社区微信群开通啦,扫一扫抢先加入社区官方微信群
社区微信群
原文:https://pgaleone.eu/tensorflow/go/2017/05/29/understanding-tensorflow-using-go/
Tensorflow 并不是一个严格意义上的机器学习库,它是一个使用图来表示计算的通用计算库。它的核心功能由 C++ 实现,通过封装,能在各种不同的语言下运行。它的 Golang 版和 Python 版不同,Golang 版 Tensorflow 不仅能让你通过 Go 语言使用 Tensorflow,还能让你理解 Tensorflow 的底层实现。
根据官方说明,Tensorflow 的开发者发布了以下内容:
注:个人觉得 binding 不应该翻译为封装,面向对象常说的封装的英文是 Encapsulation。因此在这里选择直译绑定。
作为一名 Gopher 而非一名 java 爱好者,我对 Go 封装给予了极大的关注,希望了解其适用于何种任务。
图为 Gopher(由 Takuya Ueda @tenntenn 创建,遵循 CC 3.0 协议)与 Tensorflow 的 Logo 结合在一起。
TensorFlow 提供了用于 Go 程序的 API。这些 API 特别适合于加载用 Python 创建的模型并在 Go 应用程序中执行它们。
如果我们对训练机器学习模型没兴趣,完全没有问题。但是,如果你打算自己训练模型,请看下面给的建议:
作为一名 Gopher,请让 Go 保持简洁!使用 Python 去定义、训练模型,在这之后你随时都可以用 Go 来加载训练好的模型!
简而言之,Go 版 tensorflow 可以导入与定义常数图(constant graph)。这个常数图指的是在图中没有训练过程,也没有需要训练的变量。
让我们用 Golang 深入研究 Tensorflow 吧!首先创建我们的第一个应用。
我建议读者在阅读下面的内容前,先准备好 Go 环境,以及编译、安装好 Tensorflow Go 版(编译、安装过程参考 README.md)。
注:之前的博文中有详细的安装过程,仅供参考。
先回顾一下什么是 Tensorflow 吧!(这是我个人的理解,和官网的有所不同)
TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor)。
我们可以把 Tensorflow 看做一种类似于 SQL 的描述性语言,首先你得确定你需要什么数据,它会通过底层引擎(数据库)分析你的查询语句,检查你的句法错误和语法错误,将查询语句转换为私有语言表达式,进行优化之后运算得出计算结果。这样,它能保证将正确的结果传达给你。
因此,我们无论使用什么 API 实质上都是在描述一个图。我们将它放在 Session
中作为求值的起点,这样做确定了这个图将会在这个 Session
中运行。
了解这一点,我们可以试着定义一个计算操作的图,并将其放在一个 Session
中进行求值。
API 文档 中明确告知了 tensorflow
(简称 tf
)包与 op
包中的可用方法列表。
正如我们所看到的,这两个包有定义和计算图形所需的所有内容。
tf
包中包含了各种构建基础结构的函数,例如 Graph
(图)。op
包是最重要的包,它包含了由 C++ 实现自动生成的绑定等功能。
现在,假设我们要计算 A 与 x 的矩阵乘法:
A=(1−12−2),x=(10100)
我想读者已经熟悉了 tensorflow 图的定义思想,并且知道 placeholder 以及其是如何工作的。
下面的代码是 Tensorflow Python 绑定用户的第一次尝试。让我们把这个文件称为attempt1.go。
package main
import (
"fmt"
"github.com/tensorflow/tensorflow/tensorflow/go/op"
tf "github.com/tensorflow/tensorflow/tensorflow/go"
)
func main() {
// 第一步:创建图
// 首先我们需要在 Runtime 定义两个 placeholder 进行占位
// 第一个 placeholder A 将会被一个 [2, 2] 的 interger 类型张量代替
// 第二个 placeholder x 将会被一个 [2, 1] 的 interger 类型张量代替
// 接下来我们要计算 Y = Ax
// 创建图的第一个节点:让这个空节点作为图的根
root := op.NewScope()
// 定义两个 placeholder
A := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 2)))
x := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 1)))
// 定义接受 A 与 x 输入的 op 节点
product := op.MatMul(root, A, x)
// 每次我们传递一个域给一个操作的时候,
// 我们都要将操作放在在这个域下。
// 如你所见,现在我们已经有了一个空作用域(由 newScope)创建。这个空作用域
// 是我们图的根,我们可以用“/”表示它。
// 现在让 tensorflow 按照我们的定义建立图吧。
// 依据我们定义的 scope 与 op 结合起来的抽象图,程序会创建相应的常数图。
graph, err := root.Finalize()
if err != nil {
// 如果我们错误地定义了图,我们必须手动修正相关定义,
// 任何尝试自动处理错误的方法都是无用的。
// 就像 SQL 查询一样,如果查询不是有效的语法,我们只能重写它。
panic(err.Error())
}
// 如果到这一步,说明我们的图语法上是正确的。
// 现在我们可以将它放在一个 Session 中并执行它了!
var sess *tf.Session
sess, err = tf.NewSession(graph, &tf.SessionOptions{})
if err != nil {
panic(err.Error())
}
// 为了使用 placeholder,我们需要创建传入网络的值的张量
var matrix, column *tf.Tensor
// A = [ [1, 2], [-1, -2] ]
if matrix, err = tf.NewTensor([2][2]int64{ {1, 2}, {-1, -2} }); err != nil {
panic(err.Error())
}
// x = [ [10], [100] ]
if column, err = tf.NewTensor([2][1]int64{ {10}, {100} }); err != nil {
panic(err.Error())
}
var results []*tf.Tensor
if results, err = sess.Run(map[tf.Output]*tf.Tensor{
A: matrix,
x: column,
}, []tf.Output{product}, nil); err != nil {
panic(err.Error())
}
for _, result := range results {
fmt.Println(result.Value().([][]int64))
}
}
上面的代码有完整的注释,建议读者阅读上面的每一条注释。
现在, Tensorflow Python 的用户感觉非常棒,认为他的代码能够成功编译与运行。可以验证一下:
go run attempt1.go
然后可以看到下面的运行结果:
panic: failed to add operation "Placeholder": Duplicate node name in graph: 'Placeholder' (Stacktrace: goroutine 1 [running]:
runtime/debug.Stack(0x24, 0x4e4a728, 0x404c160)
等等,为什么会这样呢?问题很明显。上面代码里出现了 2 个重名的 “Placeholder” 操作。
每次在我们调用方法定义一个操作的时候,不管他是否在之前被调用过,Python API 都会生成不同的节点。
所以,下面的代码没有任何问题,会返回 3。
import tensorflow as tf
a = tf.placeholder(tf.int32, shape=())
b = tf.placeholder(tf.int32, shape=())
add = tf.add(a,b)
sess = tf.InteractiveSession()
print(sess.run(add, feed_dict={a: 1,b: 2}))
我们可以验证一下上述程序创建了两个不同的 placeholder 节点:print(a.name, b.name)
,而且打印出了 Placeholder:0 Placeholder_1:0
。显然,a placeholder
是 Placeholder:0
,而 b placeholder
是 Placeholder_1:0
。
但是在 Go 中,上面的程序会报错,因为 A
与 x
都叫做 Placeholder
。我们可以由此得出结论:
每次我们调用定义操作的函数时,Go API 并不会自动生成新的名称。因此,它的操作名是固定的,我们没法修改。
提问时间:
为了弄清楚第二个答案,让我们解决重复节点名称的问题。
正如我们所见,Python API 在定义操作时会自动创建新的名称。如果研究底层会发现,Python API 调用了 C++ Scope 类中的 WithOpName 方法。
下面是该方法的文档及特性,参考 scope.h:
/// Return a new scope. All ops created within the returned scope will have
/// names of the form <name>/<op_name>[_<suffix].
Scope WithOpName(const string& op_name) const;
我们可以注意到,这个方法会返回一个作用域 Scope
来对节点进行命名,因此一个节点名实际上就是一个作用域 Scope
。
Scope
就是从根 /
(空图)到 op_name
的完整路径。
为了避免在相同作用域下有重复的节点,WithOpName
方法会在我们尝试添加一个有着相同的 /
到 op_name
路径的节点时,为其加上一个后缀 _<suffix>
(<suffix>
是一个计数器)。
了解了这一点,为了解决重复节点名的问题,我们希望在 type Scope
中找到 WithOpName
方法。遗憾的是,目前 Go tf API 中还没有这种方法。
当查看 type Scope 的文档,我们可以看到返回新 Scope
的惟一方法是 SubScope(namespace string)
。
引用的文档中的内容:
SubScope 会返回一个 Scope ,该 Scope 将会使添加到图中的所有操作使用“namespace”这个命名空间。如果这个命名空间与范围内的现有命名空间冲突,则添加后缀。
这种加后缀的冲突处理和 C++ 中的 WithOpName
方法不同,C++ 中的 WithOpName
是在操作名后面加suffix
,它们都在同样的作用域内(例如 Placeholder
变成 Placeholder_1
),而 Go 的 SubScope
是在作用域名称后面加 suffix
。
这种不同会致使生成完全不同的图,尽管不同(节点被放置在不同的 Scope),但是从计算上来说,它们是等价的。
尝试修改 placeholder
的定义,让它们定义两个不同的节点,然后打印 Scope
名称。
创建 attempt2.go 文件,将下面几行:
A := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 2)))
x := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 1)))
改为如下代码:
// 在根定义域下定义两个自定义域,命名为 input。这样
// 我们就能在根定义域下拥有 input/ 和 input_1/ 两个定义域了。
A := op.Placeholder(root.SubScope("input"), tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 2)))
x := op.Placeholder(root.SubScope("input"), tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 1)))
fmt.Println(A.Op.Name(), x.Op.Name())
编译、运行: go run attempt2.go
,输出结果:
input/Placeholder input_1/Placeholder
提问时间:
节点完全由其定义所在的 Scope 标识。这个 Scope 是我们从图的根节点追溯到指定节点的一条路径。有两种方法来定义执行同一种操作的节点:1、将其定义放在不同的作用域中(Go 风格)2、改变操作名称(我们在 C++ 中可以这么做,Python 版会自动这么做)
至此解决了节点命名重复的问题,但是现在控制台中出现了一个新的问题,如下所示:
panic: failed to add operation "MatMul": Value for attr 'T' of int64 is not in the list of allowed values: bfloat16, half, float, double, int32, complex64, complex128
; NodeDef: {{node MatMul}} = MatMul[T=DT_INT64, transpose_a=false, transpose_b=false](input/Placeholder, input_1/Placeholder); Op<name=MatMul; signature=a:T, b:T -> product:T; attr=transpose_a:bool,default=false; attr=transpose_b:bool,default=false; attr=T:type,allowed=[DT_BFLOAT16, DT_HALF, DT_FLOAT, DT_DOUBLE, DT_INT32, DT_COMPLEX64, DT_COMPLEX128]> (Stacktrace: goroutine 1 [running]:
runtime/debug.Stack(0xc42000c0f0, 0x40636bf, 0x4)
为什么 MatMul
节点的定义出错了?我们要做的仅仅是计算两个 tf.int64
矩阵的乘积而已!看问题描述似乎是 MatMul
不能接受 int64
的类型。
Value for attr ‘T’ of int64 is not in the list of allowed values: bfloat16, half, float, double, int32, complex64, complex128;
上面这个列表是什么?为什么能计算 2 个 int32
矩阵的乘积却不能计算 int64
的乘积?
下面将解决这个问题。
深入研究一下 源代码 来看 C++ 是如何定义 MatMul
操作的:
REGISTER_OP("MatMul")
.Input("a: T")
.Input("b: T")
.Output("product: T")
.Attr("transpose_a: bool = false")
.Attr("transpose_b: bool = false")
.Attr("T: {half, float, double, int32, complex64, complex128}")
.SetShapeFn(shape_inference::MatMulShape)
.Doc(R"doc(
Multiply the matrix "a" by the matrix "b".
The inputs must be two-dimensional matrices and the inner dimension of
"a" (after being transposed if transpose_a is true) must match the
outer dimension of "b" (after being transposed if transposed_b is
true).
*Note*: The default kernel implementation for MatMul on GPUs uses
cublas.
transpose_a: If true, "a" is transposed before multiplication.
transpose_b: If true, "b" is transposed before multiplication.
上述几行代码为 MatMul
的操作定义了一个接口,由 REGISTER_OP
宏对此操作做出了如下描述:
MatMul
a
,b
transpose_a
, transpose_b
T
支持的类型: half
, float
, double
, int32
, complex64
, complex128
这个宏没有包含任何 C++ 代码,但是它告诉了我们当在定义一个操作的时候,即使它使用模版定义,我们也需要指定特定类型 T
支持的类型(或属性)列表。
实际上,属性 .Attr("T: {half, float, double, int32, complex64, complex128}")
将 T
的类型限制在了这个类型列表中。
tensorflow 教程 中有提到,当使用模版 T
时,我们需要对所有支持的重载运算在内核中进行注册。内核会使用 CUDA 的方式引用 C/C++ 函数,进行并发执行。
或许 MatMul
的作者可能是出于以下的两个原因,才使支持的类型把 int64
排除在外的:
int64
操作的设备,可能内核的这种特定实现并不足以在所有受支持的硬件上运行。回到我们的问题中,已经很清楚如何解决问题了。我们需要将 MatMul
支持类型的参数传给它。
因此,我们需要创建 attempt3.go 文件,将所有 int64
的地方都改成 int32
。
需要注意:Go 封装版 tf 有自己的一套类型,基本与 Go 本身的类型 1:1 相映射。当我们要将值传入图中时,我们必须遵循这种映射关系(例如定义 tf.Int32
类型的 placeholder 时要传入 int32
)。从图中取值同理。
*tf.Tensor
类型将会返回一个张量 evaluation,它包含一个 Value()
方法,此方法将返回一个必须转换为正确类型的 interface{}
(这是从图的结构了解到的)。
运行 go run attempt3.go
,得到如下结果:
input/Placeholder input_1/Placeholder
完全正确!
下面是 attempt3.go 文件的完整代码,你可以编译并运行它。(还请记住,这是一个Gist,如果您看到一些可以改进的地方,您可以提供一些帮助)。
package main
import (
"fmt"
"github.com/tensorflow/tensorflow/tensorflow/go/op"
tf "github.com/tensorflow/tensorflow/tensorflow/go"
)
func main() {
// 第一步:创建图
// 首先我们需要在 Runtime 定义两个 placeholder 进行占位
// 第一个 placeholder A 将会被一个 [2, 2] 的 interger 类型张量代替
// 第二个 placeholder x 将会被一个 [2, 1] 的 interger 类型张量代替
// 接下来我们要计算 Y = Ax
// 创建图的第一个节点:让这个空节点作为图的根
root := op.NewScope()
// 在根定义域下定义两个自定义域,命名为 input。这样
// 我们就能在根定义域下拥有 input/ 和 input_1/ 两个定义域了。
A := op.Placeholder(root.SubScope("input"), tf.Int32, op.PlaceholderShape(tf.MakeShape(2, 2)))
x := op.Placeholder(root.SubScope("input"), tf.Int32, op.PlaceholderShape(tf.MakeShape(2, 1)))
fmt.Println(A.Op.Name(), x.Op.Name())
// 定义接受 A 与 x 输入的 op 节点
product := op.MatMul(root, A, x)
// 每次我们传递一个域给一个操作的时候,
// 我们都要将操作放在在这个域下。
// 如你所见,现在我们已经有了一个空作用域(由 newScope)创建。这个空作用域
// 是我们图的根,我们可以用“/”表示它。
// 现在让 tensorflow 按照我们的定义建立图吧。
// 依据我们定义的 scope 与 op 结合起来的抽象图,程序会创建相应的常数图。
graph, err := root.Finalize()
if err != nil {
// 如果我们错误地定义了图,我们必须手动修正相关定义,
// 任何尝试自动处理错误的方法都是无用的。
// 就像 SQL 查询一样,如果查询不是有效的语法,我们只能重写它。
panic(err.Error())
}
// 如果到这一步,说明我们的图语法上是正确的。
// 现在我们可以将它放在一个 Session 中并执行它了!
var sess *tf.Session
sess, err = tf.NewSession(graph, &tf.SessionOptions{})
if err != nil {
panic(err.Error())
}
// 为了使用 placeholder,我们需要创建传入网络的值的张量
var matrix, column *tf.Tensor
// A = [ [1, 2], [-1, -2] ]
if matrix, err = tf.NewTensor([2][2]int32{ {1, 2}, {-1, -2} }); err != nil {
panic(err.Error())
}
// x = [ [10], [100] ]
if column, err = tf.NewTensor([2][1]int32{ {10}, {100} }); err != nil {
panic(err.Error())
}
var results []*tf.Tensor
if results, err = sess.Run(map[tf.Output]*tf.Tensor{
A: matrix,
x: column,
}, []tf.Output{product}, nil); err != nil {
panic(err.Error())
}
for _, result := range results {
fmt.Println(result.Value().([][]int32))
}
}
提问时间:
关于 Tensorflow 的架构我们学到了什么?每个操作都有自己的一组关联内核。Tensorflow 是一种强类型的描述性语言,它不仅遵循 C++ 类型规则,同时要求在 op 注册时需定义好类型才能实现其功能。
使用 Go 来定义与处理一个图(graph)可以让我们能够更好地理解 Tensorflow 的底层结构。通过不断地试错,最终解决了这个看似简单的问题,一步一步地掌握了图(graph)、节点(node)以及类型系统(the typing system)的知识。
由于个人理解的不同,虽参考了现有的译文,但还是针对一些点使用了自己的翻译,不足之处,还望谅解!
如果觉得我的文章对您有用,请随意打赏。你的支持将鼓励我继续创作!