的節點，也就是當前節點的去向

output_value: 存儲當前節點的數值, 如果是Add節點，此變量就存儲兩個輸入節點output_value的和

name: 當前節點的名稱

graph: 此節點所屬的圖

下面我們定義了Operation基類用于表示圖中的操作節點(詳見https://github.com/PytLab/sim...:

class Operation(object):
    """ Base class for all operations in simpleflow.

    An operation is a node in computational graph receiving zero or more nodes
    as input and produce zero or more nodes as output. Vertices could be an
    operation, variable or placeholder.
    """
    def __init__(self, *input_nodes, name=None):
        """ Operation constructor.

        :param input_nodes: Input nodes for the operation node.
        :type input_nodes: Objects of `Operation`, `Variable` or `Placeholder`.

        :param name: The operation name.
        :type name: str.
        """
        # Nodes received by this operation.
        self.input_nodes = input_nodes

        # Nodes that receive this operation node as input.
        self.output_nodes = []

        # Output value of this operation in session execution.
        self.output_value = None

        # Operation name.
        self.name = name

        # Graph the operation belongs to.
        self.graph = DEFAULT_GRAPH

        # Add this operation node to destination lists in its input nodes.
        for node in input_nodes:
            node.output_nodes.append(self)

        # Add this operation to default graph.
        self.graph.operations.append(self)

    def compute_output(self):
        """ Compute and return the output value of the operation.
        """
        raise NotImplementedError

    def compute_gradient(self, grad=None):
        """ Compute and return the gradient of the operation wrt inputs.
        """
        raise NotImplementedError

在初始化方法中除了定義上面提到的屬性外，還需要進行兩個操作:

將當前節點的引用添加到他輸入節點的output_nodes這樣可以在輸入節點中找到當前節點。

將當前節點的引用添加到圖中，方便后面對圖中的資源進行回收等操作

另外，每個操作節點還有兩個必須的方法: comput_output和compute_gradient. 他們分別負責根據輸入節點的值計算當前節點的輸出值和根據操作屬性和當前節點的值計算梯度。關于梯度的計算將在后續的文章中詳細介紹，本文只對節點輸出值的計算進行介紹。

下面我以求和操作為例來說明具體操作節點的實現:

class Add(Operation):
    """ An addition operation.
    """
    def __init__(self, x, y, name=None):
        """ Addition constructor.

        :param x: The first input node.
        :type x: Object of `Operation`, `Variable` or `Placeholder`.

        :param y: The second input node.
        :type y: Object of `Operation`, `Variable` or `Placeholder`.

        :param name: The operation name.
        :type name: str.
        """
        super(self.__class__, self).__init__(x, y, name=name)

    def compute_output(self):
        """ Compute and return the value of addition operation.
        """
        x, y = self.input_nodes
        self.output_value = np.add(x.output_value, y.output_value)
        return self.output_value

可見，計算當前節點output_value的值的前提條件就是他的輸入節點的值在此之前已經計算得到了。

Variable節點

與Operation節點類似，Variable節點也需要output_value, output_nodes等屬性，但是它沒有輸入節點，也就沒有input_nodes屬性了，而是需要在創建的時候確定一個初始值initial_value:

class Variable(object):
    """ Variable node in computational graph.
    """
    def __init__(self, initial_value=None, name=None, trainable=True): 
        """ Variable constructor.

        :param initial_value: The initial value of the variable.
        :type initial_value: number or a ndarray.

        :param name: Name of the variable.
        :type name: str.
        """
        # Variable initial value.
        self.initial_value = initial_value

        # Output value of this operation in session execution.
        self.output_value = None

        # Nodes that receive this variable node as input.
        self.output_nodes = []

        # Variable name.
        self.name = name

        # Graph the variable belongs to.
        self.graph = DEFAULT_GRAPH

        # Add to the currently active default graph.
        self.graph.variables.append(self)
        if trainable:
            self.graph.trainable_variables.append(self)

    def compute_output(self):
        """ Compute and return the variable value.
        """
        if self.output_value is None:
            self.output_value = self.initial_value
        return self.output_value
Constant節點和Placeholder節點

Constant和Placeholder節點與Variable節點類似，具體實現詳見: https://github.com/PytLab/sim...

計算圖對象

在定義了圖中的節點后我們需要將定義好的節點放入到一個圖中統一保管，因此就需要定義一個Graph類來存放創建的節點，方便統一操作圖中節點的資源。

class Graph(object):
    """ Graph containing all computing nodes.
    """
    def __init__(self):
        """ Graph constructor.
        """
        self.operations, self.constants, self.placeholders = [], [], []
        self.variables, self.trainable_variables = [], []

為了提供一個默認的圖，在導入simpleflow模塊的時候創建一個全局變量來引用默認的圖:

from .graph import Graph

# Create a default graph.
import builtins
DEFAULT_GRAPH = builtins.DEFAULT_GRAPH = Graph()

為了模仿TensorFlow的接口，我們給Graph添加上下文管理器協議方法使其成為一個上下文管理器, 同時也添加一個as_default方法:

class Graph(object):
    #...

    def __enter__(self):
        """ Reset default graph.
        """
        global DEFAULT_GRAPH
        self.old_graph = DEFAULT_GRAPH
        DEFAULT_GRAPH = self
        return self

    def __exit__(self, exc_type, exc_value, exc_tb):
        """ Recover default graph.
        """
        global DEFAULT_GRAPH
        DEFAULT_GRAPH = self.old_graph

    def as_default(self):
        """ Set this graph as global default graph.
        """
        return self

這樣在進入with代碼塊之前先保存舊的默認圖對象然后將當前圖賦值給全局圖對象，這樣with代碼塊中的節點默認會添加到當前的圖中。最后退出with代碼塊時再對圖進行恢復即可。這樣我們可以按照TensorFlow的方式來在某個圖中創建節點.

Ok，根據上面的實現我們已經可以創建一個計算圖了:

import simpleflow as sf

with sf.Graph().as_default():
    a = sf.constant([1.0, 2.0], name="a")
    b = sf.constant(2.0, name="b")
    c = a * b
前向傳播(Feedforward)

實現了計算圖和圖中的節點，我們需要對計算圖進行計算, 本部分對計算圖的前向傳播的實現進行總結。

會話

首先，我們需要實現一個Session來對一個已經創建好的計算圖進行計算，因為當我們創建我們之前定義的節點的時候其實只是創建了一個空節點，節點中并沒有數值可以用來計算，也就是output_value是空的。為了模仿TensorFlow的接口，我們在這里也把session定義成一個上下文管理器:

class Session(object):
    """ A session to compute a particular graph.
    """
    def __init__(self):
        """ Session constructor.
        """
        # Graph the session computes for.
        self.graph = DEFAULT_GRAPH

    def __enter__(self):
        """ Context management protocal method called before `with-block`.
        """
        return self

    def __exit__(self, exc_type, exc_value, exc_tb):
        """ Context management protocal method called after `with-block`.
        """
        self.close()

    def close(self):
        """ Free all output values in nodes.
        """
        all_nodes = (self.graph.constants + self.graph.variables +
                     self.graph.placeholders + self.graph.operations +
                     self.graph.trainable_variables)
        for node in all_nodes:
            node.output_value = None

    def run(self, operation, feed_dict=None):
        """ Compute the output of an operation."""
        # ...
計算某個節點的輸出值

上面我們已經可以構建出一個計算圖了，計算圖中的每個節點與其相鄰的節點有方向的聯系起來，現在我們需要根據圖中節點的關系來推算出某個節點的值。那么如何計算呢? 還是以我們剛才$f(x, y, z) = z(x + y)$的計算圖為例,

若我們需要計算橙色$ imes$運算節點的輸出值，我們需要計算與它相連的兩個輸入節點的輸出值，進而需要計算綠色$+$的輸入節點的輸出值。我們可以通過后序遍歷來獲取計算一個節點所需的所有節點的輸出值。為了方便實現，后序遍歷我直接使用了遞歸的方式來實現:

def _get_prerequisite(operation):
    """ Perform a post-order traversal to get a list of nodes to be computed in order.
    """
    postorder_nodes = []

    # Collection nodes recursively.
    def postorder_traverse(operation):
        if isinstance(operation, Operation):
            for input_node in operation.input_nodes:
                postorder_traverse(input_node)
        postorder_nodes.append(operation)

    postorder_traverse(operation)

    return postorder_nodes

通過此函數我們可以獲取計算一個節點值所需要所有節點列表，再依次計算列表中節點的輸出值，最后便可以輕易的計算出當前節點的輸出值了。

class Session(object):
    # ...
    def run(self, operation, feed_dict=None):
        """ Compute the output of an operation.

        :param operation: A specific operation to be computed.
        :type operation: object of `Operation`, `Variable` or `Placeholder`.

        :param feed_dict: A mapping between placeholder and its actual value for the session.
        :type feed_dict: dict.
        """
        # Get all prerequisite nodes using postorder traversal.
        postorder_nodes = _get_prerequisite(operation)

        for node in postorder_nodes:
            if type(node) is Placeholder:
                node.output_value = feed_dict[node]
            else:  # Operation and variable
                node.compute_output()

        return operation.output_value
例子

上面我們實現了計算圖以及前向傳播，我們就可以創建計算圖計算表達式的值了, 如下:

$$ f = left[ egin{matrix} 1 & 2 & 3 3 & 4 & 5 end{matrix} ight] imes left[ egin{matrix} 9 & 8 7 & 6 10 & 11 end{matrix} ight] + 3 = left[ egin{matrix} 54 & 54 106 & 104 end{matrix} ight] $$

import simpleflow as sf

# Create a graph
with sf.Graph().as_default():
    w = sf.constant([[1, 2, 3], [3, 4, 5]], name="w")
    x = sf.constant([[9, 8], [7, 6], [10, 11]], name="x")
    b = sf.constant(1.0, "b")
    result = sf.matmul(w, x) + b

    # Create a session to compute
    with sf.Session() as sess:
        print(sess.run(result))

輸出值:

array([[  54.,   54.],
       [ 106.,  104.]])
總結

本文使用Python實現了計算圖以及計算圖的前向傳播，并模仿TensorFlow的接口創建了Session以及Graph對象。下篇中將繼續總結計算圖節點計算梯度的方法以及反向傳播和梯度下降優化器的實現。

最后再附上simpleflow項目的鏈接, 歡迎相互學習和交流: https://github.com/PytLab/sim...

參考

Deep Learning From Scratch

https://en.wikipedia.org/wiki...

https://zhuanlan.zhihu.com/p/...

http://blog.csdn.net/magic_an...

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/41389.html

相關文章

  • 實現屬于自己的TensorFlow(一) - 計算圖與前向傳播

    摘要：目前實現了前向傳播和反向傳播以及梯度下降優化器，并寫了個優化線性模型的例子。下篇中將繼續總結計算圖節點計算梯度的方法以及反向傳播和梯度下降優化器的實現。 前段時間因為課題需要使用了一段時間TensorFlow，感覺這種框架很有意思，除了可以搭建復雜的神經網絡，也可以優化其他自己需要的計算模型，所以一直想自己學習一下寫一個類似的圖計算框架。前幾天組會開完決定著手實現一個模仿TensorF...

    Faremax 評論0 收藏0

  • 從DensNet到CliqueNet，解讀北大在卷積架構上的探索

    摘要：首先第一種當然是在年提出的，它奠定了整個卷積神經網絡的基礎。其中局部感受野表示卷積核只關注圖像的局部特征，而權重共享表示一個卷積核在整張圖像上都使用相同的權值，最后的子采樣即我們常用的池化操作，它可以精煉抽取的特征。 近日，微軟亞洲研究院主辦了一場關于 CVPR 2018 中國論文分享會，機器之心在分享會中發現了一篇非常有意思的論文，它介紹了一種新型卷積網絡架構，并且相比于 DenseNet...

    Jackwoo 評論0 收藏0

  • 從零開始PyTorch項目：YOLO v3目標檢測實現

    摘要：全卷積神經網絡僅使用卷積層，這就使其成為全卷積神經網絡。輸入圖像中包含了真值對象框中心的網格會作為負責預測對象的單元格。在圖像中，它是被標記為紅色的單元格，其中包含了真值框的中心被標記為黃色。在過去幾個月中，我一直在實驗室中研究提升目標檢測的方法。在這之中我獲得的較大啟發就是意識到：學習目標檢測的較佳方法就是自己動手實現這些算法，而這正是本教程引導你去做的。 在本教程中，我們將使用 P...

    sourcenode 評論0 收藏0

發表評論

0條評論

最新活動
閱讀需要支付1元查看
<