欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

深度框架 MXNet/Gluon 初体验

程序员文章站 2022-04-05 10:09:18
...

MXNet: A flexible and efficient library for deep learning.

这是MXNet的官网介绍,“MXNet是灵活且高效的深度学习库”。

MXNet是主流的三大深度学习框架之一:

  • TensorFlow:Google支持,其简化版是Keras
  • PyTorch:Facebook支持,其工业版是Caffe2
  • MXNet:中立,Apache孵化器项目,也被AWS选为官方DL平台;

MXNet的优势是,其开发者之一李沐,是中国人,在MXNet的推广中具有语言优势(汉语),有利于国内开发者的学习。同时,推荐李沐录制的教学视频,非常不错。

MXNet的高层接口是Gluon,Gluon同时支持灵活的动态图和高效的静态图,既保留动态图的易用性,也具有静态图的高性能,这也是官网介绍的flexibleefficient的出处。同时,MXNet还具备大量学术界的前沿算法,方便移植至工业界。希望MXNet团队再接再励,在深度学习框架的竞赛中,位于前列。

深度框架 MXNet/Gluon 初体验

因此,掌握 MXNet/Gluon 很有必要。

本文以深度学习的多层感知机(Multilayer Perceptrons)为算法基础,数据集选用MNIST,介绍MXNet的工程细节。

本文的源码https://github.com/SpikeKing/gluon-tutorial


数据集

在虚拟环境(Virtual Env)中,直接使用pip安装MXNet即可:

pip install mxnet

如果下载速度较慢,推荐使用阿里云的pypi源:

-i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com

MNIST就是著名的手写数字识别库,其中包含0至9等10个数字的手写体,图片大小为28*28的灰度图,目标是根据图片识别正确的数字。

MNIST库在MXNet中被封装为MNIST类,数据存储于.mxnet/datasets/mnist中。如果下载MNIST数据较慢,可以选择到MNIST官网下载,放入mnist文件夹中即可。在MNIST类中:

  • 参数train:是否为训练数据,其中true是训练数据,false是测试数据;
  • 参数transform:数据的转换函数,lambda表达式,转换数据和标签为指定的数据类型;

源码:

# 参数train
if self._train:
    data, label = self._train_data, self._train_label
else:
    data, label = self._test_data, self._test_label

# 参数transform
if self._transform is not None:
    return self._transform(self._data[idx], self._label[idx])
return self._data[idx], self._label[idx]

在MXNet中,数据加载类被封装成DataLoader类,迭代器模式,迭代输出与批次数相同的样本集。在DataLoader中,

  • 参数dataset:数据源,如MNIST;
  • 参数batch_size:训练中的批次数量,在迭代中输出指定数量的样本;
  • 参数shuffle:是否洗牌,即打乱数据,一般在训练时需要此操作。

迭代器的测试,每次输出样本个数(第1维)与指定的批次数量相同:

for data, label in train_data:
    print(data.shape)  # (64L, 28L, 28L, 1L)
    print(label.shape)  # (64L,)
    break

load_data()方法中,输出训练和测试数据,数据类型是0~1(灰度值除以255)的浮点数,标签类型也是浮点数。

具体实现:

def load_data(self):
    def transform(data, label):
        return data.astype(np.float32) / 255., label.astype(np.float32)
    train_data = DataLoader(MNIST(train=True, transform=transform),
                            self.batch_size, shuffle=True)
    test_data = DataLoader(MNIST(train=False, transform=transform),
                           self.batch_size, shuffle=False)
    return train_data, test_data

模型

网络模型使用MXNet中Gluon的样式:

  1. 创建Sequential()序列,Sequential是全部操作单元的容器;
  2. 添加全连接单元Dense,参数units是输出单元的个数,参数activation是**函数;
  3. 初始化参数:
    • init是数据来源,Normal类即正态分布,sigma是正态分布的标准差;
    • ctx是上下文,表示训练中参数更新使用CPU或GPU,如mx.cpu();

Gluon的Sequential类与其他的深度学习框架类似,通过有序地连接不同的操作单元,组成不同的网络结构,每一层只需设置输出的维度,输入维度通过上一层传递,转换矩阵在内部自动计算。

实现:

def model(self):
    num_hidden = 64
    net = gluon.nn.Sequential()
    with net.name_scope():
        net.add(gluon.nn.Dense(units=num_hidden, activation="relu"))
        net.add(gluon.nn.Dense(units=num_hidden, activation="relu"))
        net.add(gluon.nn.Dense(units=self.num_outputs))

    net.collect_params().initialize(init=mx.init.Normal(sigma=.1), ctx=self.model_ctx)
    print(net)  # 展示模型
    return net

其中,net.name_scope()为Sequential中的操作单元自动添加名称。

模型可视化

直接使用print(),打印模型结构,如print(net)

Sequential(
  (0): Dense(None -> 64, Activation(relu))
  (1): Dense(None -> 64, Activation(relu))
  (2): Dense(None -> 10, linear)
)

或,使用稍复杂的jupyter绘制模型,安装jupyter包(Python 2.x):

pip install ipython==5.3.0
pip install jupyter==1.0.0

启动jupyter服务,访问http://localhost:8888/

jupyter notebook

新建Python 2文件,编写绘制网络的代码。代码的样式是,在已有模型之后,添加“绘制逻辑”,调用plot_network()即可绘图。如果替换Sequential类为HybridSequential类,可以提升绘制效率,不替换也不会影响绘制效果

网络模型和绘制逻辑:

import mxnet as mx
from mxnet import gluon

num_hidden = 64
net = gluon.nn.HybridSequential()
with net.name_scope():
    net.add(gluon.nn.Dense(num_hidden, activation="relu"))
    net.add(gluon.nn.Dense(num_hidden, activation="relu"))
    net.add(gluon.nn.Dense(10))

# 绘制逻辑
net.hybridize()
net.collect_params().initialize()
x = mx.sym.var('data')
sym = net(x)
mx.viz.plot_network(sym)

效果图:

深度框架 MXNet/Gluon 初体验


训练

在训练前,加载数据,创建网络。

train_data, test_data = self.load_data()  # 训练和测试数据
net = self.model()  # 模型

接着,创建交叉熵的接口softmax_cross_entropy,创建训练器trainer

训练器的参数包含:网络中参数、优化器、优化器的参数等。

epochs = 10
smoothing_constant = .01
num_examples = 60000

softmax_cross_entropy = gluon.loss.SoftmaxCrossEntropyLoss()  # 交叉熵
trainer = gluon.Trainer(params=net.collect_params(),
                        optimizer='sgd',
                        optimizer_params={'learning_rate': smoothing_constant})

循环epoch训练网络模型:

  1. 从迭代器train_data源中,获取批次数据和标签:
  2. 指定数据和标签的执行环境ctx是CPU或GPU,同时展开数据为1行;
  3. 自动梯度计算autograd.record(),网络预测数据,输出output,计算交叉熵loss;
  4. 对于loss反向传播求导,设置训练器trainer的步骤为批次数;
  5. cumulative_loss中,累加每个批次的损失loss,计算全部损失;
  6. 在训练一次epoch之后,计算测试和训练数据的准确率accuracy;

不断循环,直至执行完成全部epochs为止。

训练的实现:

for e in range(epochs):
    cumulative_loss = 0  # 累积的
    for i, (data, label) in enumerate(train_data):
        data = data.as_in_context(self.model_ctx).reshape((-1, 784))  # 数据
        label = label.as_in_context(self.model_ctx)  # 标签

        with autograd.record():  # 梯度
            output = net(data)  # 输出
            loss = softmax_cross_entropy(output, label)  # 输入和输出计算loss

        loss.backward()  # 反向传播
        trainer.step(data.shape[0])  # 设置trainer的step
        cumulative_loss += nd.sum(loss).asscalar()  # 计算全部损失

    test_accuracy = self.__evaluate_accuracy(test_data, net)
    train_accuracy = self.__evaluate_accuracy(train_data, net)
    print("Epoch %s. Loss: %s, Train_acc %s, Test_acc %s" %
          (e, cumulative_loss / num_examples, train_accuracy, test_accuracy))

在预测接口evaluate_accuracy()中:

  1. 创建准确率Accuracy类acc,用于统计准确率;
  2. 迭代输出批次的数据和标签;
  3. 预测数据不同类别的概率,选择最大概率(argmax)做为类别;
  4. 通过acc.update()更新准确率;

最终返回准确率的值,即acc的第2维acc[1],而acc的第1维acc[0]是acc的名称。

def __evaluate_accuracy(self, data_itertor, net):
    acc = mx.metric.Accuracy()  # 准确率
    for i, (data, label) in enumerate(data_iterator):
        data = data.as_in_context(self.model_ctx).reshape((-1, 784))
        label = label.as_in_context(self.model_ctx)
        output = net(data)  # 预测结果
        predictions = nd.argmax(output, axis=1)  # 类别
        acc.update(preds=predictions, labels=label)  # 更新概率和标签
    return acc.get()[1]  # 第1维是数据名称,第2维是概率

效果:

Epoch 0. Loss: 1.2743850797812144, Train_acc 0.846283333333, Test_acc 0.8509
Epoch 1. Loss: 0.46071574948628746, Train_acc 0.884366666667, Test_acc 0.8892
Epoch 2. Loss: 0.37149955205917357, Train_acc 0.896466666667, Test_acc 0.9008
Epoch 3. Loss: 0.3313815038919449, Train_acc 0.908366666667, Test_acc 0.9099
Epoch 4. Loss: 0.30456133014361064, Train_acc 0.915966666667, Test_acc 0.9172
Epoch 5. Loss: 0.2827877395868301, Train_acc 0.919466666667, Test_acc 0.9214
Epoch 6. Loss: 0.2653073514064153, Train_acc 0.925433333333, Test_acc 0.9289
Epoch 7. Loss: 0.25018166739145914, Train_acc 0.92965, Test_acc 0.9313
Epoch 8. Loss: 0.23669789231618246, Train_acc 0.933816666667, Test_acc 0.9358
Epoch 9. Loss: 0.22473177655935286, Train_acc 0.934716666667, Test_acc 0.9337

GPU

对于深度学习而言,使用GPU可以加速网络的训练过程,MXNet同样支持使用GPU训练网络。

检查服务器的Cuda版本,命令:nvcc --version,用于确定下载MXNet的GPU版本。

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2016 NVIDIA Corporation
Built on Sun_Sep__4_22:14:01_CDT_2016
Cuda compilation tools, release 8.0, V8.0.44

则,当前服务器的Cuda版本是8.0。

将MXNet由CPU版本转为GPU版本,卸载mxnet,安装mxnet-cu80

pip uninstall mxnet
pip install mxnet-cu80

当安装完成GPU版本之后,在Python Console中,执行如下代码,确认MXNet的GPU库可以使用。

>>> import mxnet as mx
>>> a = mx.nd.ones((2, 3), mx.gpu())
>>> b = a * 2 + 1
>>> b.asnumpy()
array([[ 3.,  3.,  3.],
       [ 3.,  3.,  3.]], dtype=float32)

检查GPU数量,命令:nvidia-smi

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 375.26                 Driver Version: 375.26                    |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  TITAN X (Pascal)    Off  | 0000:02:00.0     Off |                  N/A |
| 28%   49C    P2    84W / 250W |  12126MiB / 12189MiB |     25%      Default |
+-------------------------------+----------------------+----------------------+
|   1  TITAN X (Pascal)    Off  | 0000:03:00.0     Off |                  N/A |
| 24%   39C    P2    57W / 250W |  12126MiB / 12189MiB |     33%      Default |
+-------------------------------+----------------------+----------------------+
|   2  TITAN X (Pascal)    Off  | 0000:83:00.0     Off |                  N/A |
| 25%   41C    P2    58W / 250W |  12126MiB / 12189MiB |     37%      Default |
+-------------------------------+----------------------+----------------------+
|   3  TITAN X (Pascal)    Off  | 0000:84:00.0     Off |                  N/A |
| 23%   31C    P2    53W / 250W |  11952MiB / 12189MiB |      2%      Default |
+-------------------------------+----------------------+----------------------+

则,当前服务器的GPU数量是4。

设置参数环境ctx为GPU的列表,即[mx.gpu(0), mx.gpu(1), ...]

GPU_COUNT = 4
ctx = [mx.gpu(i) for i in range(GPU_COUNT)]

在网络net中使用GPU初始化initialize()参数params,然后创建trainer训练器。

net = self.model()  # 模型
net.collect_params().initialize(init=mx.init.Normal(sigma=.1), ctx=ctx)

smoothing_constant = .01
trainer = gluon.Trainer(params=net.collect_params(),
                        optimizer='sgd',
                        optimizer_params={'learning_rate': smoothing_constant})

循环执行10个epoch训练模型,train_datavalid_data是迭代器,每次输出一个batch样本集。在train_batch()中,依次传入批次数据batch、GPU环境列表ctx、网络net和训练器trainer;在valid_batch()中,与训练类似,只是不传训练器trainer。

epochs = 10
for e in range(epochs):
    start = time()
    for batch in train_data:
        self.train_batch(batch, ctx, net, trainer)
    nd.waitall()  # 等待所有异步的任务都终止
    print('Epoch %d, training time = %.1f sec' % (e, time() - start))
    correct, num = 0.0, 0.0
    for batch in valid_data:
        correct += self.valid_batch(batch, ctx, net)
        num += batch[0].shape[0]
    print('\tvalidation accuracy = %.4f' % (correct / num))

具体分析批次训练方法train_batch()

  1. 输入batch是数据和标签的集合,索引0表示数据,索引1表示标签。
  2. 根据GPU的数量,拆分数据data与标签label,每个GPU对应不同的数据;
  3. 每组数据和标签,分别反向传播backward()更新网络net的参数;
  4. 设置训练器trainer的步骤step为批次数batch_size

多个GPU是相互独立的,因此,当使用多个GPU训练模型时,需要注意不同GPU之间的数据融合。

实现如下:

@staticmethod
def train_batch(batch, ctx, net, trainer):
    # split the data batch and load them on GPUs
    data = gluon.utils.split_and_load(batch[0], ctx)  # 列表
    label = gluon.utils.split_and_load(batch[1], ctx)  # 列表
    # compute gradient
    GluonFirst.forward_backward(net, data, label)
    # update parameters
    trainer.step(batch[0].shape[0])

@staticmethod
def forward_backward(net, data, label):
    loss = gluon.loss.SoftmaxCrossEntropyLoss()
    with autograd.record():
        losses = [loss(net(X), Y) for X, Y in zip(data, label)]  # loss列表
    for l in losses:  # 每个loss反向传播
        l.backward()

具体分析批次验证方法valid_batch()

  1. 将全部验证数据,都运行于一个GPU中,即ctx[0];
  2. 网络net预测数据data的类别概率,再转换为具体类别argmax();
  3. 将全部预测正确的样本进行汇总,获得总的正确样本数;

实现如下:

@staticmethod
def valid_batch(batch, ctx, net):
    data = batch[0].as_in_context(ctx[0])
    pred = nd.argmax(net(data), axis=1)
    return nd.sum(pred == batch[1].as_in_context(ctx[0])).asscalar()

除了训练部分,GPU的数据加载和网络模型都与CPU一致。

训练GPU模型,需要连接远程服务器,上传工程。如果无法使用Git传输,则推荐使用RsyncOSX,非常便捷的文件同步工具:

深度框架 MXNet/Gluon 初体验

在远程服务器中,将工程的依赖库安装至虚拟环境中,注意需要使用MXNet的GPU版本mxnet-cu80,接着,执行模型训练。

以下是GPU版本的模型输出结果:

Epoch 5, training time = 13.7 sec
    validation accuracy = 0.9277
Epoch 6, training time = 13.9 sec
    validation accuracy = 0.9284
Epoch 7, training time = 13.8 sec
    validation accuracy = 0.9335
Epoch 8, training time = 13.7 sec
    validation accuracy = 0.9379
Epoch 9, training time = 14.4 sec
    validation accuracy = 0.9402

当遇到如下警告⚠️时:

only 4 out of 12 GPU pairs are enabled direct access. 
It may affect the performance. You can set MXNET_ENABLE_GPU_P2P=0 to turn it off

关闭MXNET_ENABLE_GPU_P2P即可,不影响正常的训练过程。

export MXNET_ENABLE_GPU_P2P=0

至此 MXNet/Gluon 的工程设计,已经全部完成,从数据集、模型、训练、GPU四个部分剖析MXNet的实现细节,MXNet的各个环节设计的非常巧妙,也与其他框架类似,容易上手。实例虽小,“五脏俱全”,为继续学习MXNet框架,起到抛砖引玉的作用。

OK, that’s all! Enjoy it!