您的位置: 主页 > 人工智能学家 > TensorFlow和PyTorch相继发布最新版本,有什么变化?

TensorFlow和PyTorch相继发布最新版本,有什么变化?

时间: 2017-08-08阅读:

原文来源:机器人圈

概要:打破对tf.contrib.data.Dataset API期望有一个嵌套结构的更改。列表现在被隐式转换为tf.Tensor。你可能需要在现有代码中将列表的用法更改为元组。此外,现在还支持程序具有嵌套结构。


Tensorflow


主要特征和改进


•在Tensorflow库中添加封装评估量。所添加的评估量列表如下:


1. 深度神经网络分类器(DNN Classifier)


2. 深度神经网络回归量(DNN Regressor)


3. 线性分类器(Linear Classifier)


4. 线性回归量(Linea rRegressor)


5. 深度神经网络线性组合分类器(DNN Linear Combined Classifier)


6. 深度神经网络线性组合回归量(DNN Linear Combined Regressor)


•我们所有预构建的二进制文件都是用cuDNN 6构建的。


•import tensorflow现在运行要快得多。


•将文件缓存添加到GCS文件系统中,其中文件内容具有可配置的最大失效期(configurable max staleness)。这允许跨关闭/开放边界缓存文件内容。


•将轴参数(axis parameter)添加到tf.gather中。


•向tf.pad中添加一个constant_values关键字参数。


•添加Dataset.interleave转换。


•添加ConcatenateDataset以连接两个数据集。


•在TensorFlow中为Poets训练脚本添加Mobilenet 的支持。


•将块缓存添加到具有可配置块大小和计数的GCS文件系统中。


•添加SinhArcSinh Bijector。


•添加Dataset.list_files API。


•为云TPU引进新的操作和Python绑定。


•添加与tensorflow-android相对称的TensorFlow-iOS CocoaPod。


•引入集群解析器(Cluster Resolver)的基本实现。


•统一TensorShape和PartialTensorShape的内存表示。因此,张量现在最多有254个维度,而不是255个。


•更改对LIBXSMM的引用版本,使用1.8.1版本。


•TensorFlow调试器(tfdbg):


1. 使用-s标志显示数字张量值的概要,用命令print_tensor或pt。


2. 使用curses UI中的print_feed或pf命令和可点击链接显示Feed值。


3. op级别和Python源代码行级别的运行分析器(Runtime profiler)使用run -p命令。


•统计分布库tf.distributions的初始版本。


•一元tf.where和tf.nn.top_k的GPU内核和速度改进。


•将单调注意包装器(Monotonic Attention wrappers)添加到tf.contrib.seq2seq。


•添加tf.contrib.signal,一个用于信号处理原语的库。


•添加tf.contrib.resampler,它包含CPU和GPU操作,用于区分图像的重采样。


API的突破性更改


•当tf.RewriterConfig在1.2版本的候选版本中可用(它从来没有在实际版本中应用)后将其从Python API中删除,图重写(Graph rewriting)仍然可用,只是不像tf.RewriterConfig那样。而是添加显式导入。


•打破对tf.contrib.data.Dataset API期望有一个嵌套结构的更改。列表现在被隐式转换为tf.Tensor。你可能需要在现有代码中将列表的用法更改为元组。此外,现在还支持程序具有嵌套结构。


contrib API的更改


•添加tf.contrib.nn.rank_sampled_softmax_loss,这是一个可以提高秩损失(rank loss)的采样softmax变体。


•当他们看到小于或等于1个单位的权重时,tf.contrib.metrics {streaming_covariance,streaming_pearson_correlation}修改为返回nan。


•在contrib中添加时间序列模型。有关详细信息,请参阅contrib / timeseries / README.md。


•在tensorflow / contrib / lite / schema.fbs中添加FULLY_CONNECTED操作。


错误修正以及其他更改


•在python中使用int64 Tensor index进行切片时,修复strides和begin 类型失配问题。


•改进卷积padding文件。


•添加标签常量,gpu,以显示基于GPU支持的图形。


•saved_model.utils现在显然是支持SparseTensors的。


•非最大抑制(non-max suppression)更为有效的实现。


•除了对在线L2的支持之外,还增加了对从收缩型L2到FtrlOptimizer的支持。


•固定矩计算中的负方差。


•拓展UniqueOp基准测试,以涵盖更多的collision案例。


•提高Mac上GCS文件系统的稳定性。


•在HloCostAnalysis中添加时间评估。


•修复Estimator中的错误,即构造函数中的参数不是对用户提供参数的深度复制。这个错误无意中使得用户在创建Estimator之后突变参数,从而导致潜在的未定义的行为。


•在saver.restore中添加了无检查保存路径。


•在device_mgr中以旧名称注册设备,以便轻松转换到集群规范传播(cluster spec-propagated)的配置。


•将向量指数添加到分布中。


•添加一个具有bitwise_and,bitwise_or,bitwise_xor和invert函数的按位模块(bitwise module)。


•添加固定网格的ODE集成例程。


•允许将边界传递到scipy最优化接口。


•将fft_length参数修正为tf.spectral.rfft&tf.spectral.irfft。


•使用“预测”方法导出的模型签名将不再使其输入和输出密钥被静默地忽略,且被重写为“输入”和“输出”。如果一个模型在1.2版本之前以不同的名称导出,并且现在使用tensorflow / serving,它将接受使用'inputs'和'outputs'的请求。从1.2版本开始,这样的模型将接受导出时指定的密钥。因此,使用“输入”和“输出”的推理请求可能会开始有所失败。为了解决这个问题,请更新任何推理客户端,以发送具有训练器代码所使用的实际输入和输出密钥的请求,或者相反地,更新训练器代码以分别命名输入和输出张量为'inputs'和 'outputs'。使用“分类”和“回归”方法的签名不会受此更改的影响;它们将继续像以前一样规范其输入和输出键。


•将内存中的缓存添加到Dataset API中。


•将数据集迭代器中的默认end_of_sequence变量设置为false。


• [Performance]通过使用nn.bias_add将use_bias = True设置为2x,可以提高tf.layers.con2d的性能。


•更新iOS示例以使用CocoaPods,并移动到tensorflow / examples / ios中。


•在tf.summary操作中添加一个family =attribute,以允许控制Tensorboard中用于组织摘要的选项卡名称。


•当配置GPU时,如果在configure脚本中存在请求,则可根据请求自动构建GPU,而不需要--config = cuda。


•修复CPU / GPU多项式中小概率的不正确采样。


•在session上添加一个list_devices()API以列出集群中的设备。此外,此更改增加了设备列表中的主要API以支持指定session。


•允许使用过参数化的可分离卷积。


•TensorForest多重回归错误修复。


•框架现在支持armv7,cocoapods.org现在可显示正确的页面。


•为CocoaPods创建iOS框架的脚本。


•现在,TensorFlow的Android版本已经被推到了jcenter,以便更方便地集成到应用中。


•TensorFlow调试器(tfdbg):


1.修复了一个阻止tfdbg使用多GPU设置的错误。


2.修复了一个阻止tfdbg使用tf.Session.make_callable的错误。


Pytorch0.2.0


这里是PyTorch的下一个主要版本,恰恰赶上了国际机器学习大会(ICML)。


我们引入了期待已久的功能,如广播、高级索引、高阶梯度梯度,最后是分布式PyTorch。


由于引入了广播,某些可广播情况的代码行为与0.1.12中的行为不同。这可能会导致你现有代码中出现错误。我们在“重要破损和解决方法”部分中提供了轻松识别此模糊代码的方法。


目录:


•张量广播(numpy样式)


•张量和变量的高级索引


•高阶梯度


•分布式PyTorch(多节点训练等)


•神经网络层和特征:SpatialTransformers、WeightNorm、EmbeddingBag等


•torch 和 autograd的新应用:矩阵相乘、逆矩阵等


•更容易调试,更好的错误信息


•Bug修复


•重要的破损和解决方法


张量广播(numpy样式)


简而言之,如果PyTorch操作支持广播,则其张量参数可以自动扩展为相同大小(不复制数据)。


PyTorch广播语义密切跟随numpy式广播。如果你熟悉数字广播,可以按照之前流程执行。


一般语义学


如果以下规则成立,则两个张量是“可广播的”:


•每个张量具有至少一个维度。


•当从尺寸大小开始迭代时,从尾部维度开始,尺寸大小必须相等,其中一个为1,或其中一个不存在。


例如:

 


如果两个张量x、y是“可广播”的,则所得到的张量大小计算如下:


•如果x和y的维数不相等,则将尺寸缩小到尺寸较小的张量的前端,以使其长度相等。


•然后,对于每个维度大小,生成的维度大小是沿该维度的x和y的大小的最大值。


例如:


# can line up trailing dimensions to make reading easier

>>> x=torch.FloatTensor(5,1,4,1)

>>> y=torch.FloatTensor(  3,1,1)

>>> (x+y).size()

torch.Size([5, 3, 4, 1])


# error case

>>> x=torch.FloatTensor(5,2,4,1)

>>> y=torch.FloatTensor(  3,1,1)

>>> (x+y).size()

RuntimeError: The size of tensor a (2) must match the size of tensor b (3) at non-singleton dimension 1


更多细节可以在PyTorch文档网站上找到。此外,每个torch函数列出了其文档中的广播语义。


张量和变量的高级索引


PyTorch现在支持NumPy样式的高级索引的子集。这允许用户使用相同的[]-样式操作在Tensor的每个维度上选择任意索引,包括不相邻的索引和重复的索引。这使得索引策略更灵活,而不需要调用PyTorch的索引[Select, Add, ...]函数。


我们来看一些例子:


x = torch.Tensor(5, 5, 5)

纯整数组索引—在每个维度上指定任意索引


x[[1, 2], [3, 2], [1, 0]]
--> yields a 2-element Tensor (x[1][3][1], x[2][2][0])

也支持广播、副本


x[[2, 3, 2], [0], [1]]
--> yields a 3-element Tensor (x[2][0][1], x[3][0][1], x[2][0][1])

允许任意索引器形状


x[[[1, 0], [0, 1]], [0], [1]].shape
--> yields a 2x2 Tensor [[x[1][0][1], x[0][0][1]],                         [x[0][0][1], x[1][0][1]]]

可以使用冒号、省略号


x[[0, 3], :, :] x[[0, 3], ...]
--> both yield a 2x5x5 Tensor [x[0], x[3]]

也可以使用张量来索引!


y = torch.LongTensor([0, 2, 4]) x[y, :, :]
--> yields a 3x5x5 Tensor [x[0], x[2], x[4]]

如果选择小于ndim,请注意使用逗号


x[[1, 3], ]
--> yields a 2x5x5 Tensor [x[1], x[3]]

高阶梯度


现在你可以评估PyTorch中的高阶微分。例如,你可以计算Hessian-Vector,惩罚你的模型的梯度梯度的范数,实施unrolled GAN和改良WGAN等。


在0.2版本中,我们已经能够为torch.XXX函数和最流行的nn层计算更高阶的梯度。其余的将出现在下一个版本中。


这是一个简短的例子,惩罚了Resnet-18模型的权重梯度的范数,使权重的数量变化缓慢。

 


我们在这里看到两个新概念:


torch.autograd.grad是一个输入[输出,输入列表(你需要梯度)]的函数,并返回梯度wrt。这些输入作为元组,而不是将梯度累加到.grad属性中。如果你想进一步操作梯度,这对你会很有用。


•你可以对梯度进行操作,并向后调用()。


支持更高阶梯度的nn层的列表有:


• AvgPool*d, BatchNorm*d, Conv*d, MaxPool1d,2d, Linear, Bilinear。


• pad, ConstantPad2d, ZeroPad2d, LPPool2d, PixelShuffle。


• ReLU6, LeakyReLU, PReLU, Tanh, Tanhshrink, Threshold, Sigmoid, HardTanh, ELU,Softsign, SeLU。


• L1Loss, NLLLoss, PoissonNLLLoss, LogSoftmax, Softmax2d。


其余的将在下一个版本中启用。


为了实现更高阶的梯度,我们引入了一种新的autograd.Function写入格式。(写入函数的当前/旧样式完全向后兼容)。你可以点击此处链接阅读更多关于新样式的函数。


大多数人不写自己的autograd.Function,它们是低级基元使得autograd引擎完成新操作,你可以指定正向和反向调用。


分布式PyTorch


我们介绍torch.distributed包,允许你在多台机器之间交换张量。使用此软件包,你可以通过多台机器和更大的小批量扩展网络训练。例如,你将能够实现《Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour》这篇论文。


distributed软件包遵循MPI风格的编程模型。这意味着你可以得到很多函数,如send,recv,all_reduce,它将在节点(机器)之间交换张量。


对于每个机器,首先识别彼此并分配唯一的数字(等级),我们提供简单的初始化方法:


•共享文件系统(要求所有进程可以访问单个文件系统)


•IP组播(要求所有进程都在同一个网络中)


•环境变量(需要你手动分配等级并知道所有进程可访问节点的地址)


我们的包文档中包含有关初始化和可用后端的更多详细信息,但以下是使用多播地址进行初始化的示例:


mport torch.distributed as dist dist.init_process_group(backend='tcp',                      
                      init_method='tcp://[ff15:1e18:5d4c:4cf0:d02d:b659:53ba:b0a7]:23456',                        
                      world_size=4)
print('Hello from process {} (out of {})!'.format(        dist.get_rank(), dist.get_world_size()))


这将在第3台机器上打印Hello from process 2 (out of 4)。


world大小是参与工作的过程的数量。每个将被分配一个等级,它是0和world_size-1之间的数字,在此作业中是唯一的。它将用作进程标识符,并且将被代替地址使用,例如,指定张量应被发送到哪个进程。


这是一个代码段,显示如何执行简单的点对点通信:

 


异步p2p函数(isend,irecv)也可用。


然而,一些通信模式出现频繁,导致已经开发出更有效的集体调用。他们通常参与整个过程组,并且比使用send / recv的单纯算法要快得多。一个例子是all_reduce:

 


分布式软件包是相当低级别的,因此它允许实现更先进的算法,并将代码定制到特定的目的,但数据并行训练是我们为此创建高级辅助工具的常见方法。


因此,我们引入了DistributedDataParallel,这意味着几乎可以替代nn.DataParallel。


以下是一个代码段,展示了将其添加到现有训练代码中所需的更改:

 



你可以在这里看到更完整的Imagenet训练示例


新的nn层:SpatialTransformers,WeightNorm,EmbeddingBag等


新功能


•引入forward_pre_hook来在调用forward函数之前执行用户指定的闭包。


•方便访问非叶梯度(non-leaf gradients):

目前,要访问并检查中间值的梯度,我们必须使用钩(hooks)。这不方便进行简单的检查,因此,我们引入retain_grad。最好通过一个例子来解释:

 


•DataParallel现在支持dicts作为输入


新图层


•空间变换神经网络通过F.grid_sample和F.affine_grid。


•nn.SeLU和nn.AlphaDropout被引入,论文:《自标准化神经网络》


•nn.GLU(门控线性单元)被引入,论文:《卷积序列到序列学习》


权重归一化现在通过torch.utils.weight_norm来实现。


• 现在可以使用ignore_index参数计算cross_entropy_loss和nll_loss来忽略特定的目标索引。这是实现掩码的廉价实用方式,你可以在其中使用在计算损失时忽略的掩码索引。


•F.normalize 实现了按维度的重归一化。


•F.upsample和nn.Upsample将多个Upsampling层合并成一个函数。它实现了2d和3d双线性/三线性/最近的上采样。


•nn.EmbeddingBag:当构建词袋模型时,执行一个Embedding 跟Sum或Mean是很常见的。对于可变长度序列,计算降维包涉及掩码。我们提供了一个单一的nn.EmbeddingBag,它能高效和快速地计算降维包,特别是对于可变长度序列。


•通过bce_with_logits数值稳定的二进制交叉熵损失。


•通过PoissonNLLLoss进行目标泊松分布的负对数似然损失。


•cosine_similarity:返回x1和x2之间的余弦相似度,沿着dim计算。


训练效用


学习率调度程序:torch.optim.lr_scheduler提供了几种无声和智能的方法来调整当前的学习率。它们在训练中相当方便,为用户想要做的事情提供方便。


提供各种策略,可以根据适当情况使用,更多可以在文档包中阅读:


•ReduceLROnPlateau,LambdaLR,StepLR,MultiStepLR,ExponentialLR

ConcatDataset是一个方便的数据集元类,可以合并和连接两个单独的数据集。


torch 和 autograd的新应用


•所有reduce函数如sum和mean,现在默认压缩缩小的维度。例如,torch.sum(torch.randn(10,20))返回1D Tensor。


•x.shape,类似于numpy。 一个方便的属性,相当于x.size()。


•torch.matmul,类似于np.matmul。


•按位和,或,xor,lshift,rshift。


•autograd支持反向,gesv,cumprod,atan2。


•无偏差的var和std现在可以通过关键字参数选项。


•torch.scatter_add - torch.scatter,除了遇到重复索引时,这些值被求和。


•当没有给出参数时,torch.median的行为类似于torch.sum,即它减小所有尺寸,并返回扁平化Tensor的单个中值。


•masked_copy_已重命名为masked_scatter_(在masked_copy_上已弃用)。


•torch.manual_seed现在也seed所有的CUDA设备。


•你现在可以通过关键字参数torch.rand(1000,generator = gen)指定随机数生成器对象。


错误修复和小改进


现在,当将变量转换为bool时,我们会发出错误。例如:


b = Variable(torch.zeros(1)) if b[0]: # errors now

•在CUDA中解决qr分解中的正确性错误。


•支持IBM PowerPC64平台。


•检查编译时的CuDNN版本是否在运行时是相同的版本。


•改进CUDA分叉子进程中的错误消息。


•在CPU上更快的转置拷贝。


•改进InstanceNorm中的错误消息。


•为各种例程添加更多的参数检查,特别是BatchNorm和Convolution例程。


•围绕CPU后端的形状报告更好的错误消息。


•支持每台机器超过8个GPU(解决CUDA p2p限制)。


•访问不存在的属性时,改进错误消息。


•变量的T()与Tensor一致。


•当退出p = 1时,防止除以零。


•修复在非当前设备上共享CUDA张量。


•当BNε<允许的CuDNN值时,回退到THNN。


•对于MKL和OMP使用不同数量的线程时,修复线程丢失。


•改善使用CuDNN RNN时的内存使用。


•用负的padding将ZeroPad2d向后修复。


•添加虚拟tensor.data属性,为用户提供可解释的错误消息。


•修复Python3的原位划分。


•在0-dim数组上调用from_numpy时提高误差。


•空的张量在多处理器间共享时不会出错。


•修复扩展张量的baddbmm。


•让parallel_apply接受任意输入。


•张量和变量中的关键字参数现在是一致的。


•当Magma不可用时修复torch.inverse。


•为ByteTensor添加逻辑非运算符。


•在分散/收集内核中添加设备判断提示。


重要的破损和解决方法


如你所见,我们引入了两个不能向后兼容的重要更改:


•Numpy样式广播。


•还原函数如sum(1)现在默认为keepdim = False。


我们提供不同级别的Python警告,你可以启用以警告你,如果你使用不赞成的行为,或者你的代码的行为已更改。


摘要


这是一个代码片段,你可以添加到脚本的顶部。


添加此代码将生成突出显示不兼容代码的警告。


修复代码不再生成警告。

 


一旦所有警告消失,你可以删除代码段。


详情


现在,让我们看看这三个不相容的变化与例子。


使用(现已弃用)1维视图点分函数


PyTorch的先前版本允许某些点函数在不同形状的张量上执行,只要每个张量中的元素数量相等即可。 然后通过将每个张量视为一维来执行点操作。 PyTorch现在支持广播。 “一维”点行为被认为是不推荐的,并且在张量不可广播但具有相同数量的元素的情况下会产生Python警告。


例如:

 


在以前没有发生过的代码中进行广播


在两张张量不相同的情况下,广播的引入可能导致向后不兼容的变化,但是可以广播并具有相同数量的元素。


例如:


>>> torch.add(torch.ones(4,1), torch.randn(4))

以前会产生一个尺寸为:torch.Size([4,1])的张量,但现在生产的尺寸为:torch.Size([4,4])。


为了帮助识别你的代码中可能存在向后引入的不兼容性的情况,你可以将torch.utils.backcompat.broadcast_warning.enabled设置为True,在这种情况下会生成一个python警告。


例如:


>>> torch.utils.backcompat.broadcast_warning.enabled=True
>>> torch.add(torch.ones(4,1), torch.ones(4)) __main__:1: UserWarning: self and other do not have the same shape, but are broadcastable, and have the same number of elements.


请注意,此设置可以触发广播有效使用的警告(包括库代码),因此你可能希望在迁移代码后关闭此警告。


还原函数的KeepDim = False。


要在使用默认的keepdim参数使用维度缩减功能时发出警告,请将torch.utils.backcompat.keepdim_warning.enabled设置为True。 例如:


>>> torch.sum(torch.ones(2,3), 1) __main__:1: UserWarning: backwards compatibility: call to "sum" uses default value for keepdim which has changed default to False.  Consider passing as kwarg.
3
3
[torch.FloatTensor of size 2]


与torch.utils.backcompat.broadcast_warning.enabled一样,此警告可以从有效的代码触发,因此你很可能希望在迁移代码后禁用此警告。


还要注意,使用keepdim = False可以使你现有的代码与广播“正常工作”。 例如:




来源: 机器人圈


欢迎加入未来科技学院企业家群,共同提升企业科技竞争力

一日千里的科技进展,层出不穷的新概念,使企业家,投资人和社会大众面临巨大的科技发展压力,前沿科技现状和未来发展方向是什么?现代企业家如何应对新科学技术带来的产业升级挑战?


欢迎加入未来科技学院企业家群,未来科技学院将通过举办企业家与科技专家研讨会,未来科技学习班,企业家与科技专家、投资人的聚会交流,企业科技问题专题研究会等多种形式,帮助现代企业通过前沿科技解决产业升级问题、开展新业务拓展,提高科技竞争力。


未来科技学院由人工智能学家在中国科学院虚拟经济与数据科学研究中心的支持下建立,成立以来,已经邀请国际和国内著名科学家、科技企业家300多人参与学院建设,并建立覆盖2万余人的专业社群;与近60家投资机构合作,建立了近200名投资人的投资社群。开展前沿科技讲座和研讨会20多期。  欢迎行业、产业和科技领域的企业家加入未来科技学院


报名加入请扫描下列二维码,点击本文左下角“阅读原文”报名



上一篇:新的人工智能语言不应成为我们的关注点
下一篇:物联网研究报告 | 物联网作为20年前提出的概念为何现在才爆发?

相关阅读