MegEngine基本概念

基本概念

MegEngine 是基于计算图的深度神经网络学习框架。 本文内容会简要介绍计算图及其相关基本概念,以及在 MegEngine 中的实现。

计算图

结合一个简单的数学表达式来介绍计算图中的基本概念。下图是 y = (w * x) + b 这一数学表达式的计算图表示:

从中可以看到,计算图中存在:

  • 数据节点(图中的实心圈):如输入数据 x 、 w 、b ,运算得到的数据 p ,以及最终的运算输出 y ;
  • 计算节点(图中的空心圈):图中 * 和 + 分别表示计算节点 乘法 和 加法,是施加在数据节点上的运算;
  • 边(图中的箭头):表示数据的流向,体现了数据节点和计算节点之间的依赖关系;

如上便是一个简单的计算图示例。

张量(Tensor

与 PyTorch,TensorFlow 等深度学习框架类似,MegEngine 使用张量(Tensor)来表示计算图中的数据。

张量(Tensor)可以看做 NumPy 中的数组,它可以是一个标量、向量、矩阵或者多维数组。 可以通过 NumPy 或者 Python List 来创建一个 Tensor 。

执行下列代码并查看相关结果:

In [1]:

import numpy as np

import megengine as mge

# 初始化一个维度为 (2, 5) 的 ndarray,并转化成 MegEngine 的 Tensor

# 注:目前 MegEngine Tensor 不支持 float64 数值类型,所以这里显示指定了 ndarray 的数值类型

a = mge.tensor(np.random.random((2,5)).astype('float32'))

print(a)

# 初始化一个长度为3的列表,并转化成 Tensor

b = mge.tensor([1., 2., 3.])

print(b)

Tensor([[0.2397 0.6569 0.8097 0.3523 0.4676]

[0.9492 0.9415 0.5636 0.614  0.8424]], device=xpux:0)

Tensor([1. 2. 3.], device=xpux:0)

通过 dtype 属性,可以获取 Tensor 的数据类型;通过 astype() 方法,可以拷贝创建一个指定数据类型的新 Tensor ,原 Tensor 不变。

In [2]:

print(a.dtype)

d = a.astype("float16")

print(d.dtype)

<class 'numpy.float32'>

<class 'numpy.float16'>

通过 shape 属性,可以获取 Tensor 的形状:

In [3]:

print(a.shape)

(2, 5)

通过 numpy() 方法,可以将 Tensor 转换为 numpy.ndarray:

In [4]:

a = mge.tensor(np.random.random((2,5)).astype('float32'))

print(a)

b = a.numpy()

print(b)

Tensor([[0.8246 0.8447 0.3225 0.2583 0.6065]

[0.4701 0.594  0.1612 0.7749 0.0067]], device=xpux:0)

[[0.8246328  0.8447421  0.32254046 0.25825405 0.60646415]

[0.47006    0.59400123 0.16122891 0.77490866 0.0067136 ]]

通过 device 属性,可以查询当前 Tensor 所在的设备。创建的 Tensor 可以位于不同 device,这根据当前的环境决定。一般地,如果在创建 Tensor 时不指定 device,其 device 属性默认为 xpux,表示当前任意一个可用的设备。如果存在 GPU 则优先使用 GPU,否则为 CPU。

In [5]:

print(a.device)

xpux:0

也可以在创建 Tensor 时,指定 device 为 cpu0, cpu1, …, gpu0, gpu1, … ,也可以是 cpux 或 gpux,表示当前任意一个可用的 CPU 或 GPU。

通过 to() 方法可以在另一个 device 上生成当前 Tensor 的拷贝,比如将刚刚创建的 Tensor a 迁移到 CPU 上,再迁移到 GPU 上:

In [6]:

b = a.to("cpu0")

print(b.device)

cpu0:0

GPU CPU 切换

MegEngine 在 GPU 和 CPU 同时存在时默认使用 GPU 进行训练。用户可以调用 set_default_device() 来根据自身需求设置默认计算设备。

如下代码设置默认设备为 CPU:

In [7]:

import megengine as mge

# 默认使用 CPU

mge.set_default_device('cpux')

如下代码设置默认设备为GPU:

mge.set_default_device('gpux')

如果不想修改代码,用户也可通过环境变量 MGE_DEFAULT_DEVICE 来设置默认计算设备:

export MGE_DEFAULT_DEVICE='cpux'

export MGE_DEFAULT_DEVICE='gpux'

算子(Operator

MegEngine 中通过算子 (Operator) 来表示运算。 类似于 NumPy,MegEngine 中的算子支持基于 Tensor 的常见数学运算和操作。 下面介绍几个简单的示例:

Tensor 的加法:

In [8]:

a = mge.tensor(np.random.random((2,5)).astype('float32'))

print(a)

b = mge.tensor(np.random.random((2,5)).astype('float32'))

print(b)

print(a + b)

Tensor([[0.1337 0.5079 0.0929 0.0834 0.7817]

[0.461  0.7906 0.81   0.6579 0.5813]], device=cpux:0)

Tensor([[0.8897 0.451  0.6765 0.3549 0.88  ]

[0.4421 0.7505 0.6881 0.9912 0.6448]], device=cpux:0)

Tensor([[1.0234 0.9589 0.7694 0.4383 1.6617]

[0.9031 1.5411 1.4981 1.6491 1.2261]], device=cpux:0)

Tensor 的切片:

In [9]:

print(a[1, :])

Tensor([0.461  0.7906 0.81   0.6579 0.5813], device=cpux:0)

Tensor 形状的更改:

In [10]:

a.reshape(5, 2)

Out[10]:

Tensor([[0.1337 0.5079]

[0.0929 0.0834]

[0.7817 0.461 ]

[0.7906 0.81  ]

[0.6579 0.5813]], device=cpux:0)

reshape() 的参数允许存在单个缺省值,用 -1 表示。此时,reshape 会自动推理该维度的值:

In [11]:

# 原始维度是 (2, 5),当给出 -1的缺省维度值时,可以推理出另一维度为10

a = a.reshape(1, -1)

print(a.shape)

(1, 10)

创建的Tensor可以位于不同device,这根据当前的环境决定。通过 device 属性查询当前 Tensor 所在的设备。

In [12]:

print(a.device)

cpux:0

以上是一些简单操作。 可以在 MegEngine API 文档中查询更多算子的用法,比如矩阵乘,卷积等。

求导器(Grad Manager

神经网络的优化通常通过随机梯度下降来进行。需要根据计算图的输出,对所有的中间数据节点求梯度,这一过程被称之为 “反向传播”,也就是链式求导法则。 例如,希望得到图1中输出 $ y $ 关于输入 $ w $ 的梯度,那么反向传播的过程如下图所示:

首先 $ y = p + b $ ,因此 $ \partial y / \partial p = 1 $ ; 接着,$ p = w * x $ ,因此,$ \partial p / \partial w = x $ 。 根据链式求导法则,$ \partial y / \partial w = \partial y / \partial p * \partial p / \partial w $ , 因此, $ y $ 关于输入 $ w $ 的梯度为 $ 1 * x = x $ 。

MegEngine 为计算图中的张量提供了自动求导功能,以上图的例子说明: 假设图中的 $ x $ 是 shape 为 (1, 3) 的张量, $ w $ 是 shape 为 (3, 1) 的张量, $ b $ 是一个标量。 利用MegEngine 计算 $ y = x * w + b $ 的过程如下:

In [13]:

import megengine as mge

import megengine.functional as F

from megengine.autodiff import GradManager

x = mge.tensor([1., 3., 5.]).reshape(1, 3)

w = mge.tensor([2., 4., 6.]).reshape(3, 1)

b = mge.tensor(-1.)

gm = GradManager().attach([w, b])   # 新建一个求导器,绑定需要求导的变量

with gm:                            # 开始记录计算图

p = F.matmul(x, w)

y = p + b

gm.backward(y)                  # 计算 y 的导数

print(w.grad)

print(b.grad)

Tensor([[1.]

[3.]

[5.]], device=cpux:0)

Tensor([1.], device=cpux:0)

可以看到,求出的梯度本身也是 Tensor。

with 代码段中的前向运算都会被求导器记录。也可以用 record() 和 release() 来替代 with,分别控制求导器的开启和关闭,代码如下所示。

gm = GradManager().attach([w, b])   # 新建一个求导器,绑定需要求导的变量

gm.record()                         # 开始记录计算图

p = F.matmul(x, w)

y = p + b

gm.backward(y)                      # 计算 y 的导数

gm.release()                        # 停止记录计算图并释放资源

此外,可以使用 detach 方法,把 Tensor 当作一个常量,这样求导器将不会对其求导。如下所示:

In [14]:

x = mge.tensor([1., 3., 5.]).reshape(1, 3)

w = mge.tensor([2., 4., 6.]).reshape(3, 1)

b = mge.tensor(-1.)

gm = GradManager().attach([w, b])   # 新建一个求导器,绑定需要求导的变量

with gm:                            # 开始记录计算图

p = F.matmul(x, w)

y = p + b.detach()              # 停止对 b 求导

gm.backward(y)                  # 计算 y 的导数

print(b.grad)

None

可以看到,梯度本身也是 Tensor。 注意:这里 F.grad() 的第一个参数 y 是个标量,目前尚不支持其为一个多维 Tensor。

MegEngine基本概念的更多相关文章

  1. 旷视MegEngine基本概念

    旷视MegEngine基本概念 MegEngine 是基于计算图的深度神经网络学习框架. 本文简要介绍计算图及其相关基本概念,以及它们在 MegEngine 中的实现. 计算图(Computation ...

  2. AIFramework基本概念整理

    AIFramework基本概念整理 本文介绍: 对天元 MegEngine 框架中的 Tensor, Operator, GradManager 等基本概念有一定的了解: 对深度学习中的前向传播.反向 ...

  3. Megengine量化

    Megengine量化 量化指的是将浮点数模型(一般是32位浮点数)的权重或激活值用位数更少的数值类型(比如8位整数.16位浮点数)来近似表示的过程. 量化后的模型会占用更小的存储空间,还能够利用许多 ...

  4. 旷视MegEngine网络搭建

    旷视MegEngine网络搭建 在 基本概念 中,介绍了计算图.张量和算子,神经网络可以看成一个计算图.在 MegEngine 中,按照计算图的拓扑结构,将张量和算子连接起来,即可完成对网络的搭建.M ...

  5. Fast Run:提高 MegEngine 模型推理性能的神奇功能

    作者:王博文 | 旷视 MegEngine 架构师 一.背景 对于深度学习框架来说,网络的训练/推理时间是用户非常看中的.在实际生产条件下,用户设计的 NN 网络是千差万别,即使是同一类数学计算,参数 ...

  6. MegEngine TensorCore 卷积算子实现原理

    作者:章晓 | 旷视 MegEngine 架构师 一.前言 2020 年 5 月 Nvidia 发布了新一代的 GPU 架构安培(Ampere).其中和深度学习关系最密切的莫过于性能强劲的第三代的 T ...

  7. JIT in MegEngine

    作者:王彪 | 旷视框架部异构计算组工程师 一.背景 什么是天元 旷视天元(MegEngine)是一个深度学习框架,它主要包含训练和推理两方面内容.训练侧一般使用 Python 搭建网络:而推理侧考虑 ...

  8. 如何设计一个高内聚低耦合的模块——MegEngine 中自定义 Op 系统的实践经验

    作者:褚超群 | 旷视科技 MegEngine 架构师 背景介绍 在算法研究的过程中,算法同学们可能经常会尝试定义各种新的神经网络层(neural network layer),比如 Layer No ...

  9. 如何一步一步用DDD设计一个电商网站(一)—— 先理解核心概念

    一.前言     DDD(领域驱动设计)的一些介绍网上资料很多,这里就不继续描述了.自己使用领域驱动设计摸滚打爬也有2年多的时间,出于对知识的总结和分享,也是对自我理解的一个公开检验,介于博客园这个平 ...

随机推荐

  1. 病毒木马查杀实战第011篇:QQ盗号木马之专杀工具的编写

    前言 由于我已经在<病毒木马查杀第004篇:熊猫烧香之专杀工具的编写>中编写了一个比较通用的专杀工具的框架,而这个框架对于本病毒来说,经过简单修改也是基本适用的,所以本文就不讨论那些重叠的 ...

  2. 对c语言回调函数的理解

    对于回调函数,可以简单的理解为一种特别的函数调用方法,我们可以对比一下回调函数与普通函数在调用方法上的区别. 1. 普通函数调用 一般为实现方在其函数体执行过程中直接调用. 代码示例: #includ ...

  3. Xposed框架中XSharePreference的使用

    本文博客地址:https://blog.csdn.net/QQ1084283172/article/details/81194406 在Xposed框架的模块编写中,通常希望我们自己写的Android ...

  4. 无法编译出.sys文件 寒江孤钓<<windows 内核安全编程>> 学习笔记

    系统环境:win7 编译环境:Windows Win7 IA-64 Checked Build Environment 按照书中所说的步骤,出现如下问题 后来直接使用光盘源码,编译成功,于是对照源文件 ...

  5. Portswigger web security academy:WebSockets

    Portswigger web security academy:WebSockets 目录 Portswigger web security academy:WebSockets Lab: Mani ...

  6. (转)VMware中桥接模式与NAT模式的区别

    bridged networking(桥接模式) 在这样的模式下.VMWare虚拟出来的操作系统就像是局域网中的一台独立的主机,它能够訪问网内不论什么一台机器. 在桥接模式下.你须要手工为虚拟系统配置 ...

  7. CDH安装步骤

    Six Steps to CDH Installation There are many options and potential paths that make each CDH cluster ...

  8. Day015 异常处理机制

    异常处理机制 抛出异常 捕获异常 异常处理的五个关键字 try:监控一个代码块,有异常就能通过catch捕获 catch(想要捕获的异常类型):捕获想要捕获的异常,catch代码块的代码只有在捕获到异 ...

  9. laravel 批量删除

    <button id="delAll">批量删除</button>//给按钮一个id属性 <input type="checkbox&quo ...

  10. JAVA基础——运算符号

    运算符(java) 算数运算符:+,-,*,/,%(取余),++,-- 赋值运算符:= 关系运算符:<, >, >= ,<= ,== , != 逻辑运算符:&& ...