点击上方“视学算法”,选择加"星标"或“置顶”
重磅干货,第一时间送达
本文转载自:机器之心
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:
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。
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:
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:
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。
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」):
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:
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:
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:
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:
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
欢迎给我"在看"!