用 Go 语言理解 Tensorflow

栏目: C++ · 发布时间: 7年前

内容简介:用 Go 语言理解 Tensorflow

Go 语言理解 Tensorflow

Tensorflow 并不是一个严格意义上的机器学习库,它是一个使用图来表示计算的通用计算库。它的核心功能由 C++ 实现,通过封装,能在各种不同的语言下运行。它的 Golang 版和 Python 版不同,Golang 版 Tensorflow 不仅能让你通过 Go 语言使用 Tensorflow,还能让你理解 Tensorflow 的底层实现。

封装

根据官方说明,Tensorflow 开发者发布了以下内容:

  • C++ 源码:底层和高层的具体功能由 C ++ 源码实现,它是真正 Tensorflow 的核心。

  • Python 封装与Python 库:由 C++ 实现自动生成的封装版本,通过这种方式我们可以直接用 Python 来调用 C++ 函数:这也是 numpy 的核心实现方式。

    Python 库通过将 Python 封装版的各种调用结合起来,组成了各种广为人知的高层 API。

  • Java 封装

  • Go 封装

作为一名 Gopher 而非一名 java 爱好者,我对 Go 封装给予了极大的关注,希望了解其适用于何种任务。

译注,这里说的”封装“也有说法叫做”语言界面“

Go 封装

用 Go 语言理解 Tensorflow

图为 Gopher(由 Takuya Ueda@tenntenn 创建,遵循 CC 3.0 协议)与 Tensorflow 的 Logo 结合在一起。

首先要注意的是,代码维护者自己也承认了,Go API 缺少 Variable 支持,因此这个 API 仅用于 使用 训练好的模型,而 不能用于 进行模型训练。

在文档 Installing Tensorflow for Go 中已经明确提到:

TensorFlow 为 Go 编程提供了一些 API。这些 API 特别适合加载在 Python 中创建的模型,让其在 Go 应用 中运行。

如果我们对训练机器学习模型没兴趣,那这个限制是 OK 的。

但是,如果你打算自己训练模型,请看下面给的建议:

作为一名 Gopher,请让 Go 保持简洁!使用 Python 去定义、训练模型,在这之后你随时都可以用 Go 来加载训练好的模型!(意思就是他们懒得开发呗)

简而言之,golang 版 tensorflow 可以 导入与定义 常数图(constant graph)。这个常数图指的是在图中没有训练过程,也没有需要训练的变量。

让我们用 Golang 深入研究 Tensorflow 吧!首先创建我们的第一个应用。

我建议读者在阅读下面的内容前,先准备好 Go 环境,以及编译、安装好 Tensorflow Go 版(编译、安装过程参考 README )。

理解 Tensorflow 的结构

先复习一下什么是 Tensorflow 吧!(这是我个人的理解,和官网的有所不同)

TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。节点(Nodes)在图中 表示 数学操作,图中的线(edges)则 表示 在节点间相互联系的多维数据数组,即张量(tensor)。

我们可以把 Tensorflow 看做一种类似于 SQL 的描述性语言,首先你得确定你需要什么数据,它会通过底层引擎(数据库)分析你的查询语句,检查你的句法错误和语法错误,将查询语句转换为私有语言表达式,进行优化之后运算得出计算结果。这样,它能保证将正确的结果传达给你。

因此,我们无论使用什么 API 实质上都是在描述一个图。我们将它放在 Session 中作为求值的起点,这样做确定了这个图将会在这个 Session 中运行。

了解这一点,我们可以试着定义一个计算操作的图,并将其放在一个 Session 中进行求值。

API 文档 中明确告知了 tensorflow (简称 tf )包与 op 包中的可用方法列表。

在这个列表中我们可以看到,这两个包中包含了一切我们需要用来定义与评价图的方法。

tf 包中包含了各种构建基础结构的函数,例如 Graph (图)。 op 包是最重要的包,它包含了由 C++ 实现自动生成的绑定等功能。

现在,假设我们要计算 AAA 与 xxx 的矩阵乘法:

用 Go 语言理解 Tensorflow

我假定你们都熟悉 tensorflow 图的定义,都了解 placeholder 并知道它们的工作原理。

下面的代码是一位 Tensorflow Python 用户第一次尝试时会写的代码。让我们给这个文件取名为 attempt1.go

package main

import (
    "fmt"
    tf "github.com/tensorflow/tensorflow/tensorflow/go"
    "github.com/tensorflow/tensorflow/tensorflow/go/op"
)

func main() {
    // 第一步:创建图

    // 首先我们需要在 Runtime 定义两个 placeholder 进行占位
    // 第一个 placeholder A 将会被一个 [2, 2] 的 interger 类型张量代替
    // 第二个 placeholder x 将会被一个 [2, 1] 的 interger 类型张量代替

    // 接下来我们要计算 Y = Ax

    // 创建图的第一个节点:让这个空节点作为图的根
    root := op.NewScope()

    // 定义两个 placeholder
    A := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 2)))
    x := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 1)))

    // 定义接受 A 与 x 输入的 op 节点
    product := op.MatMul(root, A, x)

    // 每次我们传递一个域给一个操作的时候,
    // 我们都要将操作放在在这个域下。
    // 如你所见,现在我们已经有了一个空作用域(由 newScope)创建。这个空作用域
    // 是我们图的根,我们可以用“/”表示它。

    // 现在让 tensorflow 按照我们的定义建立图吧。
    // 依据我们定义的 scope 与 op 结合起来的抽象图,程序会创建相应的常数图。

    graph, err := root.Finalize()
    if err != nil {
        // 如果我们错误地定义了图,我们必须手动修正相关定义,
        // 任何尝试自动处理错误的方法都是无用的。

        // 就像 SQL 查询一样,如果查询不是有效的语法,我们只能重写它。
        panic(err.Error())
    }

    // 如果到这一步,说明我们的图语法上是正确的。
    // 现在我们可以将它放在一个 Session 中并执行它了!

    var sess *tf.Session
    sess, err = tf.NewSession(graph, &tf.SessionOptions{})
    if err != nil {
        panic(err.Error())
    }

    // 为了使用 placeholder,我们需要创建传入网络的值的张量
    var matrix, column *tf.Tensor

    // A = [ [1, 2], [-1, -2] ]
    if matrix, err = tf.NewTensor([2][2]int64{ {1, 2}, {-1, -2} }); err != nil {
        panic(err.Error())
    }
    // x = [ [10], [100] ]
    if column, err = tf.NewTensor([2][1]int64{ {10}, {100} }); err != nil {
        panic(err.Error())
    }

    var results []*tf.Tensor
    if results, err = sess.Run(map[tf.Output]*tf.Tensor{
        A: matrix,
        x: column,
    }, []tf.Output{product}, nil); err != nil {
        panic(err.Error())
    }
    for _, result := range results {
        fmt.Println(result.Value().([][]int64))
    }
}

上面的代码写好了注释,我建议读者阅读上面的每一条注释。

现在,这位 Tensorflow Python 用户自我感觉良好,认为他的代码能够成功编译与运行。让我们试一试吧:

go run attempt1.go

然后他会看到:

panic: failed to add operation "Placeholder": Duplicate node name in graph: 'Placeholder'

等等,为什么会这样呢?

问题很明显。上面代码里出现了 2 个重名的“Placeholder”操作。

第 1 课:node IDs

每次在我们调用方法定义一个操作的时候,不管他是否在之前被调用过,Python API 都会生成不同的节点。

所以,下面的代码没有任何问题,会返回 3。

import tensorflow as tf
a = tf.placeholder(tf.int32, shape=())
b = tf.placeholder(tf.int32, shape=())
add = tf.add(a,b)
sess = tf.InteractiveSession()
print(sess.run(add, feed_dict={a: 1,b: 2}))

我们可以验证一下这个问题,看看程序是否创建了两个不同的 placeholder 节点: print(a.name, b.name)

它打印出 Placeholder:0 Placeholder_1:0

这样就清楚了, a placeholder 是 Placeholder:0b placeholder 是 Placeholder_1:0

但是在 Go 中,上面的程序会报错,因为 Ax 都叫做 Placeholder 。我们可以由此得出结论:

每次我们调用定义操作的函数时,Go API 并不会自动生成新的名称。因此,它的操作名是固定的,我们没法修改。

提问时间:

  • 关于 Tensorflow 的架构我们学到了什么?

    图中的每个节点都必须有唯一的名称。所有节点都是通过名称进行辨认。

  • 节点名称与定义操作符的名称是否相同?

    是的,也可说节点名称是操作符名称的最后一段。

接下来让我们修复节点名称重复的问题,来弄明白上面的第二个提问。

第 2 课:作用域

正如我们所见,Python API 在定义操作时会自动创建新的名称。如果研究底层会发现,Python API 调用了 C++ Scope 类中的 WithOpName 方法。

下面是该方法的文档及特性,参考 scope.h

/// 返回新的作用域。所有在返回的作用域中的 op 都会被命名为
/// <name>/<op_name>[_<suffix].
Scope WithOpName(const string& op_name) const;

注意这个方法,返回一个作用域 Scope 来对节点进行命名,因此节点名称事实上就是作用域 Scope

Scope 就是从根 / (空图)追溯至 op_name完整路径

WithOpName 方法在我们尝试添加一个有着相同的 /op_name 路径的节点时,为了避免在相同作用域下有重复的节点,会为其加上一个后缀 _<suffix><suffix> 是一个计数器)。

了解了以上内容,我们可以通过在 type Scope 中寻找 WithOpName 来解决重复节点名称的问题。然而,Go tf API 中没有这个方法。

如果查阅 type Scope 的文档 ,我们可以看到唯一能返回新 Scope 的方法只有 SubScope(namespace string)

下面引用文档中的内容:

SubScope 将会返回一个新的 Scope,这个 Scope 能确保所有的被加入图中的操作都被放置在 ‘namespace’ 的命名空间下。如果这个命名空间和作用域中已经存在的命名空间冲突,将会给它加上后缀。

这种加后缀的冲突处理和 C++ 中的 WithOpName 方法 不同WithOpName 是在 操作名后面suffix ,它们都在同样的作用域内(例如 Placeholder 变成 Placeholder_1 ),而 Go 的 SubScope 是在 作用域名称后面suffix

这将导致这两种方法会生成完全不同的图(节点在不同的作用域中了),但是它们的计算结果却是一样的。

让我们试着改一改 placeholder 定义,让它们定义两个不同的节点,然后打印 Scope 名称。

让我们创建 attempt2.go ,将下面几行

A := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 2)))
x := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 1)))

改成

// 在根定义域下定义两个自定义域,命名为 input。这样
// 我们就能在根定义域下拥有 input/ 和 input_1/ 两个定义域了。
A := op.Placeholder(root.SubScope("input"), tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 2)))
x := op.Placeholder(root.SubScope("input"), tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 1)))
fmt.Println(A.Op.Name(), x.Op.Name())

编译、运行: go run attempt2.go ,输出结果:

input/Placeholder input_1/Placeholder

提问时间:

  • 关于 Tensorflow 的架构我们学到了什么?

    节点完全由其定义所在的作用域标识。这个”作用域“是我们从图的根节点追溯到指定节点的一条路径。有两种方法来定义执行同一种操作的节点:1、将其定义放在不同的作用域中(Go 风格)2、改变操作名称(我们在 C++ 中可以这么做,Python 版会自动这么做)

现在,我们已经解决了节点命名重复的问题,但是现在我们的控制台中出现了另一个问题:

panic: failed to add operation "MatMul": Value for attr 'T' of int64 is not in the list of allowed values: half, float, double, int32, complex64, complex128

为什么 MatMul 节点的定义出错了?我们要做的仅仅是计算两个 tf.int64 矩阵的乘积而已!似乎 MatMul 偏偏不能接受 int64 的类型。

Value for attr ‘T’ of int64 is not in the list of allowed values: half, float, double, int32, complex64, complex128

上面这个列表是什么?为什么我们能计算 2 个 int32 矩阵的乘积却不能计算 int64 的乘积?

下面我们将解决这个问题。

第 3 课:Tensorflow 类型系统

让我们深入研究 源代码 来看 C++ 是如何定义 MatMul 操作的:

REGISTER_OP("MatMul")
    .Input("a: T")
    .Input("b: T")
    .Output("product: T")
    .Attr("transpose_a: bool = false")
    .Attr("transpose_b: bool = false")
    .Attr("T: {half, float, double, int32, complex64, complex128}")
    .SetShapeFn(shape_inference::MatMulShape)
    .Doc(R"doc(
Multiply the matrix "a" by the matrix "b".
The inputs must be two-dimensional matrices and the inner dimension of
"a" (after being transposed if transpose_a is true) must match the
outer dimension of "b" (after being transposed if transposed_b is
true).
*Note*: The default kernel implementation for MatMul on GPUs uses
cublas.
transpose_a: If true, "a" is transposed before multiplication.
transpose_b: If true, "b" is transposed before multiplication.

这几行代码为 MatMul 操作定义了一个接口,由 REGISTER_OP 宏对此操作做出了如下描述:

  • 名称: MatMul
  • 参数: a , b
  • 属性(可选参数): transpose_a , transpose_b
  • 模版 T 支持的类型: half, float, double, int32, complex64, complex128
  • 输出类型: 自动识别
  • 文档

这个宏没有包含任何 C++ 代码,但是它告诉了我们 当在定义一个操作的时候,即使它使用模版定义,我们也需要指定特定类型 T 支持的类型(或属性)列表。

实际上,属性 .Attr("T: {half, float, double, int32, complex64, complex128}")T 的类型限制在了这个类型列表中。

tensorflow 教程中提到,当时模版 T 时,我们需要对所有支持的重载运算在内核进行注册。这个内核会使用 CUDA 方式引用 C/C++ 函数,进行并发执行。

MatMul 的作者可能是出于以下 2 个原因仅支持上述类型而将 int64 排除在外的:

  1. 疏忽:这个是有可能的,毕竟 Tensorflow 的作者也是人类呀!
  2. 为了支持不能使用 int64 的设备,可能这个特性的内核实现不能在各种支持的硬件上运行。

回到我们的问题中,已经很清楚如何解决问题了。我们需要将 MatMul 支持类型的参数传给它。

让我们创建 attempt3.go ,将所有 int64 的地方都改成 int32

有一点需要注意: Go 封装版 tf 有自己的一套类型,基本与 Go 本身的类型 1:1 相映射。当我们要将值传入图中时,我们必须遵循这种映射关系(例如定义 tf.Int32 类型的 placeholder 时要传入 int32 )。从图中取值同理。

*tf.Tensor 类型将会返回一个张量 evaluation,它包含一个 Value() 方法,此方法将返回一个必须转换为正确类型的 interface{} (这是从图的结构了解到的)。

运行 go run attempt3.go ,得到结果:

input/Placeholder input_1/Placeholder
[[210] [-210]]

成功了!

下面是 attempt3 的完整代码,你可以编译并运行它。(这是一个 Gist,如果你发现有啥可以改进的话欢迎来 https://gist.github.com/galeone/09657143df49a90536f4ac4893c64696贡献代码)

package main                                        

import (                                            
    "fmt"                                       
    tf "github.com/tensorflow/tensorflow/tensorflow/go"                                              
    "github.com/tensorflow/tensorflow/tensorflow/go/op"                                              
)                                                   

func main() {                                       
    // 第一步:创建图

    // 首先我们需要在 Runtime 定义两个 placeholder 进行占位
    // 第一个 placeholder A 将会被一个 [2, 2] 的 interger 类型张量代替
    // 第二个 placeholder x 将会被一个 [2, 1] 的 interger 类型张量代替

    // 接下来我们要计算 Y = Ax

    // 创建图的第一个节点:让这个空节点作为图的根
    root := op.NewScope()                       

    // 定义两个 placeholder
    // 在根定义域下定义两个自定义域,命名为 input。这样
    // 我们就能在根定义域下拥有 input/ 和 input_1/ 两个定义域了。
    A := op.Placeholder(root.SubScope("input"), tf.Int32, op.PlaceholderShape(tf.MakeShape(2, 2)))   
    x := op.Placeholder(root.SubScope("input"), tf.Int32, op.PlaceholderShape(tf.MakeShape(2, 1)))   
    fmt.Println(A.Op.Name(), x.Op.Name())       

    // 定义接受 A 与 x 输入的 op 节点
    product := op.MatMul(root, A, x)            

    // 每次我们传递一个域给一个操作的时候,
    // 我们都要将操作放在在这个域下。
    // 如你所见,现在我们已经有了一个空作用域(由 newScope)创建。这个空作用域
    // 是我们图的根,我们可以用“/”表示它。

    // 现在让 tensorflow 按照我们的定义建立图吧。
    // 依据我们定义的 scope 与 op 结合起来的抽象图,程序会创建相应的常数图。
    graph, err := root.Finalize()               
    if err != nil {                             
        // 如果我们错误地定义了图,我们必须手动修正相关定义,
        // 任何尝试自动处理错误的方法都是无用的。

        // 就像 SQL 查询一样,如果查询不是有效的语法,我们只能重写它。
        panic(err.Error())                  
    }                                           

    // 如果到这一步,说明我们的图语法上是正确的。
    // 现在我们可以将它放在一个 Session 中并执行它了!

    var sess *tf.Session                        
        sess, err = tf.NewSession(graph, &tf.SessionOptions{})                                           
    if err != nil {                             
        panic(err.Error())                  
    }                                           

    // 为了使用 placeholder,我们需要创建传入网络的值的张量             
    var matrix, column *tf.Tensor               

    // A = [ [1, 2], [-1, -2] ]                 
    if matrix, err = tf.NewTensor([2][2]int32{{1, 2}, {-1, -2}}); err != nil {                       
        panic(err.Error())                  
    }                                           
    // x = [ [10], [100] ]                      
    if column, err = tf.NewTensor([2][1]int32{{10}, {100}}); err != nil {                            
        panic(err.Error())                  
    }                                           

    var results []*tf.Tensor                    
    if results, err = sess.Run(map[tf.Output]*tf.Tensor{                                             
        A: matrix,                          
        x: column,                          
    }, []tf.Output{product}, nil); err != nil {
        panic(err.Error())                  
    }                                           
    for _, result := range results {            
        fmt.Println(result.Value().([][]int32))                                            
    }
}

提问时间:

关于 Tensorflow 的架构我们学到了什么?

每个操作都有自己的一组关联内核。Tensorflow 是一种强类型的描述性语言,它不仅遵循 C++ 类型规则,同时要求在 op 注册时需定义好类型才能实现其功能。

总结

使用 Go 来定义与处理一个图让我们能够更好地理解 Tensorflow 的底层结构。通过不断地试错,我们最终解决了这个简单的问题,一步一步地掌握了图、节点以及类型系统的知识。

如果你觉得这篇文章有用,请点个赞或者分享给别人吧~

掘金翻译计划 是一个翻译优质互联网技术文章的社区,文章来源为掘金 上的英文分享文章。内容覆盖 AndroidiOSReact前端后端产品设计 等领域,想要查看更多优质译文请持续关注 掘金翻译计划


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

逻辑的引擎

逻辑的引擎

[美] 马丁·戴维斯 / 张卜天 / 湖南科学技术出版社 / 2005-5 / 20.00元

本书介绍了现代计算机背后的那些基本概念和发展这些概念的人,描写了莱布尼茨、布尔、费雷格、康托尔、希尔伯特、哥德尔、图灵等天才的生活和工作,讲述了数学家们如何在成果付诸应用之前很久就已经提出了其背后的思想。博达著作权代理有限公司授权出版据美国W.W.Norton公司2000年版本译出。2007年第二版亦使用同一ISBN。一起来看看 《逻辑的引擎》 这本书的介绍吧!

JSON 在线解析
JSON 在线解析

在线 JSON 格式化工具

在线进制转换器
在线进制转换器

各进制数互转换器

图片转BASE64编码
图片转BASE64编码

在线图片转Base64编码工具