DeepMind發布Sonnet 幫你用TensorFlow快速搭建神經網路

去年 DeepMind 作出決定，將全部研究搬到 TensorFlow 框架上進行。近一年時間過去，回頭來看，DeepMind 認為這項選擇十分正確——許多模型的學習過程大幅加速；TensorFlow 內置的分布式訓練功能，還幫助工程師們極大得精簡了代碼在這過程中，DeepMind 發現：TensorFlow 的靈活性和可適性，使得以它為基礎、為特定任務開發專用高級框架變得十分可行。

DeepMind 就開發了一個能在 TensorFlow 上快速創建神經網路模塊的高級框架，名為 Sonnet兩天前，其代碼被上傳到 GitHub。昨夜，DeepMind 在官方博客宣布了這一消息：Sonnet 正式開源。

對於 TensorFlow 而言，自從其在 2015 年末開源，一個由眾多高級演算法庫組成的多樣生態系統，便已圍繞著它迅速發展起來。這些高級工具，允許常用任務以更簡便、更快的方式完成，極大節省了開發者的時間精力。

作為該生態的新成員，Sonnet 也是如此。它與現有的神經網路演算法庫有許多共同點，但部分功能專為 DeepMind 的研究需要而設計。

這並不是 Sonnet 的源代碼頭一回被公開—幾個月前 DeepMind 開源的演算法庫 「Learning to learn」，以及去年 6月發表的論文 《Learning to learn by gradient descent by gradient descent》，就包含了早期的 Sonnet 代碼。現在，該演算法庫的完全版本以 「Sonnet」 新名稱重新包裝。

DeepMind 在博客上表示：

「我們仍在不斷開發這一代碼庫，但當前版本已經對我們的研究貢獻巨大。接下來的代碼發布，將以今日發布的版本為基礎。

向公眾開源 Sonnet，能方便 DeepMind 與深度學習社區分享我們的演算法模型。當然，我們也殷切希望，Sonnet 能夠幫助社區同仁將研究更進一步。最近幾個月，我們已經開源了公司的旗艦平台 DeepMind Lab，並正在和動視暴雪合作，針對《星際爭霸 2 》的AI 研究開發開源 API 。更多工具的發布正在路上，我們將會在官網開源頁面與大家分享，敬請期待。」

技術特點

Sonnet 走的是面向對象（object-oriented）的路子，與 Torch/NN 類似，使得定義某些運算前饋通路（forward pass）的模塊能夠被創建出來。模塊使用輸入 Tensor 來調用，這向計算圖（Graph）添加任務，並返回輸出 Tensor。其中一項設計目標，是確保以透明的方式進行變數分享。這是通過對同個模塊接下來的調用，自動重複使用變數來實現。

DeepMind 認為，許多深度學習文獻中的模型，可被看做是一個等級結構（hierarchy）。比方說，一個 Differentiable Neural Computer （可微分神經計算機）包含一個控制器，這有可能是一個 LSTM，後者可按照包含標準線性層的形式來執行。DeepMind 發現，編寫明確代表了子模塊的代碼，使得代碼重複使用變得更容易，試驗變得更快。因此，對於能在內部 declare 其他子模塊的模塊，Sonnet 支持鼓勵其編寫；或者在模型創建期間傳遞給其他模塊。

DeepMind 認為十分有用的另外一項技術，是允許特定模塊在隨機聚集的 Tensor 群組上運行。RNN 的狀態，最適合於以異構 Tensor 集合來表示，用扁平列表來表示它們很容易會導致錯誤。Sonnet 提供了處理這些隨機等級結構的功能，所以改變你的試驗，使用另一種 RNN，並不需要繁冗地修改代碼。DeepMind 已經對核心 TensorFlow 做了修改，以更好地支持這一使用情況。

Sonnet 專為 TensorFlow 而設計，因此並不會導致用戶無法訪問底層細節，比如 Tensors 和 variable_scopes。在 Sonnet 中編寫的模型，可與原始 TensorFlow 代碼自由地混在一起，和其他高級演算法庫也可以。

最後，DeepMind 在博客上表示將會不斷更新 Sonnet，使開源版本與公司內部使用版本相吻合。

via deepmind

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！