實現屬於自己的TensorFlow(一) - 計算圖與前向傳播

前言

前段時間因為課題需要使用了一段時間TensorFlow,感覺這種框架很有意思,除了可以搭建複雜的神經網路,也可以優化其他自己需要的計算模型,所以一直想自己學習一下寫一個類似的圖計算框架。前幾天組會開完決定著手實現一個模仿TensorFlow介面的簡陋版本圖計算框架以學習計算圖程序的編寫以及前向傳播和反向傳播的實現。目前實現了前向傳播和反向傳播以及梯度下降優化器,並寫了個優化線性模型的例子。

代碼放在了GitHub上,取名SimpleFlow, 倉庫鏈接:

PytLab/simpleflowgithub.com圖標

雖然前向傳播反向傳播這些原理了解起來並不是很複雜,但是真正著手寫起來才發現,裡面還是有很多細節需要學習和處理才能對實際的模型進行優化(例如Loss函數對每個計算節點矩陣求導的處理)。其中SimpleFlow的代碼並沒有考慮太多的東西比如dtype和張量size的檢查等,因為只是為了實現主要圖計算功能並沒有考慮任何的優化, 內部張量運算使用的Numpy的介面(畢竟是學習和練手的目的嘛)。

好久時間沒更新博客了,在接下來的幾篇裡面我將把實現的過程的細節總結一下,希望可以給後面學習的童鞋做個參考。

正文

本文主要介紹計算圖以及前向傳播的實現, 主要涉及圖的構建以及通過對構建好的圖進行後序遍歷然後進行前向傳播計算得到具體節點上的輸出值。

先貼上一個簡單的實現效果吧:

import simpleflow as sfnn# Create a graphnwith sf.Graph().as_default():n a = sf.constant(1.0, name=a)n b = sf.constant(2.0, name=b)n result = sf.add(a, b, name=result)nn # Create a session to computen with tf.Session() as sess:n print(sess.run(result))n

計算圖(Computational Graph)

計算圖是計算代數中的一個基礎處理方法,我們可以通過一個有向圖來表示一個給定的數學表達式,並可以根據圖的特點快速方便對表達式中的變數進行求導。而神經網路的本質就是一個多層複合函數, 因此也可以通過一個圖來表示其表達式。

本部分主要總結計算圖的實現,在計算圖這個有向圖中,每個節點代表著一種特定的運算例如求和,乘積,向量乘積,平方等等… 例如求和表達式 f(x, y)=x+y 使用有向圖表示為:

表達式 f(x,y,z)=z(x+y) 使用有向圖表示為:

與TensorFlow的實現不同,為了簡化,在SimpleFlow中我並沒有定義Tensor類來表示計算圖中節點之間的數據流動,而是直接定義節點的類型,其中主要定義了四種類型來表示圖中的節點:

  1. Operation: 操作節點主要接受一個或者兩個輸入節點然後進行簡單的操作運算,例如上圖中的加法操作和乘法操作等。
  2. Variable: 沒有輸入節點的節點,此節點包含的數據在運算過程中是可以變化的。
  3. Constant: 類似Variable節點,也沒有輸入節點,此節點中的數據在圖的運算過程中不會發生變化
  4. Placeholder: 同樣沒有輸入節點,此節點的數據是通過圖建立好以後通過用戶傳入的

其實圖中的所有節點都可以看成是某種操作,其中Variable, Constant, Placeholder都是一種特殊的操作,只是相對於普通的Operation而言,他們沒有輸入,但是都會有輸出(像上圖中的xx, yy節點,他們本身輸出自身的值到++節點中去),通常會輸出到Operation節點,進行進一步的計算。

下面我們主要介紹如何實現計算圖的基本組件: 節點和邊。

Operation節點

節點表示操作,邊代表節點接收和輸出的數據,操作節點需要含有以下屬性:

  1. input_nodes: 輸入節點,裡面存放與當前節點相連接的輸入節點的引用
  2. output_nodes: 輸出節點, 存放以當前節點作為輸入的節點,也就是當前節點的去向
  3. output_value: 存儲當前節點的數值, 如果是Add節點,此變數就存儲兩個輸入節點output_value的和
  4. name: 當前節點的名稱
  5. graph: 此節點所屬的圖

下面我們定義了Operation基類用於表示圖中的操作節點(詳見github.com/PytLab/simpl):

class Operation(object):n Base class for all operations in simpleflow.n An operation is a node in computational graph receiving zero or more nodesn as input and produce zero or more nodes as output. Vertices could be ann operation, variable or placeholder.n n def __init__(self, *input_nodes, name=None):n Operation constructor.n :param input_nodes: Input nodes for the operation node.n :type input_nodes: Objects of `Operation`, `Variable` or `Placeholder`.n :param name: The operation name.n :type name: str.n n # Nodes received by this operation.n self.input_nodes = input_nodesnn # Nodes that receive this operation node as input.n self.output_nodes = []nn # Output value of this operation in session execution.n self.output_value = Nonenn # Operation name.n self.name = namenn # Graph the operation belongs to.n self.graph = DEFAULT_GRAPHnn # Add this operation node to destination lists in its input nodes.n for node in input_nodes:n node.output_nodes.append(self)nn # Add this operation to default graph.n self.graph.operations.append(self)nn def compute_output(self):n Compute and return the output value of the operation.n n raise NotImplementedErrornn def compute_gradient(self, grad=None):n Compute and return the gradient of the operation wrt inputs.n n raise NotImplementedErrorn

在初始化方法中除了定義上面提到的屬性外,還需要進行兩個操作:

  1. 將當前節點的引用添加到他輸入節點的output_nodes這樣可以在輸入節點中找到當前節點。
  2. 將當前節點的引用添加到圖中,方便後面對圖中的資源進行回收等操作

另外,每個操作節點還有兩個必須的方法: comput_outputcompute_gradient. 他們分別負責根據輸入節點的值計算當前節點的輸出值和根據操作屬性和當前節點的值計算梯度。關於梯度的計算將在後續的文章中詳細介紹,本文只對節點輸出值的計算進行介紹。

下面我以求和操作為例來說明具體操作節點的實現:

class Add(Operation):n An addition operation.n n def __init__(self, x, y, name=None):n Addition constructor.n :param x: The first input node.n :type x: Object of `Operation`, `Variable` or `Placeholder`.n :param y: The second input node.n :type y: Object of `Operation`, `Variable` or `Placeholder`.n :param name: The operation name.n :type name: str.n n super(self.__class__, self).__init__(x, y, name=name)nn def compute_output(self):n Compute and return the value of addition operation.n n x, y = self.input_nodesn self.output_value = np.add(x.output_value, y.output_value)n return self.output_valuen

可見,計算當前節點output_value的值的前提條件就是他的輸入節點的值在此之前已經計算得到了

Variable節點

Operation節點類似,Variable節點也需要output_value, output_nodes等屬性,但是它沒有輸入節點,也就沒有input_nodes屬性了,而是需要在創建的時候確定一個初始值initial_value:

class Variable(object):n Variable node in computational graph.n n def __init__(self, initial_value=None, name=None, trainable=True): n Variable constructor.n :param initial_value: The initial value of the variable.n :type initial_value: number or a ndarray.n :param name: Name of the variable.n :type name: str.n n # Variable initial value.n self.initial_value = initial_valuenn # Output value of this operation in session execution.n self.output_value = Nonenn # Nodes that receive this variable node as input.n self.output_nodes = []nn # Variable name.n self.name = namenn # Graph the variable belongs to.n self.graph = DEFAULT_GRAPHnn # Add to the currently active default graph.n self.graph.variables.append(self)n if trainable:n self.graph.trainable_variables.append(self)nn def compute_output(self):n Compute and return the variable value.n n if self.output_value is None:n self.output_value = self.initial_valuen return self.output_valuen

Constant節點和Placeholder節點

ConstantPlaceholder節點與Variable節點類似,具體實現詳見:

https://github.com/PytLab/simpleflow/blob/master/simpleflow/operations.pygithub.com

計算圖對象

在定義了圖中的節點後我們需要將定義好的節點放入到一個圖中統一保管,因此就需要定義一個Graph類來存放創建的節點,方便統一操作圖中節點的資源。

class Graph(object):n Graph containing all computing nodes.n n def __init__(self):n Graph constructor.n n self.operations, self.constants, self.placeholders = [], [], []n self.variables, self.trainable_variables = [], []n

為了提供一個默認的圖,在導入simpleflow模塊的時候創建一個全局變數來引用默認的圖:

from .graph import Graphnn# Create a default graph.nimport builtinsnDEFAULT_GRAPH = builtins.DEFAULT_GRAPH = Graph()n

為了模仿TensorFlow的介面,我們給Graph添加上下文管理器協議方法使其成為一個上下文管理器, 同時也添加一個as_default方法:

class Graph(object):n #...n def __enter__(self):n Reset default graph.n n global DEFAULT_GRAPHn self.old_graph = DEFAULT_GRAPHn DEFAULT_GRAPH = selfn return selfnn def __exit__(self, exc_type, exc_value, exc_tb):n Recover default graph.n n global DEFAULT_GRAPHn DEFAULT_GRAPH = self.old_graphnn def as_default(self):n Set this graph as global default graph.n n return selfn

這樣在進入with代碼塊之前先保存舊的默認圖對象然後將當前圖賦值給全局圖對象,這樣with代碼塊中的節點默認會添加到當前的圖中。最後退出with代碼塊時再對圖進行恢復即可。這樣我們可以按照TensorFlow的方式來在某個圖中創建節點.

Ok,根據上面的實現我們已經可以創建一個計算圖了:

import simpleflow as sfnnwith sf.Graph().as_default():n a = sf.constant([1.0, 2.0], name=a)n b = sf.constant(2.0, name=b)n c = a * bn

前向傳播(Feedforward)

實現了計算圖和圖中的節點,我們需要對計算圖進行計算, 本部分對計算圖的前向傳播的實現進行總結。

會話

首先,我們需要實現一個Session來對一個已經創建好的計算圖進行計算,因為當我們創建我們之前定義的節點的時候其實只是創建了一個空節點,節點中並沒有數值可以用來計算,也就是output_value是空的。為了模仿TensorFlow的介面,我們在這裡也把session定義成一個上下文管理器:

class Session(object):n A session to compute a particular graph.n n def __init__(self):n Session constructor.n n # Graph the session computes for.n self.graph = DEFAULT_GRAPHnn def __enter__(self):n Context management protocal method called before `with-block`.n n return selfnn def __exit__(self, exc_type, exc_value, exc_tb):n Context management protocal method called after `with-block`.n n self.close()nn def close(self):n Free all output values in nodes.n n all_nodes = (self.graph.constants + self.graph.variables +n self.graph.placeholders + self.graph.operations +n self.graph.trainable_variables)n for node in all_nodes:n node.output_value = Nonenn def run(self, operation, feed_dict=None):n Compute the output of an operation.n # ...n

計算某個節點的輸出值

上面我們已經可以構建出一個計算圖了,計算圖中的每個節點與其相鄰的節點有方向的聯繫起來,現在我們需要根據圖中節點的關係來推算出某個節點的值。那麼如何計算呢? 還是以我們剛才 f(x,y,z)=z(x+y) 的計算圖為例,

若我們需要計算橙色 times 運算節點的輸出值,我們需要計算與它相連的兩個輸入節點的輸出值,進而需要計算綠色 + 的輸入節點的輸出值。我們可以通過後序遍歷來獲取計算一個節點所需的所有節點的輸出值。為了方便實現,後序遍歷我直接使用了遞歸的方式來實現:

def _get_prerequisite(operation):n Perform a post-order traversal to get a list of nodes to be computed in order.n n postorder_nodes = []nn # Collection nodes recursively.n def postorder_traverse(operation):n if isinstance(operation, Operation):n for input_node in operation.input_nodes:n postorder_traverse(input_node)n postorder_nodes.append(operation)nn postorder_traverse(operation)nn return postorder_nodesn

通過此函數我們可以獲取計算一個節點值所需要所有節點列表,再依次計算列表中節點的輸出值,最後便可以輕易的計算出當前節點的輸出值了。

class Session(object):n # ...n def run(self, operation, feed_dict=None):n Compute the output of an operation.n :param operation: A specific operation to be computed.n :type operation: object of `Operation`, `Variable` or `Placeholder`.n :param feed_dict: A mapping between placeholder and its actual value for the session.n :type feed_dict: dict.n n # Get all prerequisite nodes using postorder traversal.n postorder_nodes = _get_prerequisite(operation)n for node in postorder_nodes:n if type(node) is Placeholder:n node.output_value = feed_dict[node]n else: # Operation and variablen node.compute_output()n return operation.output_valuen

例子

上面我們實現了計算圖以及前向傳播,我們就可以創建計算圖計算表達式的值了, 如下:

f = left[ begin{matrix} 1 & 2 & 3  3 & 4 & 5  end{matrix} right] times left[ begin{matrix} 9 & 8  7 & 6  10 & 11  end{matrix} right] + 3 = left[ begin{matrix} 54 & 54  106 & 104  end{matrix} right]

import simpleflow as sfnn# Create a graphnwith sf.Graph().as_default():n w = sf.constant([[1, 2, 3], [3, 4, 5]], name=w)n x = sf.constant([[9, 8], [7, 6], [10, 11]], name=x)n b = sf.constant(1.0, b)n result = sf.matmul(w, x) + bnn # Create a session to computen with sf.Session() as sess:n print(sess.run(result))n

輸出值:

array([[ 54., 54.],n [ 106., 104.]])n

總結

本文使用Python實現了計算圖以及計算圖的前向傳播,並模仿TensorFlow的介面創建了Session以及Graph對象。下篇中將繼續總結計算圖節點計算梯度的方法以及反向傳播和梯度下降優化器的實現。

最後再附上simpleflow項目的鏈接, 歡迎相互學習和交流:

PytLab/simpleflowgithub.com圖標

參考

  • Deep Learning From Scratch
  • en.wikipedia.org/wiki/T
  • zhuanlan.zhihu.com/p/25
  • http://blog.csdn.net/magic_anthony/article/details/77531552

推薦閱讀:

走進谷歌大腦建立者的思維:生活、創新和失敗
《淺析感知機(三)--收斂性證明與對偶形式以及python代碼講解》
二、機器學習面試之有必要手推SVM嗎?
收拾心情,」整裝」出發——新手第一步(可省略哈哈哈)

TAG:机器学习 | 深度学习DeepLearning | Python |