前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >只知道TF和PyTorch还不够,快来看看怎么从PyTorch转向自动微分神器JAX

只知道TF和PyTorch还不够,快来看看怎么从PyTorch转向自动微分神器JAX

作者头像
机器之心
发布2020-05-19 10:14:23
1.4K0
发布2020-05-19 10:14:23
举报
文章被收录于专栏:机器之心机器之心

选自sjmielke.com

机器之心编译

机器之心编辑部

说到当前的深度学习框架,我们往往绕不开 TensorFlow 和 PyTorch。但除了这两个框架,一些新生力量也不容小觑,其中之一便是 JAX。它具有正向和反向自动微分功能,非常擅长计算高阶导数。这一崭露头角的框架究竟有多好用?怎样用它来展示神经网络内部复杂的梯度更新和反向传播?本文是一个教程贴,教你理解 Jax 的底层逻辑,让你更轻松地从 PyTorch 等进行迁移。

Jax 是谷歌开发的一个 Python 库,用于机器学习和数学计算。一经推出,Jax 便将其定义为一个 Python+NumPy 的程序包。它有着可以进行微分、向量化,在 TPU 和 GPU 上采用 JIT 语言等特性。简而言之,这就是 GPU 版本的 numpy,还可以进行自动微分。甚至一些研究者,如 Skye Wanderman-Milne,在去年的 NeurlPS 2019 大会上就介绍了 Jax。

但是,要让开发者从已经很熟悉的 PyTorch 或 TensorFlow 2.X 转移到 Jax 上,无疑是一个很大的改变:这两者在构建计算和反向传播的方式上有着本质的不同。PyTorch 构建一个计算图,并计算前向和反向传播过程。结果节点上的梯度是由中间节点的梯度累计而成的。

Jax 则不同,它让你用 Python 函数来表达计算过程,并用 grad( ) 将其转换为一个梯度函数,从而让你能够进行评价。但是它并不给出结果,而是给出结果的梯度。两者的对比如下所示:

这样一来,你进行编程和构建模型的方式就不一样了。所以你可以使用 tape-based 的自动微分方法,并使用有状态的对象。但是 Jax 可能让你感到很吃惊,因为运行 grad() 函数的时候,它让微分过程如同函数一样。

也许你已经决定看看如 flax、trax 或 haiku 这些基于 Jax 的工具。在看 ResNet 等例子时,你会发现它和其他框架中的代码不一样。除了定义层、运行训练外,底层的逻辑是什么样的?这些小小的 numpy 程序是如何训练了一个巨大的架构?

本文便是介绍 Jax 构建模型的教程,机器之心节选了其中的两个部分:

1. 快速回顾 PyTorch 上的 LSTM-LM 应用;

2. 看看 PyTorch 风格的代码(基于 mutate 状态),并了解纯函数是如何构建模型的(Jax);

更多内容可以参考原文。

PyTorch 上的 LSTM 语言模型

我们首先用 PyTorch 实现 LSTM 语言模型,如下为代码:

代码语言:javascript
复制
import torch
class LSTMCell(torch.nn.Module): 
    def __init__(self, in_dim, out_dim): 
        super(LSTMCell, self).__init__() 
        self.weight_ih = torch.nn.Parameter(torch.rand(4*out_dim, in_dim)) 
        self.weight_hh = torch.nn.Parameter(torch.rand(4*out_dim, out_dim)) 
        self.bias = torch.nn.Parameter(torch.zeros(4*out_dim,))  

    def forward(self, inputs, h, c): 
        ifgo = self.weight_ih @ inputs + self.weight_hh @ h + self.bias 
        i, f, g, o = torch.chunk(ifgo, 4) 
        i = torch.sigmoid(i) 
        f = torch.sigmoid(f) 
        g = torch.tanh(g) 
        o = torch.sigmoid(o) 
        new_c = f * c + i * g 
        new_h = o * torch.tanh(new_c) 
        return (new_h, new_c)

然后,我们基于这个 LSTM 神经元构建一个单层的网络。这里会有一个嵌入层,它和可学习的 (h,c)0 会展示单个参数如何改变。

代码语言:javascript
复制
class LSTMLM(torch.nn.Module): 
    def __init__(self, vocab_size, dim=17): 
        super().__init__() 
        self.cell = LSTMCell(dim, dim) 
        self.embeddings = torch.nn.Parameter(torch.rand(vocab_size, dim)) 
        self.c_0 = torch.nn.Parameter(torch.zeros(dim))

    @property 
    def hc_0(self): 
        return (torch.tanh(self.c_0), self.c_0)

    def forward(self, seq, hc): 
         loss = torch.tensor(0.) 
          for idx in seq: 
              loss -= torch.log_softmax(self.embeddings @ hc[0], dim=-1)[idx] 
              hc = self.cell(self.embeddings[idx,:], *hc) 
          return loss, hc  

    def greedy_argmax(self, hc, length=6): 
        with torch.no_grad(): 
            idxs = [] 
            for i in range(length): 
                idx = torch.argmax(self.embeddings @ hc[0]) 
                idxs.append(idx.item()) 
                hc = self.cell(self.embeddings[idx,:], *hc) 
        return idxs

构建后,进行训练:

代码语言:javascript
复制
torch.manual_seed(0)
# As training data, we will have indices of words/wordpieces/characters,
# we just assume they are tokenized and integerized (toy example obviously).
import jax.numpy as jnp
vocab_size = 43 # prime trick! :)
training_data = jnp.array([4, 8, 15, 16, 23, 42])

lm = LSTMLM(vocab_size=vocab_size)
print("Sample before:", lm.greedy_argmax(lm.hc_0))

bptt_length = 3 # to illustrate hc.detach-ing

for epoch in range(101): 
    hc = lm.hc_0 
    totalloss = 0. 
    for start in range(0, len(training_data), bptt_length): 
        batch = training_data[start:start+bptt_length] 
        loss, (h, c) = lm(batch, hc) 
        hc = (h.detach(), c.detach()) 
        if epoch % 50 == 0: 
            totalloss += loss.item() 
        loss.backward() 
        for name, param in lm.named_parameters(): 
            if param.grad is not None: 
                param.data -= 0.1 * param.grad 
                del param.grad 
     if totalloss: 
         print("Loss:", totalloss)
         
print("Sample after:", lm.greedy_argmax(lm.hc_0))
Sample before: [42, 34, 34, 34, 34, 34]
Loss: 25.953862190246582
Loss: 3.7642268538475037
Loss: 1.9537211656570435
Sample after: [4, 8, 15, 16, 23, 42]

可以看到,PyTorch 的代码已经比较清楚了,但是还是有些问题。尽管我非常注意,但是还是要关注计算图中的节点数量。那些中间节点需要在正确的时间被清除。

纯函数

为了理解 JAX 如何处理这一问题,我们首先需要理解纯函数的概念。如果你之前做过函数式编程,那你可能对以下概念比较熟悉:纯函数就像数学中的函数或公式。它定义了如何从某些输入值获得输出值。重要的是,它没有「副作用」,即函数的任何部分都不会访问或改变任何全局状态。

我们在 Pytorch 中写代码时充满了中间变量或状态,而且这些状态经常会改变,这使得推理和优化工作变得非常棘手。因此,JAX 选择将程序员限制在纯函数的范围内,不让上述情况发生。

在深入了解 JAX 之前,可以先看几个纯函数的例子。纯函数必须满足以下条件:

  • 你在什么情况下执行函数、何时执行函数应该不影响输出——只要输入不变,输出也应该不变;
  • 无论我们将函数执行了 0 次、1 次还是多次,事后应该都是无法辨别的。

以下非纯函数都至少违背了上述条件中的一条:

代码语言:javascript
复制
import random
import time
nr_executions = 0

def pure_fn_1(x): 
    return 2 * x
    
def pure_fn_2(xs): 
    ys = [] 
    for x in xs: 
        # Mutating stateful variables *inside* the function is fine! 
        ys.append(2 * x) 
    return ys

def impure_fn_1(xs): 
    # Mutating arguments has lasting consequences outside the function! :( 
    xs.append(sum(xs)) 
    return xs

def impure_fn_2(x): 
    # Very obviously mutating 
    global state is bad... global 
    nr_executions nr_executions += 1 
    return 2 * x

def impure_fn_3(x): 
    # ...but just accessing it is, too, because now the function depends on the 
    # execution context! 
    return nr_executions * x

def impure_fn_4(x): 
    # Things like IO are classic examples of impurity. 
    # All three of the following lines are violations of purity: 
    print("Hello!") 
    user_input = input() 
    execution_time = time.time() 
    return 2 * x

def impure_fn_5(x): 
    # Which constraint does this violate? Both, actually! You access the current 
    # state of randomness *and* advance the number generator! 
    p = random.random() 
    return p * x
Let's see a pure function that JAX operates on: the example from the intro figure.

# (almost) 1-D linear regression
def f(w, x): 
    return w * x

print(f(13., 42.))
546.0

目前为止还没有出现什么状况。JAX 现在允许你将下列函数转换为另一个函数,不是返回结果,而是返回函数结果针对函数第一个参数的梯度。

代码语言:javascript
复制
import jax
import jax.numpy as jnp

# Gradient: with respect to weights! JAX uses the first argument by default.
df_dw = jax.grad(f)

def manual_df_dw(w, x): 
    return x
    
assert df_dw(13., 42.) == manual_df_dw(13., 42.)

print(df_dw(13., 42.))
42.0

到目前为止,前面的所有内容你大概都在 JAX 的 README 文档见过,内容也很合理。但怎么跳转到类似 PyTorch 代码里的那种大模块呢?

首先,我们来添加一个偏置项,并尝试将一维线性回归变量包装成一个我们习惯使用的对象——一种线性回归「层」(LinearRegressor「layer」):

代码语言:javascript
复制
class LinearRegressor(): 
    def __init__(self, w, b): 
    self.w = w 
    self.b = b 
    
    def predict(self, x): 
        return self.w * x + self.b 
        
    def rms(self, xs: jnp.ndarray, ys: jnp.ndarray): 
        return jnp.sqrt(jnp.sum(jnp.square(self.w * xs + self.b - ys)))
        
my_regressor = LinearRegressor(13., 0.)

# A kind of loss fuction, used for training
xs = jnp.array([42.0])
ys = jnp.array([500.0])
print(my_regressor.rms(xs, ys))

# Prediction for test data
print(my_regressor.predict(42.))
46.0
546.0

接下来要怎么利用梯度进行训练呢?我们需要一个纯函数,它将我们的模型权重作为函数的输入参数,可能会像这样:

代码语言:javascript
复制
def loss_fn(w, b, xs, ys): 
    my_regressor = LinearRegressor(w, b) 
    return my_regressor.rms(xs=xs, ys=ys)
    
# We use argnums=(0, 1) to tell JAX to give us
# gradients wrt first and second parameter.
grad_fn = jax.grad(loss_fn, argnums=(0, 1))

print(loss_fn(13., 0., xs, ys))
print(grad_fn(13., 0., xs, ys))
46.0
(DeviceArray(42., dtype=float32), DeviceArray(1., dtype=float32))

你要说服自己这是对的。现在,这是可行的,但显然,在 loss_fn 的定义部分枚举所有参数是不可行的。

幸运的是,JAX 不仅可以对标量、向量、矩阵进行微分,还能对许多类似树的数据结构进行微分。这种结构被称为 pytree,包括 python dicts:

代码语言:javascript
复制
def loss_fn(params, xs, ys): 
    my_regressor = LinearRegressor(params['w'], params['b']) 
    return my_regressor.rms(xs=xs, ys=ys)

grad_fn = jax.grad(loss_fn)

print(loss_fn({'w': 13., 'b': 0.}, xs, ys))
print(grad_fn({'w': 13., 'b': 0.}, xs, ys))
46.0
{'b': DeviceArray(1., dtype=float32), 'w': DeviceArray(42., dtype=float32)}So this already looks nicer! We could write a training loop like this:

现在看起来好多了!我们可以写一个下面这样的训练循环:

代码语言:javascript
复制
params = {'w': 13., 'b': 0.}

for _ in range(15): 
    print(loss_fn(params, xs, ys)) 
    grads = grad_fn(params, xs, ys) 
    for name in params.keys(): 
        params[name] -= 0.002 * grads[name]
        
# Now, predict:
LinearRegressor(params['w'], params['b']).predict(42.)
46.0
42.47003
38.940002
35.410034
31.880066
28.350098
24.820068
21.2901
17.760132
14.230164
10.700165
7.170166
3.6401978
0.110198975
3.4197998
DeviceArray(500.1102, dtype=float32)

注意,现在已经可以使用更多的 JAX helper 来进行自我更新:由于参数和梯度拥有共同的(类似树的)结构,我们可以想象将它们置于顶端,创造一个新树,其值在任何地方都是这两个树的「组合」,如下所示:

代码语言:javascript
复制
def update_combiner(param, grad, lr=0.002): 
    return param - lr * grad
    
params = jax.tree_multimap(update_combiner, params, grads)
# instead of:
# for name in params.keys():
# params[name] -= 0.1 * grads[name]

参考链接:https://sjmielke.com/jax-purify.htm

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2020-05-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 机器之心 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档