本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.
在早两天开源的 TfPyTh 中,不论是TensorFlow还是 PyTorch 计算图,它们都可以包装成一个可微函数,并在另一个框架中高效完成前向与 反向传播 。很显然,这样的框架交互,能节省很多重写代码的麻烦事。
项目地址:https://github.com/BlackHC/TfPyTh
为什幺框架间的交互很重要
目前 GitHub 上有很多优质的开源模型,它们大部分都是用 PyTorch 和TensorFlow写的。如果我们想要在自己的项目中调用某个开源模型,那幺它们最好都使用相同的框架,不同框架间的对接会带来各种问题。当然要是不怕麻烦,也可以用不同的框架重写一遍。
以前TensorFlow和 PyTorch 经常会用来对比,讨论哪个才是更好的深度学习框架。但是它们之间就不能友好相处幺,模型在两者之间的相互迁移应该能带来更多的便利。
在此之前,Facebook 和微软就尝试过另一种方式,即神经网络交换格式 ONNX。直观而言,该工具定义了一种通用的计算图,不同深度学习框架构建的计算图都能转化为它。虽然目前 ONNX 已经原生支持MXNet、PyTorch 和 Caffe2 等大多数框架,但是像TensorFlow或 Keras 之类的只能通过第三方转换器转换为 ONNX 格式。
而且比较重要的一点是,现阶段 ONNX 只支持推理,导入的模型都需要在原框架完成训练。所以,想要加入其它框架的模型,还是得手动转写成相同框架,再执行训练。
神奇的转换库 TfPyTh
既然 ONNX 无法解决训练问题,那幺就轮到 TfPyTh 这类项目出场了,它无需改写已有的代码就能在框架间自由转换。具体而言,TfPyTh 允许我们将TensorFlow计算图包装成一个可调用、 可微分 的简单函数,然后 PyTorch 就能直接调用它完成计算。反过来也是同样的,TensorFlow也能直接调用转换后的 PyTorch 计算图。
因为转换后的模块是可微的,那幺正向和反向传播都没什幺问题。不过项目作者也表示该项目还不太完美,开源 3 天以来会有一些小的问题。例如张量必须通过 CPU 进行复制与路由,直到TensorFlow支持__cuda_array_interface 相关功能才能解决。
目前 TfPyTh 主要支持三大方法:
torch_from_tensorflow:创建一个 PyTorch 可微函数,并给定TensorFlow占位符输入计算张量输出;
eager_tensorflow_from_torch:从 PyTorch 创建一个 EagerTensorFlow函数;
tensorflow_from_torch:从 PyTorch 创建一个TensorFlow运算子或张量。
TfPyTh 示例
如下所示为 torch_from_tensorflow 的使用案例,我们会用TensorFlow创建一个简单的静态计算图,然后传入 PyTorch张量进行计算。
import tensorflow as tf import torch as th import numpy as np import tfpyth session = tf.Session() def get_torch_function(): a = tf.placeholder(tf.float32, name='a') b = tf.placeholder(tf.float32, name='b') c = 3 * a + 4 * b * b f = tfpyth.torch_from_tensorflow(session, [a, b], c).apply return f f = get_torch_function() a = th.tensor(1, dtype=th.float32, requires_grad=True) b = th.tensor(3, dtype=th.float32, requires_grad=True) x = f(a, b) assert x == 39. x.backward() assert np.allclose((a.grad, b.grad), (3., 24.))
我们可以发现,基本上TensorFlow完成的就是一般的运算,例如设置占位符和建立计算流程等。TF 的静态计算图可以通过 session 传递到 TfPyTh 库中,然后就产生了一个新的可微函数。后面我们可以将该函数用于模型的某个计算部分,再进行训练也就没什幺问题了。
Be First to Comment