斯坦福CS231n最新課程：詳解深度學習的框架對比與實現

選自Stanford

作者：李飛飛等

機器之心編譯

參與：Smith

斯坦福大學的課程 CS231n (Convolutional Neural Networks for Visual Recognition) 作為深度學習和計算機視覺方面的重要基礎課程，在學界廣受推崇。今年 4 月，CS231n 再度開課，全新的 CS231n Spring 2017 仍舊由李飛飛帶頭，帶來了很多新鮮的內容。今天機器之心給大家分享的是其中的第八講——深度學習軟體（Deep Learning Software）。主要內容有：CPU 和 GPU 的對比；深度學習框架簡介；TensorFlow 和 PyTorch 的實例；以及各種深度學習框架的比較。

一、 CPU 和 GPU

CPU：核芯的數量更少；

但是每一個核芯的速度更快，性能更強；

更適用於處理連續性（sequential）任務。

GPU：核芯的數量更多；

但是每一個核芯的處理速度較慢；

更適用於並行（parallel）任務。

二、深度學習框架簡介

去年我們還僅有 Caffe、Torch、Theano 和 TensorFlow 這些深度學習框架可供使用；但是到了今年，在此基礎上我們又新增加了 Caffe2、Pytorch、TensorFlow、PaddlePaddle、 CNDK、MXNet 等等一系列新的框架，可謂「百花齊放」。如今最常用的框架當數 Pytorch 和 TensorFlow 了, 而 Caffe 和 Caffe2 次之。

深度學習框架的關鍵點在於：

（1）易於建造大型的計算機圖形；

（2）易於在計算機圖形中進行梯度計算；

（3）能在 GPU 上高效運行（cuDNN, cuBLA 等）

三、TensorFlow 簡單實例

下面我們將詳細說明一個在 TensorFlow 下訓練神經網路的簡單實例：即用隨機數據訓練一個兩層的網路，激活函數為 ReLU。

a. 定義計算機圖形：

1. 為輸入 x，權重係數 w1、w2, 和目標函數 y 創建 placeholder：

2. 定義前向傳輸：這是為了計算 y 的預測值和誤差損失（loss）；實際上這裡是沒有計算過程的——僅僅是為了創建圖形！

3. 告訴 Tensorflow 去計算關於 w1 和 w2 的梯度損失；這裡仍然不產生計算過程——僅僅是為了創建圖形。

b. 運行

現在已經完成了創建圖形的步驟，所以我們進入對圖形進行運算的部分。

創建 Numpy 數組，這個數組將會被填進上方的 placeholder 中。

對圖形進行運算：將 x、y、w1、w2 輸入到 numpy 數組中；得到關於損失（loss），w1 梯度和 w2 梯度的 numpy 數組。

訓練網路：反覆對圖形進行運算，用梯度（gradient）來更新權重（weights）。

把 w1 和 w2 的相應函數從 placeholder() 改為 Variable()。

添加 assign 操作來更新 w1 和 w2（圖形的一部分）。

對圖形進行一次運算來初始化 w1 和 w2，然後進行多次迭代訓練。

完整代碼如下：

但是產生一個問題：誤差損失（loss）並沒有下降！這是因為 Assign 指令實際上並沒有被執行。

這時我們就需要添加虛擬圖形節點，並且告訴圖形去計算虛擬節點。

可以使用 optimizer 來計算梯度和更新權重係數；記得要執行 optimizer 的輸出！

使用預先定義的常用損失函數：

使用 Xavier 進行初始化；tf.layer 會自動設置權重係數（weight）和偏置項（bias）！

c. 高級 Wrapper——Keras

Keras 可以理解為是一個在 TensorFlow 頂部的 layer，它可以讓一些工作變得更加簡單（也支持 Theano 後端）。

把模型目標定義成一系列的 layer :

定義優化器目標（optimizer object）：

創建模型，明確規定損失函數（loss function）:

僅用一行代碼就能訓練模型！

除了 Keras, 還有一些其他類型的高級容器（Wrapper）可供使用:

四、PyTorch 實例

PyTorch 是 Facebook 推出的深度學習框架，不論是在工業界還是學術界，它都得到了廣泛的應用。它包括三個等級的抽象概念：

• 張量（Tensor）：命令式的多維數組對象（ndarray），在 GPU 上運行；

• 變數（Varaible）：計算型圖形（computational graph）的節點；用於存儲數據和梯度（gradient）

• 模塊（Module）：代表一個神經網路層；可以存儲狀態（state）, 也可以存儲可學習的權重係數（learnable weights）

PyTorch 和 TensorFlow 中抽象概念的等價對應關係：

a. Pytorch 中的張量（Tensor）設置

PyTorch 中的張量就像 numpy 中的數組，但是這些張量可以在 GPU 上運行；

這裡我們用 PyTorch 的張量設置了一個兩層網路：

下面我們來分步解讀：

1. 為數據和權重（weights）創建隨機張量：

2. 設置前向傳播：計算預測值（prediction）和損失（loss）：

3. 設置反向傳播：計算梯度（gradients）：

4. 梯度下降（Gradient descent）和權重（weights）相對應：

5. 為了在 GPU 上運行，將張量（tensors）設置為 cuda 數據類型：

b. PyTorch 中的 Autogradient 設置

PyTorch 的張量（Tensors）和變數（Variables）擁有相同的應用編程介面 API。變數（Variables）可以記憶它們是怎麼產生的（因為反向傳播的緣故）。

下面仍進行分步解讀：

1. 我們不希望（損失 loss 的）梯度和數據（data）有相關性，但我們希望梯度和權重（weights）是相關的。相關設置如圖：

2. 這裡的前向傳播看上去和上述張量（Tensor）的對應版本很相似，但是需要注意的是現在這裡全部都是變數（variable）。

3. 計算損失函數對 w1 和 w2 的梯度（開始的時候梯度置零）：

4. 讓梯度和權重（weights）相對應：

C. 定義新型 Autograd 函數

通過張量的前向和反向傳播來定義你自己的 autograd 函數：

可以在前向傳播中使用新的 autograd 函數：

d. PyTorch 中的神經網路（nn）設置

用更高級的「容器」（wrapper）來處理神經網路（neural nets）, 和 Keras 相似。完整代碼如下：

下面進行分步解讀：

把我們的模型定義成一系列的 layers：

也要定義常用損失函數：

前向傳播：給模型輸入數據；給損失函數（loss function）輸入預測信息（prediction）：

反向傳播：計算所有的梯度（gradients）：

讓梯度和每一個模型參數對應：

下面我們添加一個優化器（optimizer）:

在計算完梯度以後對所有的參數（parameters）進行更新：

E. PyTorch 中的神經網路——定義新的模型

Pytorch 中的模塊（Module）其實是一個神經網路層（neural net layer），需要注意它的輸入和輸出都是變數；模塊（Module）中包含著權重 (當作變數處理) 或者其他模塊；你可以使用 autograd 來定義你自己的模塊。詳細代碼如下：

下面進行分步解讀：

1. 把我們的整體模型定義成一個單一的模塊：

2. 用初始化程序來設置兩個子模塊（一個父模塊可以包含子模塊）

3. 用子模塊和變數上的 autograd ops 定義前向傳播；不需要定義反向傳播——因為 autograd 會作相應處理：

4. 創建並訓練一個模型實例：

E. PyTorch 中的資料存儲器（Dataloaders）

資料存儲器（DataLoader）包括一個數據集 (Dataset)，而且給你提供了小批量處理（minibatching），「洗牌」處理（shuffling）和多線程處理（multithreading）；當你需要載入自定義數據（custom data）時，寫下你自己的數據集類型（dataset class）就可以了。

通過遍歷存儲器（loader）來形成小批量（minibatch）；存儲器會給你提供張量（Tensors）, 所以你需要將其「打包」（wrap）進變數中：

注意：使用帶有 torchvision 的預先訓練好的模型（pretrained model）將會更加簡單易行。

F. Torch 和 pytorch 的簡單對比

結論：盡量使用 PyTorch 來做你的新項目。

五、Caffe2 簡介

六、深度學習框架之爭，究竟誰更勝一籌？

其實具體選擇何種框架來進行深度學習取決於我們要做什麼。在參閱相關文獻之後，我們大致可以得出以下結論（僅供參考）：

• PyTorch 和 Torch 更適用於學術研究（research）；TensorFlow，Caffe，Caffe2 則更適用於工業界的生產環境部署（industrial production）。

• Caffe 適用於處理靜態圖像（static graph）；Torch 和 PyTorch 更適用於動態圖像（dynamic graph）；而 TensorFlow 在兩種情況下都很實用；

• Tensorflow 和 Caffe2 可在移動端使用

附參考文獻（斯坦福課程 CS231n; 以及港中文課程 ELEG5491）：

• http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture8.pdf

• http://203.187.160.132:9011/dl.ee.cuhk.edu.hk/c3pr90ntc0td/slides/tutorial-caffe.pdf

• http://203.187.160.132:9011/dl.ee.cuhk.edu.hk/c3pr90ntc0td/slides/DL_in_Action.pdf

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！