前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【TensorFlow实战——笔记】第1章:TensorFlow基础

【TensorFlow实战——笔记】第1章:TensorFlow基础

作者头像
石瞳禅
发布2018-09-18 18:08:09
6770
发布2018-09-18 18:08:09
举报
文章被收录于专栏:石瞳禅的互联网实验室

1.1 TensorFlow概要

TensorFlow是Google公司开源的分布式机器学习框架。它的前身是DistBelief,在Google大规模内部使用。TensorFlow最早由Google Brain研究组发起。

官网:http://www.tersorflow.org Github网址:https://github.com/tensorflow/tensorflow 模型仓库网址:https://github.com/tensorflow/models

TensorFlow关键版本发布历史

  • 2015.11.09 在Github上开源(Ver0.5.0)
  • 2015.12.10 支持Python3.3+,GPU性能提升...(Ver0.6.0)
  • 2016.02.17 支持GPU使用Cuda7.0+、cuDNN R2+、cuDNN R4等运算加速库...(Ver0.7.0)
  • 2016.04.30 通过gRPC实现分布式计算...(Ver0.8.0)
  • 2016.06.28 支持Python3.5,支持iOS,支持Mac电脑上的GPU计算...(Ver0.9.0)
  • 2016.09.13 添加C++ shape inference,添加graph-construction C/C++(大部分) Api...(Ver0.10.0)
  • 2016.11.11 支持cuDNN 5、Cuda8.0,HDFS...(Ver0.11.0)
  • 2016.12.21 支持Windows环境运行,cuDNN 5.1...(Ver0.12.0)
  • 2017.02.16 发布正式版(Ver1.0.0)
  • 2017.04.27 支持Windows下的Java Api...(Ver1.1.0)
  • 2017.06.15 支持Windows下的Python 3.6...(Ver1.2.0)

前端API支持语言

  • Python (推荐使用,API最全面)
  • C++
  • Go
  • Java
  • Rust
  • Haskell
  • 非官方(Julia、Javascript、R)

运算操作硬件

  • CPU: Linux, Mac, Windows, Android, iOS
  • GPU: Linux, Mac, Windows
  • TPU: Tensor Processing Unit(Google专门为大规模深度学习计算定制的芯片,内部使用,AlphaGo采用)

应用场景

  • 语音识别
  • 自然语言处理
  • 计算机视觉
  • 机器人控制
  • 信息抽取
  • 药物研发
  • 分子活动预测
  • ...

其他

  • 编程模型:Dataflow-like model(数据流模型)
  • 部署:一套代码,全平台运行
  • 运行模式:单机、分布式
  • 数学表达:Math Graph Expression(数学计算图表达)、Auto Differentiation(自动微分)
  • 平台支持:Google Cloud Platform、Hadoop File System

1.2 TensorFlow编程模型简介

TensorFlow的计算可以表示为一种有向图(directed graph),或者称计算图(computation graph)。图中每一个运算操作(operation)是一个节点(node),节点之间的连接线称为边(edge)。计算图中的节点可以有任意多个输入和任意多个输出,每个节点都只有一个运算操作。在计算图中流动(flow)的数据被称为张量(tensor),故得名TensorFlow。

计算图示例

代码语言:javascript
复制
import tensorflow as tf
b=tf.Variable(tf.zeros([100]))      # 生成100维的向量,初始化为0
W=tf.Variable(tf.random_uniform([784,100],-1,1))    # 生成784x100的随机矩阵W
x=tf.placeholder(name="x")      # 输入的Placeholder
relu=tf.nn.relu(tf.matmul(W, x)+b)  # ReLU(Wx+b)
C=[...]         # 根据ReLU函数的结果计算Cost
s=tf.Session()
for step in range(0, 10):
    input=...construct 100-D input array... # 为输入创建一个100维的向量
    result=s.run(C, feed_dict={x: input})   # 获取Cost,供给输入x
    print(step, result)

Session是用户使用TensorFlow时交互的接口。Session可以通过Extend方法添加节点(node)和边(edge)。Variable是一类特殊的运算操作,可以将tensor存储在内存或显存中。

内建运算操作

  • 标量运算:Add、Sub、Mul、Div、Exp、Log、Greater、Less、Equal
  • 向量运算:Concat、Slice、Split、Constant、Rank、Shape、Shuffle
  • 矩阵运算:MatMul、MatrixInverse、MatrixDeterminant
  • 带状态的运算:Variable、Assign、AssignAdd
  • 神经网络组件:SoftMax、Sigmoid、ReLU、Convolution2D、MaxPooling
  • 存储、恢复:Save、Restore
  • 队列及同步运算:Enqueue、Dequeue、MutexAcquire、MutexRelease
  • 控制流:Merge、Switch、Enter、Leave、NextIteration

工作组件

  • client:客户端执行session run与master相连
  • master:指导所有worker按流程执行计算图
  • worker:与多个硬件设备(device)相连,并管理他们

每一个worker管理多个设备,设备的name包含硬件类别、编号、任务号(单机版没有),例如:

单机模式:/job:localhost/device:cpu:0 分布式模式: /job:worker/task:17/device:gpu:3

运行模式

  • 单机模式:计算图会按依赖关系被顺序执行。当一个节点的所有前置节点执行完时(依赖数为0),这个节点就会被加入ready queue以等待执行;同时,它后置的所有节点依赖数减1,这就是标准的计算拓扑方式。
  • 分布式模式:设计了一套节点(node)分配设备策略。 通过计算一个代价模型,估算每一个节点的输入、输出tensor的大小和所需的时间。代价模型由人工经验制定也可由实际运算测量得到。策略确定后,计算图会被划分成许多子图,使用同一设备且相邻的节点会被划分到同一个子图。子图划分的图例如下:

单机单设备(device)改造成单机多设备(device)

代码语言:javascript
复制
for i in range(8):
    for d in range(4):
        with tf.device("/gpu:%d" % d):
            input = x[i] if d is 0 else m[d-1]
            m[d], c[d] = LSTMCell(input, mprev[d], cpev[d])
            mprev[d] = m[d]
            cprev[d] = c[d]

分布式容错性

  • 信息从发送节点传输到接收节点失败时
  • 周期性的worker心跳检测失败时

当一个故障被检测到,整个计算图会终止并重启。

扩展功能

  • 原生支持自动求导(以后学习)
  • 支持单独执行子图:bar:0表示名为bar的节点的第1个输出,输入数据的节点会连接一个feed node,输出的节点会连接一个fetch node
  • 支持计算图的控制流:if-condition、while-loop、Switch、Merge、Enter、Leave、NextIteration
  • 数据输入除了feed node,还有特殊的input node直接输入文件系统的路径,从client读取
  • 队列(queue):用于任务调度,让计算图的不同节点异步执行
  • 容器(container):管理长期变量,比如Variable等

性能优化

高度优化的三方计算库
  • 线性代数计算库:Eigen
  • 矩阵乘法计算库:BLAS、cuBLAS(CUDA BLAS)
  • 深度学习计算库:cuda-convnet、cuDNN
加速神经网络训练的并行计算模式
  • 数据并行:通过将一个mini-batch数据放在不同的设备上计算,实现梯度计算的并行化。计算还可以分同步、异步和混合三种方式。同步的优点是没有梯度干扰,缺点是容错性差,一台机器出现问题后要重跑;异步的优点是有一定容错性,但是受梯度影响问题,导致每组梯度利用效率下降。
  • 模型并行:将计算图的不同部分放在不同的设备上运算,可以实现简单模型的并行。
  • 流水线并行:和异步的数据并行很像,只不过是在同一个硬件设备上实现并行,提高设备利用率。
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017-07-11,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1.1 TensorFlow概要
    • TensorFlow关键版本发布历史
      • 前端API支持语言
        • 运算操作硬件
          • 应用场景
            • 其他
            • 1.2 TensorFlow编程模型简介
              • 计算图示例
                • 内建运算操作
                  • 工作组件
                    • 运行模式
                      • 单机单设备(device)改造成单机多设备(device)
                        • 分布式容错性
                          • 扩展功能
                            • 性能优化
                              • 高度优化的三方计算库
                              • 加速神经网络训练的并行计算模式
                          相关产品与服务
                          GPU 云服务器
                          GPU 云服务器(Cloud GPU Service,GPU)是提供 GPU 算力的弹性计算服务,具有超强的并行计算能力,作为 IaaS 层的尖兵利器,服务于生成式AI,自动驾驶,深度学习训练、科学计算、图形图像处理、视频编解码等场景。腾讯云随时提供触手可得的算力,有效缓解您的计算压力,提升业务效率与竞争力。
                          领券
                          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档