2
| 本文作者： 深度學(xué)習(xí)大講堂 | 2017-02-21 09:50 |
雷鋒網(wǎng)按：本文作者姚健，畢業(yè)于中科院計(jì)算所網(wǎng)絡(luò)數(shù)據(jù)實(shí)驗(yàn)室，曾就職于360天眼實(shí)驗(yàn)室，主要從事深度學(xué)習(xí)和增強(qiáng)學(xué)習(xí)相關(guān)研究工作。目前就職于騰訊MIG事業(yè)部，從事神經(jīng)機(jī)器翻譯工作。
摘要
2015年11月9日，Google發(fā)布深度學(xué)習(xí)框架TensorFlow并宣布開源，并迅速得到廣泛關(guān)注，在圖形分類、音頻處理、推薦系統(tǒng)和自然語言處理等場(chǎng)景下都被大面積推廣。TensorFlow系統(tǒng)更新快速，官方文檔教程齊全，上手快速且簡(jiǎn)單易用，支持Python和C++接口。本文依據(jù)對(duì)Tensorflow（簡(jiǎn)稱TF）白皮書[1]、TF Github[2]和TF官方教程[3]的理解，從系統(tǒng)和代碼實(shí)現(xiàn)角度講解TF的內(nèi)部實(shí)現(xiàn)原理。以Tensorflow r0.8.0為基礎(chǔ)，本文由淺入深的闡述Tensor和Flow的概念。先介紹了TensorFlow的核心概念和基本概述，然后剖析了OpKernels模塊、Graph模塊、Session模塊。
1. TF系統(tǒng)架構(gòu)
1.1 TF依賴視圖
TF的依賴視圖如圖1所示[4]，描述了TF的上下游關(guān)系鏈。
圖 1 TensorFlow依賴視圖
TF托管在github平臺(tái)，有g(shù)oogle groups和contributors共同維護(hù)。
TF提供了豐富的深度學(xué)習(xí)相關(guān)的API，支持Python和C/C++接口。
TF提供了可視化分析工具Tensorboard，方便分析和調(diào)整模型。
TF支持Linux平臺(tái)，Windows平臺(tái)，Mac平臺(tái)，甚至手機(jī)移動(dòng)設(shè)備等各種平臺(tái)。
1.2 TF系統(tǒng)架構(gòu)
圖2是TF的系統(tǒng)架構(gòu)，從底向上分為設(shè)備管理和通信層、數(shù)據(jù)操作層、圖計(jì)算層、API接口層、應(yīng)用層。其中設(shè)備管理和通信層、數(shù)據(jù)操作層、圖計(jì)算層是TF的核心層。
圖2 TF系統(tǒng)架構(gòu)
底層設(shè)備通信層負(fù)責(zé)網(wǎng)絡(luò)通信和設(shè)備管理。設(shè)備管理可以實(shí)現(xiàn)TF設(shè)備異構(gòu)的特性，支持CPU、GPU、Mobile等不同設(shè)備。網(wǎng)絡(luò)通信依賴gRPC通信協(xié)議實(shí)現(xiàn)不同設(shè)備間的數(shù)據(jù)傳輸和更新。
第二層是Tensor的OpKernels實(shí)現(xiàn)。這些OpKernels以Tensor為處理對(duì)象，依賴網(wǎng)絡(luò)通信和設(shè)備內(nèi)存分配，實(shí)現(xiàn)了各種Tensor操作或計(jì)算。Opkernels不僅包含MatMul等計(jì)算操作，還包含Queue等非計(jì)算操作，這些將在第5章Kernels模塊詳細(xì)介紹。
第三層是圖計(jì)算層（Graph），包含本地計(jì)算流圖和分布式計(jì)算流圖的實(shí)現(xiàn)。Graph模塊包含Graph的創(chuàng)建、編譯、優(yōu)化和執(zhí)行等部分，Graph中每個(gè)節(jié)點(diǎn)都是OpKernels類型表示。關(guān)于圖計(jì)算將在第6章Graph模塊詳細(xì)介紹。
第四層是API接口層。Tensor C API是對(duì)TF功能模塊的接口封裝，便于其他語言平臺(tái)調(diào)用。
第四層以上是應(yīng)用層。不同編程語言在應(yīng)用層通過API接口層調(diào)用TF核心功能實(shí)現(xiàn)相關(guān)實(shí)驗(yàn)和應(yīng)用。
1.3 TF代碼目錄組織
圖3是TF的代碼結(jié)構(gòu)視圖，下面將簡(jiǎn)單介紹TF的目錄組織結(jié)構(gòu)。
圖3 TF代碼目錄組織結(jié)構(gòu)
Tensorflow/core目錄包含了TF核心模塊代碼。
public: API接口頭文件目錄，用于外部接口調(diào)用的API定義，主要是session.h 和tensor_c_api.h。
client: API接口實(shí)現(xiàn)文件目錄。
platform: OS系統(tǒng)相關(guān)接口文件，如file system, env等。
protobuf: 均為.proto文件，用于數(shù)據(jù)傳輸時(shí)的結(jié)構(gòu)序列化.
common_runtime: 公共運(yùn)行庫(kù)，包含session, executor, threadpool, rendezvous, memory管理, 設(shè)備分配算法等。
distributed_runtime: 分布式執(zhí)行模塊，如rpc session, rpc master, rpc worker, graph manager。
framework: 包含基礎(chǔ)功能模塊，如log, memory, tensor
graph: 計(jì)算流圖相關(guān)操作，如construct, partition, optimize, execute等
kernels: 核心Op，如matmul, conv2d, argmax, batch_norm等
lib: 公共基礎(chǔ)庫(kù)，如gif、gtl(google模板庫(kù))、hash、histogram等。
ops: 基本ops運(yùn)算，ops梯度運(yùn)算，io相關(guān)的ops，控制流和數(shù)據(jù)流操作
Tensorflow/stream_executor目錄是并行計(jì)算框架，由google stream executor團(tuán)隊(duì)開發(fā)。
Tensorflow/contrib目錄是contributor開發(fā)目錄。
Tensroflow/python目錄是python API客戶端腳本。
Tensorflow/tensorboard目錄是可視化分析工具，不僅可以模型可視化，還可以監(jiān)控模型參數(shù)變化。
third_party目錄是TF第三方依賴庫(kù)。
eigen3: eigen矩陣運(yùn)算庫(kù)，TF基礎(chǔ)ops調(diào)用
gpus: 封裝了cuda/cudnn編程庫(kù)
2. TF核心概念
TF的核心是圍繞Graph展開的，簡(jiǎn)而言之，就是Tensor沿著Graph傳遞閉包完成Flow的過程。所以在介紹Graph之前需要講述一下符號(hào)編程、計(jì)算流圖、梯度計(jì)算、控制流的概念。
2.1 Tensor
在數(shù)學(xué)上，Matrix表示二維線性映射，Tensor表示多維線性映射，Tensor是對(duì)Matrix的泛化，可以表示1-dim、2-dim、N-dim的高維空間。圖4對(duì)比了矩陣乘法（Matrix Product）和張量積（Tensor Contract），可以看出Tensor的泛化能力，其中張量積運(yùn)算在TF的MatMul和Conv2D運(yùn)算中都有用到。
圖4 Tensor contract
Tensor在高維空間數(shù)學(xué)運(yùn)算比Matrix計(jì)算復(fù)雜，計(jì)算量也非常大，加速?gòu)埩坎⑿羞\(yùn)算是TF優(yōu)先考慮的問題，如add, contract, slice, reshape, reduce, shuffle等運(yùn)算。
TF中Tensor的維數(shù)描述為階，數(shù)值是0階，向量是1階，矩陣是2階，以此類推，可以表示n階高維數(shù)據(jù)。
TF中Tensor支持的數(shù)據(jù)類型有很多，如tf.float16, tf.float32, tf.float64, tf.uint8, tf.int8, tf.int16, tf.int32, tf.int64, tf.string, tf.bool, tf.complex64等，所有Tensor運(yùn)算都使用泛化的數(shù)據(jù)類型表示。
TF的Tensor定義和運(yùn)算主要是調(diào)用Eigen矩陣計(jì)算庫(kù)完成的。TF中Tensor的UML定義如圖4。其中TensorBuffer指針指向Eigen::Tensor類型。其中，Eigen::Tensor[5][6]不屬于Eigen官方維護(hù)的程序，由貢獻(xiàn)者提供文檔和維護(hù)，所以Tensor定義在Eigen unsupported模塊中。
圖5 Tensor數(shù)據(jù)結(jié)構(gòu)定義
圖5中，Tensor主要包含兩個(gè)變量m_data和m_dimension，m_data保存了Tensor的數(shù)據(jù)塊，T是泛化的數(shù)據(jù)類型，m_dimensions保存了Tensor的維度信息。
Eigen:Tensor的成員變量很簡(jiǎn)單，卻支持非常多的基本運(yùn)算，再借助Eigen的加速機(jī)制實(shí)現(xiàn)快速計(jì)算，參考章節(jié)3.2。Eigen::Tensor主要包含了
一元運(yùn)算（Unary），如sqrt、square、exp、abs等。
二元運(yùn)算（Binary），如add，sub，mul，div等
選擇運(yùn)算（Selection），即if / else條件運(yùn)算
歸納運(yùn)算（Reduce），如reduce_sum， reduce_mean等
幾何運(yùn)算（Geometry），如reshape，slice，shuffle，chip，reverse，pad，concatenate，extract_patches，extract_image_patches等
張量積（Contract）和卷積運(yùn)算（Convolve）是重點(diǎn)運(yùn)算，后續(xù)會(huì)詳細(xì)講解。
2.2 符號(hào)編程
編程模式通常分為命令式編程（imperative style programs）和符號(hào)式編程（symbolic style programs）。
命令式編程容易理解和調(diào)試，命令語句基本沒有優(yōu)化，按原有邏輯執(zhí)行。符號(hào)式編程涉及較多的嵌入和優(yōu)化，不容易理解和調(diào)試，但運(yùn)行速度有同比提升。
這兩種編程模式在實(shí)際中都有應(yīng)用，Torch是典型的命令式風(fēng)格，caffe、theano、mxnet和Tensorflow都使用了符號(hào)式編程。其中caffe、mxnet采用了兩種編程模式混合的方法，而Tensorflow是完全采用了符號(hào)式編程，Theano和Tensorflow的編程模式更相近。
命令式編程是常見的編程模式，編程語言如python/C++都采用命令式編程。命令式編程明確輸入變量，并根據(jù)程序邏輯逐步運(yùn)算，這種模式非常在調(diào)試程序時(shí)進(jìn)行單步跟蹤，分析中間變量。舉例來說，設(shè)A=10, B=10，計(jì)算邏輯：
第一步計(jì)算得出C=100，第二步計(jì)算得出D=101，輸出結(jié)果D=101。
符號(hào)式編程將計(jì)算過程抽象為計(jì)算圖，計(jì)算流圖可以方便的描述計(jì)算過程，所有輸入節(jié)點(diǎn)、運(yùn)算節(jié)點(diǎn)、輸出節(jié)點(diǎn)均符號(hào)化處理。計(jì)算圖通過建立輸入節(jié)點(diǎn)到輸出節(jié)點(diǎn)的傳遞閉包，從輸入節(jié)點(diǎn)出發(fā)，沿著傳遞閉包完成數(shù)值計(jì)算和數(shù)據(jù)流動(dòng)，直到達(dá)到輸出節(jié)點(diǎn)。這個(gè)過程經(jīng)過計(jì)算圖優(yōu)化，以數(shù)據(jù)（計(jì)算）流方式完成，節(jié)省內(nèi)存空間使用，計(jì)算速度快，但不適合程序調(diào)試，通常不用于編程語言中。舉上面的例子，先根據(jù)計(jì)算邏輯編寫符號(hào)式程序并生成計(jì)算圖
其中A和B是輸入符號(hào)變量，C和D是運(yùn)算符號(hào)變量，compile函數(shù)生成計(jì)算圖F，如圖6所示。
圖6 符號(hào)編程的正向計(jì)算圖
最后得到A=10, B=10時(shí)變量D的值，這里D可以復(fù)用C的內(nèi)存空間，省去了中間變量的空間存儲(chǔ)。
圖 6是TF中的計(jì)算流圖，C=F(Relu(Add(MatMul(W, x), b)))，其中每個(gè)節(jié)點(diǎn)都是符號(hào)化表示的。通過session創(chuàng)建graph，在調(diào)用session.run執(zhí)行計(jì)算。
圖7 TF符號(hào)計(jì)算圖
和目前的符號(hào)語言比起來，TF最大的特點(diǎn)是強(qiáng)化了數(shù)據(jù)流圖，引入了mutation的概念。這一點(diǎn)是TF和包括Theano在內(nèi)的符號(hào)編程框架最大的不同。所謂mutation，就是可以在計(jì)算的過程更改一個(gè)變量的值，而這個(gè)變量在計(jì)算的過程中會(huì)被帶入到下一輪迭代里面去。
Mutation是機(jī)器學(xué)習(xí)優(yōu)化算法幾乎必須要引入的東西（雖然也可以通過immutable replacement來代替，但是會(huì)有效率的問題）。 Theano的做法是引入了update statement來處理mutation。TF選擇了純符號(hào)計(jì)算的路線，并且直接把更新引入了數(shù)據(jù)流圖中去。從目前的白皮書看還會(huì)支持條件和循環(huán)。這樣就幾乎讓TF本身成為一門獨(dú)立的語言。不過這一點(diǎn)會(huì)導(dǎo)致最后的API設(shè)計(jì)和使用需要特別小心，把mutation 引入到數(shù)據(jù)流圖中會(huì)帶來一些新的問題，比如如何處理寫與寫之間的依賴。[7]
2.3 梯度計(jì)算
梯度計(jì)算主要應(yīng)用在誤差反向傳播和數(shù)據(jù)更新，是深度學(xué)習(xí)平臺(tái)要解決的核心問題。梯度計(jì)算涉及每個(gè)計(jì)算節(jié)點(diǎn)，每個(gè)自定義的前向計(jì)算圖都包含一個(gè)隱式的反向計(jì)算圖。從數(shù)據(jù)流向上看，正向計(jì)算圖是數(shù)據(jù)從輸入節(jié)點(diǎn)到輸出節(jié)點(diǎn)的流向過程，反向計(jì)算圖是數(shù)據(jù)從輸出節(jié)點(diǎn)到輸入節(jié)點(diǎn)的流向過程。
圖8是2.2節(jié)中圖6對(duì)應(yīng)的反向計(jì)算圖。圖中，由于C=A*B，則dA=B*dC, dB=A*dC。在反向計(jì)算圖中，輸入節(jié)點(diǎn)dD，輸出節(jié)點(diǎn)dA和dB，計(jì)算表達(dá)式為dA=B*dC=B*dD, dB=A*dC=A*dD。每一個(gè)正向計(jì)算節(jié)點(diǎn)對(duì)應(yīng)一個(gè)隱式梯度計(jì)算節(jié)點(diǎn)。
圖8 符號(hào)編程的反向計(jì)算圖
反向計(jì)算限制了符號(hào)編程中內(nèi)存空間復(fù)用的優(yōu)勢(shì)，因?yàn)樵谡蛴?jì)算中的計(jì)算數(shù)據(jù)在反向計(jì)算中也可能要用到。從這一點(diǎn)上講，粗粒度的計(jì)算節(jié)點(diǎn)比細(xì)粒度的計(jì)算節(jié)點(diǎn)更有優(yōu)勢(shì)，而TF大部分為細(xì)粒度操作，雖然靈活性很強(qiáng)，但細(xì)粒度操作涉及到更多的優(yōu)化方案，在工程實(shí)現(xiàn)上開銷較大，不及粗粒度簡(jiǎn)單直接。在神經(jīng)網(wǎng)絡(luò)模型中，TF將逐步側(cè)重粗粒度運(yùn)算。
2.4 控制流
TF的計(jì)算圖如同數(shù)據(jù)流一樣，數(shù)據(jù)流向表示計(jì)算過程，如圖9。數(shù)據(jù)流圖可以很好的表達(dá)計(jì)算過程，為了擴(kuò)展TF的表達(dá)能力，TF中引入控制流。
圖9 Graph的數(shù)據(jù)流
在編程語言中，if…else…是最常見的邏輯控制，在TF的數(shù)據(jù)流中也可以通過這種方式控制數(shù)據(jù)流向。接口函數(shù)如下，pred為判別表達(dá)式，fn1和fn2為運(yùn)算表達(dá)式。當(dāng)pred為true是，執(zhí)行fn1操作；當(dāng)pred為false時(shí)，執(zhí)行fn2操作。
TF還可以協(xié)調(diào)多個(gè)數(shù)據(jù)流，在存在依賴節(jié)點(diǎn)的場(chǎng)景下非常有用，例如節(jié)點(diǎn)B要讀取模型參數(shù)θ更新后的值，而節(jié)點(diǎn)A負(fù)責(zé)更新參數(shù)θ，則節(jié)點(diǎn)B必須等節(jié)點(diǎn)A完成后才能執(zhí)行，否則讀取的參數(shù)θ為更新前的數(shù)值，這時(shí)需要一個(gè)運(yùn)算控制器。接口函數(shù)如下，tf.control_dependencies函數(shù)可以控制多個(gè)數(shù)據(jù)流執(zhí)行完成后才能執(zhí)行接下來的操作，通常與tf.group函數(shù)結(jié)合使用。
TF支持的控制算子有Switch、Merge、Enter、Leave和NextIteration等。
TF不僅支持邏輯控制，還支持循環(huán)控制。TF使用和MIT Token-Tagged machine相似的表示系統(tǒng)，將循環(huán)的每次迭代標(biāo)記為一個(gè)tag，迭代的執(zhí)行狀態(tài)標(biāo)記為一個(gè)frame，但迭代所需的數(shù)據(jù)準(zhǔn)備好的時(shí)候，就可以開始計(jì)算，從而多個(gè)迭代可以同時(shí)執(zhí)行。
未完待續(xù)……
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
