中生代技術(shù)第52期分享

　　分享嘉賓：劉光聰

　　中生小編預告：中生代技術(shù)年度大會上海站將在2017年3月11號舉行，請掃描下面二維碼關注中生代技術(shù)公眾號了解詳細信息。

中生代技術(shù)公眾號

　　祝大家在2017年有新的收獲。非常感謝大家在春節(jié)前夕依然還堅持參加中生代技術(shù)的分享活動，也感謝中生代提供的強大的分享平臺。 我是劉光聰，來自于中興通訊技術(shù)規(guī)劃部，關注敏捷軟件開發(fā)，從事機器學習算法研究，目前負責AI平臺架構(gòu)與設計。 今天我給大家分享的題目是：剖析TensorFlow架構(gòu)與設計之編程模型。其目標是對深度學習有一個初步的了解，了解TensorFlow的基本編程模型，及其掌握TensorFlow的幾個重要概念。

　　今天我的分享主要包括3個部分，簡單介紹TensorFlow的架構(gòu)；理解計算圖的工作原理；通過Mnist實戰(zhàn)，了解TensorFlow編程模型。

　　TensorFlow在跨平臺，通用性，分布式， 可擴展性，可視化等方面優(yōu)勢非常明顯。

　　TensorFlow是一種典型的基于符號編程的數(shù)值計算框架，從總架構(gòu)上分為兩層：

1. 前端：負責計算圖的構(gòu)造，支持多語言，其中Python提供的 API最為成熟；

2. 后端：負責計算圖的執(zhí)行，使用C++實現(xiàn)，直接操作分布式的CPU/GPU環(huán)境。

　　計算圖是TensorFlow最重要的領域概念，OP代表節(jié)點，Tensor代表邊； 數(shù)據(jù)從節(jié)點流入，通過OP運算，從節(jié)點流出，并做為下一節(jié)點的輸入，TensorFlow的命名由此而來。

　　OP用于表示計算圖的一個節(jié)點，完成某種抽象的計算。

　　TensorFlow支持豐富的OP集合，并且支持OP的擴展。

　　OP通過OP構(gòu)造器(OP Constructor)生成OP實例，該工廠具有副作用，它將該OP實例注冊到計算圖中。 此時用戶對圖實例無感知，因為其上下文存在一個默認的圖實例。

　　OP的輸入和輸出以Tensor的形式傳遞，支持三種基本類型。

　　描述OP可以通過三個維度描述：

1. 類型

2. Tensor的Shape：維度，及其每一維度的大小

3. 約束：例如默認值，允許的值列表

　　以placeholder的OP為例，該OP是一個特殊的OP，它沒有輸入，只有輸出。而且，他的類型為確定，待用戶在構(gòu)造OP是確定，可以看成一個「泛型編程」的過程。

　　這是placeholder OP的構(gòu)造器(constructor)，或稱為工廠。調(diào)用OP時，指定OP的屬性，從而確定OP的基本規(guī)格。該過程類似于C++模板實例化，但還未生成對象實例(直至執(zhí)行計算圖階段)。

　　Operation描述了OP的接口(類型，約束，屬性，設備等)，Kernel是針對具體設備類型，或者數(shù)據(jù)類型，Tensor的維度及大小的某種具體實現(xiàn)。典型地，OP會有GPU實現(xiàn)的Kernel，及其CPU實現(xiàn)的Kernel 。 這是一種典型的多態(tài)設計(區(qū)別于編程語言的多態(tài))。

　　Tensor表示計算圖的邊實例，表示OP之間的數(shù)據(jù)流方向。

　　Tensor可以通過三元組描述：(Type, Rank, Shape)。

　　查看源代碼(簡化之后)，其Protobuf是如此描述Tensor的，其很好地形式化描述了Tensor的本質(zhì)。

　　在計算圖中，存在兩種類型的邊：

1. 正常的邊：用于傳遞Tensor；

2. 特殊的邊：用于控制依賴。

　　控制依賴是一種構(gòu)建復雜網(wǎng)絡模型的重要工具，它表示OP之間執(zhí)行的依賴關系。

　　當前上下文，維護了一個指向default graph的指針；也就是說，在任何一個時刻，在上下文中都存在一個默認的圖實例。 圖實例包括兩類：

1. 隱式的圖實例

2. 顯式的圖實例

　　前者的OP注冊到隱式的圖實例，后者的OP注冊到顯式的圖實例中。

　　OP命名的層次化是一種搭建復雜網(wǎng)絡的重要工具。例如，將OP看成西安市，那么如何從地球中找到它呢？ 首先，通過世界地圖，先找到亞洲，然后找到中國，然后再找到陜西，最后才找到西安。 當搭建復雜的網(wǎng)絡模型時，OP命名的層次化，對于OP定位是非常有用的。

　　可以指定OP的設備類型，當執(zhí)行計算圖時，該OP會被分配到指定的設備上執(zhí)行運算。

　　默認圖實例(Default Graph)，OP命名的層次化(Name Scope)，指派設備(device)等機制，實際是由Context Manager管理，保證在某一個時刻，存在唯一的默認圖實例，及其當前的Scope，及其當前的Device等等。

　　總結(jié)一下，TensorFlow是一種基于符號的編程模式，前端完成計算圖的構(gòu)造，后端完成計算圖的執(zhí)行。

　　這里舉一個簡單的例子，x表示模型的輸入，y_表示模型的輸出(Labels)；定義了W, b兩個訓練參數(shù)，然后使用matmul的OP，及其add的OP完成權(quán)重的線性求和，最后使用ReLU的激活函數(shù)，搭建了第一層網(wǎng)絡模型。 其中C代表后續(xù)的網(wǎng)絡層次。

　　上述代碼實現(xiàn)，構(gòu)造了如上圖所示的計算圖實例。

　　通過建立一個Session，使用Mini-Batch算法實現(xiàn)該模型的訓練。很顯然，計算圖被構(gòu)造依次，但被執(zhí)行了多次(一次一個Batch)。

　　這是使用Protobuf描述計算圖的領域模型。

　　這是前端(Python)的領域模型。

　　這是后端的領域模型。

　　Session是Client與計算服務的橋梁，是一種資源，使用完成后保證被關閉；session.run建立了一個瞬時的閉包，該閉包針對于該次Batch，依次傳遞Tensor，完成整個計算的過程，然后再將梯度反傳，最后完成參數(shù)的更新。 每個子圖只會構(gòu)造依次，但可能被執(zhí)行多次。Tensor在OP之間傳遞，其生命周期僅對當前批次有效，對下一個Mini-Batch無效。

　　其中，F(xiàn)eed代表模型的輸入，F(xiàn)etch代表模型的輸出。

　　變量是一種特殊的OP，它維持一個Tensor的句柄，變相地延長了該Tensor的生命周期。

　　變量在使用之前，都需要使用初始化的OP進行初始化。例如，W使用tf.zeros的初始化OP進行初始化為0值。

　　存在一些語法糖，可以方便地對變量進行初始化(組合模式)。

　　猶如C++全局變量初始化的依賴關系，TensorFlow變量之間的初始化依賴關系需要特殊的處理。

　　可以使用Stateful的OP操作變量，完成變量狀態(tài)的變更。

　　通過變量分組，可以方便對變量進行分組管理。例如，可以快速獲取出所有訓練參數(shù)的集合。

　　接下來，通過Mnist的實戰(zhàn)，加深 理解TensorFlow的編程模型。實戰(zhàn)包括兩種網(wǎng)絡模型的實踐：

1. 單層網(wǎng)絡(Softmax)

2. 多層網(wǎng)絡(2層網(wǎng)絡)

　　特征提取，因為只是Demo示例，這里簡單地按照像素進行特征的提取。

　　訓練樣本集的示意圖，它是一個二維的Tensor。

　　這是訓練樣本的標簽集合(Labels)，采用One-hot形式的特征描述 。

　　首先描述模型的輸入和輸出，其中None表示batch_size，待seesion.run的Feed提供。

　　然后定義模型的訓練參數(shù)集合，并定義變量初始化OP，用于在執(zhí)行階段完成變量的初始化。

　　這里定義了Mnist的Softmax單層網(wǎng)絡模型。

　　然后定義交叉熵的損失函數(shù)，并使用隨機梯度下降算法優(yōu)化該損失函數(shù)，使得損失函數(shù)最小化。

　　然后建立一個會話，使用Mini-Batch算法，完成模型的訓練。 」

　　當完成模型的馴良后，可以使用測試數(shù)據(jù)集對模型進行測試，輸出模型的精度。

　　接下來，通過搭建兩層網(wǎng)絡模型實現(xiàn)Mnist。其中，通過計算圖的4個基本子圖，顯式地增強模型設計的可理解性。

- Inference：僅完成推理，僅僅包括前向計算過程；

- Loss：構(gòu)建損失函數(shù)，計算損失；

- Training：根據(jù)損失，反向傳遞梯度，然后更新權(quán)重，直到模型收斂；

- Evaluation：評估模型的精度

　　這里搭建了兩層的網(wǎng)絡模型： 第一層：ReLU 第二層：Softmax

　　這是推理的主要邏輯，定義了兩層網(wǎng)絡。

　　使用交叉熵定義損失函數(shù)。

　　使用隨機梯度下降算法最小化損失函數(shù) 。

　　使用evaluation評估網(wǎng)絡模型的精度。

　　感謝大家的耐心閱讀，如果您對TensorFlow的架構(gòu)與設計感興趣，請持續(xù)關注我后續(xù)關于TensorFlow源代碼的剖析，謝謝。

　　參考資料，網(wǎng)絡上已經(jīng)很豐富了，在此不在重述了。當然，閱讀源代碼，是獲取最權(quán)威的知識的最佳途徑。

　　最后，歡迎大家關注我的「簡書」，直接搜索「劉光聰」，我主要關注敏捷軟件開發(fā)，機器學習算法，也歡迎大家給我更多的指點，謝謝。

問答環(huán)節(jié)

　　Q1. 對TensorFlow的集群化搭建有何建議？

　　A1. TensorFlow的分布式架構(gòu)已經(jīng)超過本次分享的內(nèi)容，希望爭取下次機會再組織一次關于分布式架構(gòu)與工作機制，實踐應用的分享。

　　其中，在講義的最后一節(jié)，有一個關于TensorFlow分布式的簡單介紹，請查閱：

　　http://www.jianshu.com/p/a857743c7095

　　TensorFlow分布式的簡單介紹

　　識別二維碼直達光聰?shù)暮啎刂?/p>

　　Q2. 我可以理解為TensorFlow是一個張量為具體參數(shù)的數(shù)值計算框架嗎？有沒有張量為閉包的數(shù)值計算框架？我對TensorFlow感興趣主要是因為它底層是C++實現(xiàn)，我認為可能會比較高效。

　　A2. TensorFlow是一個通用的，分布式的數(shù)值計算框架，是業(yè)界關注最為廣泛的深度學習框架；其中，Tensor是TensorFlow的一個重要數(shù)據(jù)結(jié)構(gòu)，它是一個特定類型，任意維度，且每個維度任意大小的高維數(shù)組。

　　TensorFlow的前端支持多語言編程，而后端使用C++實現(xiàn)，直接操作CPU/GPU硬件，性能是其考慮的重要因素。

　　Q3. 請問機器學習是不是必須是數(shù)學專業(yè)？

　　A3. 機器學習是一個多學科交叉的領域，它是人工智能的一個重要分支。當然，機器學習的確需要一定的數(shù)學基礎，例如線性代數(shù)，微積分，概率論與數(shù)理統(tǒng)計。

　　推薦https://github.com/exacity/deeplearningbook-chinese第一部分關于數(shù)學基礎的概括性介紹。

　　Github上鏈接，第一部分關于數(shù)學基礎的概括性介紹。

　　識別二維碼直達

　　Q4. 請問中興通訊在機器學習在哪些領域上應用？

　　A4. 智能運維，終端，IoT，智能家居等方面都要相關應用。

　　Q5. 訓練過程能否將狀態(tài)持久化到硬盤…

　　A5. TensorFlow支持Checkpoint的特性，請參閱https://www.tensorflow.org/versions/master/how_tos/variables/#checkpoint_files

　　Checkpoint官網(wǎng)介紹

　　識別二維碼直達

致謝為知識贊賞的朋友

　　—

　　—

　　鳴謝

　　致謝為知識打賞的以上群友，祝雞年大吉，更上層樓

　　—

　　—

　　為慶祝中生代成立一周年，也為了答謝長期支持的朋友們，中生代技術(shù)聯(lián)合iTechPlus在上海舉行年度大會

　　戳原文，查看光聰簡書！