从学习 Paddle 开始学习深度学习

深度学习的黄金时代已经到来

开场白

首先给Baidu打一波广告。Paddle深度学习平台,你值得学习。

它的优点

  • 灵活性:PaddlePaddle支持广泛的神经网络结构和优化算法,很容易配置复杂的模型,如基于注意力(Attention)机制或复杂的内存(Memory)连接的神经机器翻译模型。(Attention和Memory参考阅读: 深度学习和自然语言处理中的attention和memory机制 、 深度学习:推动NLP领域发展的新引擎 )

  • 高效:在PaddlePaddle的不同层面进行优化,以发挥异构计算资源的效率,包括计算、内存、架构和通信等。例如:

    • 通过SSE/AVX内部函数,BLAS库(例如MKL,ATLAS,CUBLAS)或定制CPU/GPU内核优化的数学运算。
    • 高度优化循环网络,以处理可变长度序列,无需填充(Padding)。
    • 优化高维稀疏数据模型的本地和分布式训练。
  • 可扩展性:PaddlePaddle很容易使用多个CPU/GPU和机器来加快你的训练,通过优化通信实现高吞吐量、高性能。

  • 连接产品:PaddlePaddle易于部署。在百度,PaddlePaddle已经被部署到广大用户使用的产品或服务,包括广告点击率(CTR)的预测,大型图像分类,光学字符识别(OCR),搜索排名,计算机病毒检测,推荐等。

来自网络


初识

先做一个形象的比喻,Paddle就好比一台3D打印机,我们设计的神经网络就好比需要打印的模型,而我们的数据集就相当于原材料,把两者同时提供给这台打印机,经过一段时间就可以得到我们预期的产品–模型(Trained Model).

简言之,paddle 做的工作就是利用我们设计的模型和我们提供的数据 通过高性能的并行技术(CPU/GPU)来完成训练。

所以,我们在使用 Paddle 做深度学习时最基本的工作就是设计一个完美的模型并准备好数据。也就是要有以下几个文件:

  • trainer_config.py : 配置神经网络模型
  • data_provider.py : 数据提供
  • train.sh : 配置paddle训练的参数

安装

paddle提供了三种安装方式:

  • Docker 安装,非常便捷,但必须在Docker环境下部署。
  • deb 安装, 在Ubuntu下打包安装。
  • 编译安装 文档上写的有点复杂,其实很简单,先处理完一些依赖库,比如 MKL/BLASprotobuf 以及CUDA之类的(非GPU用户不用担心)。然后就是最基本的操作 make 之类了。每个用户都可以去尝试一下,可拓展性和可操作性都很强。

简单使用

1. 数据

可以分为如下两步:

  • 定义数据格式
  • 通过生成器和yield方式提供数据

以手写字MNIST作为例子

数据样例:

1
5;0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.215686 0.533333 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.67451 0.992157 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.070588 0.886275 0.992157 0 0 0 0 0 0 0 0 0 0 0.192157 0.070588 0 0 0 0 0 0 0 0 0 0 0 0 0 0.670588 0.992157 0.992157 0 0 0 0 0 0 0 0 0 0.117647 0.933333 0.858824 0.313725 0 0 0 0 0 0 0 0 0 0 0 0.090196 0.858824 0.992157 0.831373 0 0 0 0 0 0 0 0 0 0.141176 0.992157 0.992157 0.611765 0.054902 0 0 0 0 0 0 0 0 0 0 0.258824 0.992157 0.992157 0.529412 0 0 0 0 0 0 0 0 0 0.368627 0.992157 0.992157 0.419608 0.003922 0 0 0 0 0 0 0 0 0 0.094118 0.835294 0.992157 0.992157 0.517647 0 0 0 0 0 0 0 0 0 0.603922 0.992157 0.992157 0.992157 0.603922 0.545098 0.043137 0 0 0 0 0 0 0 0.447059 0.992157 0.992157 0.956863 0.062745 0 0 0 0 0 0 0 0 0.011765 0.666667 0.992157 0.992157 0.992157 0.992157 0.992157 0.745098 0.137255 0 0 0 0 0 0.152941 0.866667 0.992157 0.992157 0.521569 0 0 0 0 0 0 0 0 0 0.070588 0.992157 0.992157 0.992157 0.803922 0.352941 0.745098 0.992157 0.945098 0.317647 0 0 0 0 0.580392 0.992157 0.992157 0.764706 0.043137 0 0 0 0 0 0 0 0 0 0.070588 0.992157 0.992157 0.776471 0.043137 0 0.007843 0.27451 0.882353 0.941176 0.176471 0 0 0.180392 0.898039 0.992157 0.992157 0.313725 0 0 0 0 0 0 0 0 0 0 0.070588 0.992157 0.992157 0.713725 0 0 0 0 0.627451 0.992157 0.729412 0.062745 0 0.509804 0.992157 0.992157 0.776471 0.035294 0 0 0 0 0 0 0 0 0 0 0.494118 0.992157 0.992157 0.968627 0.168627 0 0 0 0.423529 0.992157 0.992157 0.364706 0 0.717647 0.992157 0.992157 0.317647 0 0 0 0 0 0 0 0 0 0 0 0.533333 0.992157 0.984314 0.945098 0.603922 0 0 0 0.003922 0.466667 0.992157 0.988235 0.976471 0.992157 0.992157 0.788235 0.007843 0 0 0 0 0 0 0 0 0 0 0 0.686275 0.882353 0.364706 0 0 0 0 0 0 0.098039 0.588235 0.992157 0.992157 0.992157 0.980392 0.305882 0 0 0 0 0 0 0 0 0 0 0 0 0.101961 0.67451 0.321569 0 0 0 0 0 0 0 0.105882 0.733333 0.976471 0.811765 0.713725 0 0 0 0 0 0 0 0 0 0 0 0 0 0.65098 0.992157 0.321569 0 0 0 0 0 0 0 0 0 0.25098 0.007843 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0.94902 0.219608 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.968627 0.764706 0.152941 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.498039 0.25098 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;

数据可拆分为 label 和 784 的一个浮点数一维向量。

定义数据格式

data_provider.py中,有两种方式定义输入数据格式

1. 通过装饰器直接定义

1
@provider(input_types=[dense_vector(784), integer_value(10)],cache=CacheType.CACHE_PASS_IN_MEM)

定义了一个稠密的784维向量和一个范围从0~10的整数。

或者可以有如下定义

1
2
3
4
5
@provider(input_types={
'pixel': dense_vector(784),
'label': integer_value(10)
},cache=CacheType.CACHE_PASS_IN_MEM
)

这样通过字典定义,可以方便标记和访问。

2. 通过init_hook间接定义

1
2
3
4
5
6
7
def initialize(settings, **kwargs):
s = dict()
s['data'] = dense_vector(784)
s['label'] = integer_value(10)
settings.input_types = s

@provider(init_hook=initialize,cache=CacheType.CACHE_PASS_IN_MEM)

通过init_hook方式更加灵活,可以动态修改输入的数据类型。另外,在init_hook方法中可以提前对settings进行配置或者动态添加一些参数,供后续工作使用。

关于两种方式的选择依据个人需求。

通过生成器和yield提供数据

yield方用法 具体查看Python文档

定义好数据格式后,就可以开始结合那个@provider装饰器提供数据了。

1
2
3
4
5
6
7
8
9
10
@provider(input_types=[dense_vector(784), integer_value(10)],cache=CacheType.CACHE_PASS_IN_MEM)
def process(settings, filename):
with open(filename, 'r') as f:
for line in f:
label, pixel = line.split(';')
pixels_str = pixel.split(' ')
pixels_float = []
for each_pixel_str in pixels_str:
pixels_float.append(float(each_pixel_str))
yield {"pixel": pixels_float, 'label': int(label)}

下面来介绍一下这个函数的一些内容:

  • settings:这是一个全局的配置。里面可以访问一些变量,尤其是我们在init_hook中动态添加的属性。

  • filename:显然,我们获取数据需要文件。这个file就是我们需要准备的训练集和测试文件。然而我们并不会主动去调用函数,一切调用交给了Paddle。那么我们怎么把数据提交给Paddle,Paddle又如何把数据以filename的方式交给上述的data_provider中的process 处理呢?

下面要引入另外几个特殊的文件

  • train.list 一个简单的文本文件,将训练文件的目录写进去,比如 data/mnist.txt
  • test.list 存放测试文件,内容同上。

这些文件处理好后,直接交给paddle,然后我们就可以在data_provider中对我们写进这两个文件里的训练文件和测试文件(data/mnist.txt) 进行读取操作了。

如上图:整个数据提供的顺序为:

  1. test.listtrain.list 提供给 Paddle
  2. Paddle 将test.listtest.list中的数据文件(如MNIST.txt) 传给 data_provider.py
  3. data_provider.py将数据分离成对应的input_types传递给Paddle
  4. Paddle 将 数据向量 和 trainer_config.py中的模型结合起来训练并测试模型。
补充
  • input_types:

    • dense_vector 表示稠密的浮点数向量.
    • sparse_binary_vector 表示稀疏的零一向量,即大部分值为0,有值的位置只能取1.
    • sparse_vector 表示稀疏的向量,即大部分值为0,有值的部分可以是任何浮点数.
    • integer_value 表示整数标签。
  • cache:

    • NO_CACHE :不缓存任何数据,每次都会从python端读取数据
    • CACHE_PASS_IN_MEM :第一个pass会从python端读取数据,剩下的pass会直接从内存里 读取数据。

2. 模型配置

还是以手写字为例

trainer_config.py 中 开始配置模型, 模型配置分三部分

  • 数据提供
  • 算法配置
  • 网络配置

首先

1
from paddle.trainer_config_helpers import *
数据提供
1
2
3
4
5
6
7
8
9
define_py_data_sources2(
train_list='train.list',
test_list='test.list',
module='data_provider',
obj=process,
args={
//
}
)

这个函数可以向paddle配置数据输入。

  • module: Data Provider 的脚本文件名如data_provider对应 data_provider.py
  • obj:对应数据提供函数(含有yield)
  • args:为可选项,可以提供一些键值数据给init_hook函数作为函数调用的自定义参数。
算法配置
1
2
3
4
5
6
settings(
batch_size=batch_size,
learning_rate=0.001,
learning_method=RMSPropOptimizer(),
regularization=L2Regularization(8e-4)
)

这个用于配置深度神经网路的一些参数, 比如学习率,batch_size,以及正则化方法和学习方法。后面会对这些参数做详细的分析。

网络配置
  • 输入数据获取
1
2
data = data_layer(name='data', size=784)
label = data_layer(name='label', size=10)
  • 神经网络配置

最基本网络模型 – Fully Connected Layer 全连接层

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 第一个全连接隐层 有 64 个神经元 激活函数为 Sigmoid 函数
full_layer = fc_layer(input=data, size=64, act=SigmoidActivation())

# 第二个全连接隐层 有 32 个神经元 激活函数为 ReLU 函数
full_2_layer = fc_layer(input=full_layer, size=32, act=ReluActivation())

# 输出层 有10个神经元, 激活函数为Softmax
output_layer = fc_layer(input=full_2_layer, size=10, act=SoftmaxActivation())

# 计算分类损失,并执行误差反向传播
cost = classfication_cost(input=output_layer, label=label)

# 输出
output(cost)

output 一般作为模型配置的结束点,没有output会导致paddle报异常的错误。

神经网络Layer还有很多种类,如 LSTM,CNN,RNN以及各种pool。会在以后的介绍中提到。

3. 训练

run shell scripts
1
2
3
4
5
6
7
8
9
10
cfg=trainer_config.py
paddle train \
--config=$cfg \ # 模型配置
--save_dir=$output_dir \ # 输出文件存储目录
--trainer_count=64 \ # GPU个数或者CPU个数
--log_period=1000 \ #
--dot_period=100 \ # 每一个period的输出dot的数量
--num_passes=50 \ # 训练轮数
--use_gpu=false \ # 是否使用GPU
--show_parameter_stats_period=3000 \

run后paddle就会开始训练,深度学习的大门就开启了。


总结

Paddle 刚开源不久,确实存在一些问题,Baidu开发者也在不断更新完善(回复issue的速度贼快)。但熟悉后会觉得这个框架可用性很强。支持国产!


关于更新

有时间就更新,学到了新东西就更新