[Lecture 8 ] Deep Learning Software（深度学习软件）

文章目录

课堂问答
前言
1. TensorFlow（静态图）
2. Pytorch（动态计算图）
3. 动态图和静态图
4. Caffe/Caffe2
建议和总结

课堂问答

前言

现在深度学习框架发展的太快了（文中的有些代码已经发生了些许变化），本文主要记录课中讲的关于 Pytorch、Caffe 和 TensorFlow 的内。重点是Pytorch。

在之前的理论课上，我们知道，要完成神经网络的训练，我们最好是画出网络的计算图，然后理清其前向传播和反向传播过程。同时，要考虑底层实现的优化，比如数据的并行加载、网络的并行训练、GPU并行计算等。而神经网络框架让这些工作变得简单了很多：

而现在框架实现的一个基本目标就是：像Numpy一样的编写前向传播，并能够通过 计算图 自动计算梯度进行反向传播。例如下面这个例子：

1. TensorFlow（静态图）

主要过程分为下面几个部分：

定义前向传播的计算图（此时没有计算）；
运行计算图的实例获得损失和梯度；
利用梯度进行更新，并重复该过程。

然后添加训练代码：

但是，上述操作有一个问题，即我们每次需要从CPU传输训练数据和权重到GPU，一次迭代之后，我们还要把梯度和损失传回来更新参数，而权重和数据都很大的情况下，上述操作非常费时。
所以，我们可以添加权重为计算图的内部变量，它在计算的整个周期都存在，而且不用传来传去，同时添加参数更新操作进计算图。

但是，上述操作依然存在问题：即我们的损失计算在权重更新之前，而我们最后只返回损失。此时，TensorFlow会智能地只执行到我们需要的位置，而造成权重没有更新。
一个解决方案是显示的返回新的权重，但是这些权重往往都是很大的张量（tensor），这样会造成大数据在CPU和GPU之间移动。一个小技巧是：我们在计算图中添加一些假结点(Dummy node)，这些结点操作在我们的权重上，但是不会返回一个很大的数据，最后只要我们同时计算损失和这个假结点就行。

当然，我们还可以调用TensorFlow里面的 优化器Optimizer 来帮我们自动执行上述操作。

当然，TensorFlow也定义了很多高级的API封装了很多网络层和损失函数。而且还有一个高等级的API——Keras，其后端基于TensorFlow并封装了很多操作。

可视化
TF中有个工具叫TensorBoard，支持我们可视化训练过程和网络结构。

2. Pytorch（动态计算图）

Pytorch不同于TensorFlow，其使用的是动态计算图。而且内部定义了三层抽象：

之所以称为动态图，因为其不用像TF那样先显示定义好计算图，再输入训练数据训练。而是，再进行计算的时候动态建立一个计算图。
例如，我们使用Pytorch定义一个两层神经网络来训练：

自动求导（Autograd）

其中：

A PyTorch Variable is a node in a computational graph
x.data is a Tensor
x.grad is a Variable of gradients (same shape as x.data)
x.grad.data is a Tensor of gradients

当然，我们也能自己定义自己的反向传播函数，相当于计算图中的一个 Gate，只需要完成前向和反向传播即可。然后PyTorch就能自动求导。

高级封装 nn
类似于Keras对TF的封装，Pytorch中也有高级的API，即nn模块，其定义了很多我们常用的网络层和函数。

优化器 Optimizer

定义自己的网络层
当然我们也可以通过继承nn.Module来定义自己的网络结构，使之就像nn给我们提供的API一样。

数据加载器（DataLoader）

当然，Pytorch中也还有一个比较好用的接口——数据加载器。它允许我们并行的加载数据，只要我们先定义自己的数据类（DataSet）.

预训练模型
在 torchvision中包含了很多计算机视觉中常用的网络结构和预训练模型。

可视化

类似于TF的TensorBoard，Pytorch中也有一个可视化工具 Vidom，但是还支持计算图的可视化。

3. 动态图和静态图

之前讲了TF是基于静态图的，其需要先显示声明我们的计算图；而Pytorch是基于静态图的，其边计算边构造图。

相比较而言，静态图由于事先知道我们的图结构，所以可以做一些优化：
还有一个优势是：静态图一旦定义，很少更改，所以我们可以将其序列化并讲其存在磁盘中。
之后就可以直接加载复用，而不用再翻看之前的代码。（即发布的时候，我们只需要计算图就行，不用训练代码）
而动态图，则在很多场景下看起来比较简洁，因为没有繁琐的定义计算图的步骤。而且Pytorch更加的Pythonic。同时，对于网络中的控制流，也像写Python和Numpy一样。但是，如果要在TF中添加控制流，则需要借助TF的一些API，添加到我们的静态图中。

4. Caffe/Caffe2

不同于之前的框架，Caffe底层是用C++写的，在产品部署中比较好。

而且很少写代码，都是编辑配置文件：

建议和总结