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

從NNVM看2016年深度學習框架發展趨勢

ThinkSNS / 3040人閱讀

摘要:兩者取長補短,所以深度學習框架在年,迎來了前后端開發的黃金時代。陳天奇在今年的中,總結了計算圖優化的三個點依賴性剪枝分為前向傳播剪枝,例已知,,求反向傳播剪枝例,,求,根據用戶的求解需求,可以剪掉沒有求解的圖分支。

虛擬框架殺入

從發現問題到解決問題

半年前的這時候,暑假,我在SIAT MMLAB實習。

看著同事一會兒跑Torch,一會兒跑MXNet,一會兒跑Theano。

SIAT的服務器一般是不給sudo權限的,我看著同事掙扎在編譯這一坨框架的海洋中,開始思考:

是否可以寫一個框架:

這樣,利用工廠模式只編譯執行部件的做法,只需編譯的后端即可,框架的不同僅僅在于前端腳本的不同。

Caffe2Keras的做法似乎是這樣,但Keras本身是基于Theano的編譯后端,而我們的更希望Theano都不用編譯。

當我9月份拍出一個能跑cifar10的大概原型的時候:

我為這種怪異的寫法取名叫CGVM(Computational Graph Virtual Machine)然后過了幾天,在微博上看到了陳天奇在MXNet的進一步工作NNVM的發布 .....

NNVM使用2000行模擬出了TensorFlow,我大概用了500行模擬出了Caffe1。

VM(Virtual Machine)的想法其實是一個很正常的想法,這幾年我們搞了很多新框架,名字一個比一個炫,但是本質都差不多,框架的使用者實際上是苦不堪言的:

○ 這篇paper使用了A框架,我要花1天配置A框架。

○ 這篇paper使用了B框架,我要花1天配置B框架。

.......

正如LLVM不是一種編譯器,NNVM也不是一種框架,看起來更像是框架的屠殺者。

NNVM的可行性恰恰證明了現行的各大框架底層的重復性,而上層的多樣性只是一個幌子。

我們真的需要為僅僅是函數封裝不同的框架買單嗎?這是值得思考的。

計算圖走向成熟

計算圖的兩種形式

計算圖最早的出處應該是追溯到Bengio在09年的《Learning Deep Architectures for AI》,Bengio使用了有向圖結構來描述神經網絡的計算:

如圖,符號集合{*,+,sin} 構成圖的結點,整張圖可看成三部分:輸入結點、輸出結點、從輸入到輸出的計算函數。

隨后在Bengio組的Theano框架執行中,Graph就被隱式應用于Op的連接。

不過這時候,Op還是執行時-動態編譯的。

Caffe1中計算圖其實就是Net,因為Net可以被Graph模擬出來(CGVM和Caffe2Keras都實現了)。

賈揚清在Caffe1中顯式化了計算圖的表示,用戶可以通過編輯net.prototxt來設計計算圖。

Caffe1在Jonathan Long和Evan Shelhamer接手后,他們開發了PyCaffe。

PyCaffe通過Python天然的工廠(__getattr__),實現了net.prototxt的隱式生成。

之后的Caffe2,也就直接取消了net.prototxt的編輯,同樣利用Python的(__getattr__)獲取符號類型定義。

Caffe1帶來一種新的計算圖組織Op的描述方式,不同于Theano直接翻譯Op為C執行代碼,然后動態編譯,軟件工程中的高級設計模式——工廠模式被廣泛使用。

計算圖被劃分為三個階段,定義階段、構造階段、執行階段:

1、定義階段:定義Layer/Op的name、type、bottom(input),top(output)及預設參數。

2、構造階段:通過工廠模式,由字符串化的定義腳本構造類對象。

3、執行階段:根據傳入的bottom(input),得到額外參數(如shape),此時計算圖才能開始執行。階段劃分帶來的主要問題是限制了編譯代碼的完整性和優化程度。

在Theano中,C代碼生成是最后一步,編譯前你可以組合數個細粒度符號,依靠編譯器做一次硬件執行上的優化。

而工廠模式編譯符號時只考慮了單元,編譯器沒有上下文可供參考優化,故最終只能順序執行多個預先編譯的符號單元。

當符號粒度過細時,一個Layer的實現就會變成連續執行多個子過程,導致“TensorFlowSlow”。

計算圖作為中間表示(IR)

PyCaffe和Caffe2將定義階段移到Python中,而將構造和執行階段保留在C++中做法,是計算圖作為IR的思想啟蒙。

Python與C++較大的不同在于:一個是腳本代碼,用于前端。一個是本地代碼,用于后端。

腳本代碼創建/修改模型方便(無需因模型變動而重新編譯)、執行慢,本地代碼則正好相反。

兩者取長補短,所以深度學習框架在2016年,迎來了前后端開發的黃金時代。

如上圖,無論是9月份先提出的NNVM,還是最近Intel曝光的Nervana,都分離了前后端。

后端的獨立,不僅減少了編譯工作,較大的優勢在于降低了傳統框架做跨設備計算的代碼耦合度。

在paper每周都有一大堆的現在,如果后端的每一次變動都要大量修改前端,那么框架的維護開銷是非常大的。

在前端定義用于描述輸入-輸出關系的計算圖有著良好的交互性,我們可以通過函數和重載腳本語言的操作符,定義出媲美MATLAB的運算語言,這些語言以顯式的Tensor作為數據結構,Operator作為計算符和函數,Theano和MXNet都是這樣隱蔽處理由表達式向計算圖過渡的。

而Caffe2則比較直接,你需要先創建一個Graph,然后顯示地調用Graph.AddOperator(xxx) TensorFlow同樣可以顯式化處理Graph。

與用戶交互得到的計算圖描述字串是的,但是與用戶交互的方式卻是不的。

所以IR之上,分為兩派:

第一派要搞自己的API,函數封裝非常有個性,宣示這是自己的專利、獨門語言。

第二派不搞自己的API,反而去模擬現有的API,表示我很低調。

顯然,用戶更喜歡用自己熟悉框架的寫法去描述模型,不喜歡天天背著個函數速查手冊。

計算圖優化

用于中間表示得到的計算圖描述較好不要直接構造,因為存在冗余的求解目標,且可共享變量尚未提取。

當限制計算圖描述為有向無環圖(DAG)時,一些基本的圖論算法便可應用于計算圖描述的化簡與變換。

陳天奇在今年的MSR Talk:Programming Models and Systems Design for Deep Learning中,總結了計算圖優化的三個點:

①依賴性剪枝

分為前向傳播剪枝,例:已知A+B=X,A+B=Y,求X?

反向傳播剪枝, ?例:A+B=X,A+B=Y,求X、Y,dX/dA?

根據用戶的求解需求,可以剪掉沒有求解的圖分支。

②符號融合

符號融合的自動實現是困難的,因為Kernel基本不再實時編譯了,所以更多體現在符號粗細粒度的設計上。

粗粒度的符號融合了數個細粒度的符號,一次編譯出連續多個執行步驟的高效率代碼。

粗粒度和細粒度并無好壞區分,一個速度快,一個更靈活。

從貪心角度,VM框架通常會提供粗細粒度兩種實現給用戶,因而需要更多人力維護編譯后端。

③內存共享

Caffe1對于激活函數大多使用的inplace處理——即bottom和top是同一個Blob。

inplace使用新的輸出y立即覆蓋的輸入x,需要以下兩個條件:

1、bottom和top數量都為1,即:計算圖中構成一條直線路徑,

2、d(y)/d(x)與x是無關的,所以x被y覆蓋不影響求導結果。

常見的激活函數都符號以上兩個條件,因而可以減少內存的開銷。

但是Caffe1在多網絡內存共享優化上極其糟糕的,以至于Caffe1并不適合用來跑GAN,以及更復雜的網絡。

一個簡單例子是交叉驗證上的優化:訓練網絡和驗證網絡的大部分Layer都是可以共享的,但是由于Caffe1錯誤地將Blob獨立的放在每個Net里,使得跨Net間很難共享數據。

除此之外,Caffe1還錯誤地將臨時變量Blob獨立放在每個Layer里,導致列卷積重復占用幾個G內存。

讓Net和Layer都能共享內存,只需要將Tensor/Blob置于最頂層,采用MVC來寫框架即可。

Caffe2引入了Workspace來管理Tensor,并將工作空間的指針傳給每一個Op、每一個Graph的構造函數。

新的風暴已經出現

VM的側重點

CGVM和NNVM的側重點是不太一樣的,CGVM更強調前端上的擴展化,后端上的化。

所以CGVM不會去支持Torch編譯后端,也不會去支持Caffe編譯后端。

在NNVM的知乎討論帖中,有一種觀點認為VM是輕視Operator的實現。

但實際上,我們手里的一堆框架,在Operator、Kernel、Math級別的不少實現是沒有多少區別的。

但恰恰折磨用戶的正是這些沒有多少區別的編譯后端:各種依賴庫、裝Linux、編譯各種錯。

所以我個人更傾向整個DL社區能夠提供一份完善的跨平臺、跨設備解決方案,而不是多而雜的備選方案。

從這點來看,CGVM似乎是一個更徹底的框架殺手,但在ICML"15上, Jürgen Schmidhuber指出:

真正運行AI 的代碼是非常簡短的,甚至高中生都能玩轉它。不用有任何擔心會有行業壟斷AI及其研究。

簡短的AI代碼,未必就是簡單的框架提供的,有可能是自己熟悉的框架,這種需求體現在前端而不是后端。

VM指出了一條多框架混合思路:功能A,框架X寫簡單。功能B,框架Y寫簡單。

功能A和功能B又要end-to-end,那么顯然混起來用不就行了。

只有使用頻率不高的框架才會消亡,VM將框架混合使用后,熟悉的味道更濃了,那么便構不成”框架屠殺者“。

強大的AI代碼,未必就是VM提供的,有可能是龐大的后端提供的。

隨著paper的快速迭代,后端的擴展仍然是最繁重的編程任務。

VM和后端側重點各有不同,難分好壞。但分離兩者的做法確實是成功的一步。

VM的形式

VM及計算圖描述方式是連接前后端的橋梁。

即便后端是的,根據支持前端的不同,各家寫的VM也很難統一。

實際上這就把框架之間的斗爭引向了VM之間的斗爭。

兩人見面談笑風生,與其問對方用什么框架,不如問對方用什么VM。

VM的主要工作

合成計算圖描述的過程是乏味的,在Caffe1中,我們恐怕已經受夠了人工編輯prototxt。

API交互方面,即便是MXNet提供給用戶的API也是復雜臃腫的,或許仍然需要一個handbook。

TensorFlow中的TensorBoard借鑒了WebOS,VM上搞一個交互性更強的操作系統也是可行的。

除此之外,我可能比較熟悉一些經典框架,那么不妨讓VM去實現那些耳熟能詳的函數吧!

1、模擬Theano.function

Theano的function是一個非常貼近數學表達計算圖掩飾工具。function內部轉化表達式為計算圖定義,同時返回一個lambda函數引向計算圖的執行。總之這是一個百看不膩的API。

2、模擬Theano.grad

結合計算圖優化,我們現在可以指定任意一對求導二元組(cost, wrt)。因而,放開手,讓自動求導在你的模型中飛舞吧。

3、模擬Theano.scan

Theano.scan是一個用來搭建RNN的神器。盡管最近Caffe1更新了RNN,但是只支持固定循環步數的RNN。而Theano.scan則可以根據Tensor的shape,為RNN建動態的計算圖,這適合在NLP任務中處理不定長句子。

4、模擬PyCaffe

PyCaffe近來在RCNN、FCN、DeepDream中得到廣泛應用,成為搞CV小伙伴們的最愛。PyCaffe大部分是由C++數據結構通過Boost.Python導出的,不幸的是,Boost.Thread導出之后與Python的GIL沖突,導致PyCaffe里無法執行C++線程。嘗試模擬移除Boost.Python后的PyCaffe,在Python里把Solver、Net、Layer給寫出來吧。

5、模擬你熟悉的任意框架

.......等等,怎么感覺在寫模擬器.....當然寫模擬器基本就是在重復造輪子,這個在NNVM的知乎討論帖中已經指明了。

VM的重要性

VM是深度學習框架去中心化、解耦化發展邁出的重要一步。

同時暴露了目前框架圈混亂的本質:計算圖之下,眾生平等。計算圖之上,群魔亂舞。

在今年我們可以看多許多框架PK對比的文章,然而大多只是從用戶觀點出發的簡單評測。

對比之下,NNVM關注度不高、反對者還不少這種情況,確實讓人感到意外。

回顧與展望

回顧2016:框架圈減肥大作戰的開始

高調宣布開源XXX框架,再封裝一些API,實際上已經多余了。

VM的出現,將上層接口的編寫引向模擬經典的框架,從而達到減肥的目的。

框架維護者應當將大部分精力主要放在Kernel的編寫上,而不是考慮搞一些大新聞。

展望2017:DL社區能否聯合開源出跨平臺、跨設備的后端解決方案

后端上,隨著ARM、神經芯片的引入,我們迫切需要緊跟著硬件來完成繁重的編程。

后端是一個敏感詞,因為硬件可以拿來賣錢,所以更傾向于閉源。

除此之外,即便出現了開源的后端,在山寨和混戰之前是否能普及也是一個問題。

展望2017:來寫框架吧

VM的出現,帶來另一個值得思考的問題:現在是不是人人應該學寫框架了?

傳統框架編寫的困難在代碼耦合度高,學習成本昂貴。

VM流框架分離了前后端之后,前端編寫難度很低,后端的則相對固定。

這樣一來,框架的編程層次更加分明,Keras地位似乎要危險了。

展望2017:更快迭代的框架,更多變的風格,更難的壟斷地位

相比于paper的迭代,框架的迭代似乎更快了一點。

余凱老師前段時間發出了TensorFlow壟斷的擔憂,但我們可以很樂觀地看到:越來越多的用戶,在深入框架的底層。

TensorFlow并不是較好的框架,MXNet也不是,較好的框架是自己用的舒服的框架,較好是一行行自己敲出來的。

如果你已經積累的數個框架的使用經驗,是時候把它們無縫銜接在一起了。

歡迎加入本站公開興趣群

商業智能與數據分析群

興趣范圍包括各種讓數據產生價值的辦法,實際應用案例分享與討論,分析工具,ETL工具,數據倉庫,數據挖掘工具,報表系統等全方位知識

QQ群:81035754

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/4450.html

相關文章

  • 陳天奇團隊發布NNVM編譯器,性能優于MXNet,李沐撰文介紹

    摘要:亞馬遜和華盛頓大學今天合作發布了開源的端到端深度學習編譯器。項目作者之一陳天奇在微博上這樣介紹這個編譯器我們今天發布了基于工具鏈的深度學習編譯器。陳天奇團隊對的性能進行了基準測試,并與進行了比較。 亞馬遜和華盛頓大學今天合作發布了開源的端到端深度學習編譯器NNVM compiler。先提醒一句,NNVM compiler ≠ NNVM。NNVM是華盛頓大學博士陳天奇等人2016年發布的模塊化...

    izhuhaodev 評論0 收藏0
  • NNVM和ONNXAI芯片的基礎運算算子

    摘要:在此,我們將借用和的算子,分析硬件加速的需求。池化層池化層主要用于尺度變換,提取高維特征。此種類型主要用于深度卷積神經網絡中卷積部分與部分的連接。和可以認為是的特例。 NNVM是由陳天奇團隊提出的一套可復用的計算流圖中間表達層,它提供了一套精簡的API函數,用以構建、表達和傳輸計算流圖,從而便于高層級優化。另外NNVM也可以作為多個深度學習框架的共享編譯器,可以優化、編譯和部署在多種不同的硬...

    lixiang 評論0 收藏0
  • CVPR2016主旨演講及焦點論文速覽,深度學習壟斷地位遭質疑

    摘要:本屆會議共收到論文篇,創下歷史記錄有效篇。會議接收論文篇接收率。大會共有位主旨演講人。同樣,本屆較佳學生論文斯坦福大學的,也是使用深度學習做圖像識別。深度學習選擇深度學習選擇不過,也有人對此表示了擔心。指出,這并不是做學術研究的方法。 2016年的計算機視覺領域國際頂尖會議 Computer Vision and Pattern Recognition conference(CVPR2016...

    Corwien 評論0 收藏0
  • 深度學習在2017的十大發展趨勢及預測

    摘要:毫無疑問,深度學習將驅動在公司中的應用。在其價值評估和策略評估上使用的就是深度學習。端到端的深度學習是一個令人著迷的研究領域,但是迄今為止混合系統在應用領域會更有效率。目前專注于深度學習模式,方法和戰略的研究。 在之前的博客中,我曾預言過未來幾年的發展趨勢。我記得上一篇博客的內容是《2011年軟件開發趨勢和相關預言》(Software DevelopmentTrends and Predic...

    gaara 評論0 收藏0
  • 機器學習研究趨勢分析:TensorFlow已超越Caffe成研究最常用框架

    摘要:深度學習框架作為熱身,我們先看一下深度學習框架。在年有急劇的增長,但在過去幾個月被超越。 你是否使用過 Google Trends?相當的酷,你在里面輸入關鍵詞,看一下谷歌搜索中這一詞條如何隨時間變化的。我想,過去 5 年中 arxiv-sanity 數據庫中剛好有 28303 篇機器學習論文,為什么不做一些類似的工作,看一下過去 5 年機器學習研究有何進化?結果相當的有趣,所以我把它貼了出...

    buildupchao 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
<