iT邦幫忙

第 11 屆 iThome 鐵人賽

DAY 18
0
AI & Data

深度學習裡的冰與火之歌 : Tensorflow vs PyTorch系列 第 18

Day 18: Tensorflow 2.0 再造訪 tf.function

  • 分享至 

  • xImage
  •  

Functions, not Sessions

tf1.0 vs tf2.0

上圖引自 RFC:TF 2.0: Functions, not Sessions(見 Reference 1)。

在 Tensorflow 2.0 的設計原則為:

  1. Python 函式即是一個計算圖(Python functions as Graphs):基於這個原則 tf.Sessiontf.function 替換,tf.placeholdertf.function 包覆函式的引數。這樣做的好處是程式邏輯與 Tensorflow runtime 計算結果相符合,在 1.x,程式執行邏輯須由使用者先建立計算圖,並提供全部或部分計算圖給 tf.Session 物件執行。
  2. 程式執行語意和預先設定的相依關係 (Program-order semantics / Control dependencies):在過去,tensorflow 的使用者需要維持兩個運算模型,一個是 python 直譯器,另外一個則是 tf.Session 所持有的運算圖。當 tf.Session 需要同時對 stateful 的 tf.Variable 執行讀與寫,兩者的運算模型分歧,後者呈不確定的狀態,因此不一定符合程式寫作的邏輯。過去, tensorflow 1.x 是藉由使用者透過tf.control_dependencies 函式對靜態計算圖做註釋,先跑哪一個運算元,舉例說明,讀還是寫。

用一個例子來解釋原則 2。首先,一個 Tensorflow 1,x 的程式碼:

v = tf.Variable(1.0) # 建立一個 Variable 初始值為 1.9
init_op = tf.global_variables_initializer() # 建立初始化全域變數值的運算元
assign_op = v.assign(2.0) #建立寫入值為 2.0 的運算元
read = v.read_value() #讀出 Variable v 目前的數值

with tf.Session() as sess: # 建立一個 Session 物件
  sess.run(init_op) # Session 物件執行初始化全域變數值的運算元
  val = sess.run(read) # Session 物件執行讀取運算元
  print(val) # 將會輸出 1.0,因為 assign_op 還未被執行
  val = sess.run([read, assign_op])[0] # Session 物件執行讀取和寫入運算元
  print(val)   # 非確定行為可能輸出 1.0 或 2.0,

若在 2.0 則可以先用 tf.function 封裝一到多個運算元,在 tf.function 內則的運算次序不會被保證與程式撰寫一樣,因為在編譯期間最佳化,但 tf.function的輸出則可以保證一致。

v = tf.Variable(1.0)
@tf.function
def f():
  v.assign(2.0)
  return v.read_value()

print(f()) # 永遠印出 2.0.

藉著一個簡單的例子,我們瞭解了 tf.function 的使命,接著...

什麼是 tf.function

今天要進到 Tensorflow 2.0 的核心,也就是 tf.functiontf.function 可以看作 PyTorch 的 torch script,主要是處理在 function-level 的計算封裝。任何函式經過 tf.function decorator 包覆後,該函式的語法會被 tf.function

  1. 解析 python 語法後翻譯為和 tf.Tensor 相容的語法。比如說, if ... else 則會被翻譯為 tf.cond
  2. 編譯語法為靜態計算圖,並就該計算圖做優化。

現就官方網站的tf.function介紹,Better performance with tf.function and AutoGraph提供的例子來解釋如何使用 tf.function

直接使用 tf.function decorate target function

# non-eager
@tf.function 
def simple_nn_layer(x, y):
  return tf.nn.relu(tf.matmul(x, y))

x = tf.random.uniform((3, 3)) # eager code
y = tf.random.uniform((3, 3)) # eager code

simple_nn_layer(x, y)
# => <tf.Tensor: id=23, shape=(3, 3), dtype=float32, numpy=
#array([[1.2809252 , 0.44859692, 0.9838194 ],
#       [0.7492161 , 0.22386347, 0.36669958],
#       [1.3041403 , 0.5147673 , 1.0727234 ]], dtype=float32)>

可以發現被 tf.function decorate 的 target function,也就是 simple_nn_layer 的輸出是一個 tf.Tensor,因為預設的 eager mode,所以包含了 numpy buffer,以 numpy 屬性附著在輸出tf.Tensor

tf.function 巢狀 decoration

tf.function 有一個良好特徵,那就是它會主動地將 target function 裡呼叫的函式都進行 decoration,所以使用者不必親自回溯,並一一的加上 tf.function decoration。

def linear_layer(x): 
  return 2 * x + 1

print("linear_layer:", linear_layer)
#=> linear_layer: <function linear_layer at 0x7fd5f2baf1e0>

@tf.function
def deep_net(x):
  return tf.nn.relu(linear_layer(x))

print("deep_net:", deep_net)
#=> deep_net: <tensorflow.python.eager.def_function.Function object at 0x7fd5f2bceeb8>

deep_net(tf.constant((1, 2, 3)))
#=> <tf.Tensor: id=47, shape=(3,), dtype=int32, numpy=array([3, 5, 7], dtype=int32)>

由上面的程式碼我們可以看到,被 tf.function 直接 decorate 的 python 函式會被tf.function 轉型為 eager.def_function.Function,如:deep_net。雖然在 deep_net 程式主體被呼叫的 linear_layer 仍是 python function,但在deep_net 中被呼叫,也會被解析編譯成為計算圖。

大致來說,若 tf.function 的 target function 是一些非常小的運算元們,其速度就會比 eager code 還快速,但若是包含像 convolution 或 lstm 這樣計算較為昂貴的計算元,則兩者差距並不大。大家可以到官方文件中看範例。

但要注意的是所有的 tf.keras.layers 類別物件,並沒有預設被 tf.function decorate。同樣的 tf.nn.*也沒有。這些函式如果要被 tf.function 使用,可以用另外一個 python 函式包覆,最後在定義上加上tf.function decorator,程式碼如下:

lstm_cell = tf.keras.layers.LSTMCell(10)
print(lstm_cell)
#=> <tensorflow.python.keras.layers.recurrent_v2.LSTMCell object at 0x7fd5f23513c8>

@tf.function
def lstm_fn(input, state):
  return lstm_cell(input, state)

print(lstm_fn)
#=> <tensorflow.python.eager.def_function.Function object at 0x7fd5f2321128>

input = tf.zeros([10, 10])
state = [tf.zeros([10, 10])] * 2
# warm up
lstm_cell(input, state); lstm_fn(input, state)
print("eager lstm:", timeit.timeit(lambda: lstm_cell(input, state), number=10))
print("function lstm:", timeit.timeit(lambda: lstm_fn(input, state), number=10))
# => eager lstm: 0.007967374000145355
#    function lstm: 0.004763247000028059

AutoGraph is Behind the Scenes

tf.function 所做的是將一般的 python function 做轉譯成計算圖,而負責這層轉譯工作的則是 tf.autograph 模組。透過這個模組所提供的 to_code 方法,我們可以檢視轉譯後的結果。

@tf.function
def sum_even(items):
  s = 0
  for c in items:
    if c % 2 > 0:
      continue
    s += c
  return s

#sum_even(tf.constant([10, 12, 15, 20]))
print(tf.autograph.to_code(sum_even.python_function))
#=>def tf__sum_even(items):
#  do_return = False
#  retval_ = ag__.UndefinedReturnValue()
#  with ag__.FunctionScope('sum_even', 'sum_even_scope', #ag__.ConversionOptions(recursive=True, user_requested=True, #optional_features=(), internal_convert_user_code=True)) as #sum_even_scope:
#...
# return ag__.retval(retval_)

藉著呼叫被 tf.function decorated 過的 eager.def_function.Function 物件的python_function 屬性,我們仍可以 access 原 python funtion。將這個 python function 傳入 tf.autograph.to_code() 函式後,則可以重建在 low-level 的原始碼轉譯。讀者要注意的是,上方的 tf.autograph.to_code 的 printout 只有秀出一小片段,因為該函式實在複雜,大家可以前往官方網站或使用網站所提供的 colab notebook 來重建全部輸出。
在這裏則秀出另一個 to_code的結果,用的 python function 則是 deep_net,我們將輸出 deep_netto_code 結果,證明 linear_layer也被編譯,而不是文件上如此說而已。

print(tf.autograph.to_code(deep_net.python_function))
#=>def tf__deep_net(x):
#  do_return = False
#  retval_ = ag__.UndefinedReturnValue()
#  with ag__.FunctionScope('deep_net', 'deep_net_scope', #ag__.ConversionOptions(recursive=True, user_requested=True, #optional_features=(), internal_convert_user_code=True)) as #deep_net_scope:
#    do_return = True
#    retval_ = #deep_net_scope.mark_return_value(ag__.converted_call(tf.nn.relu, #deep_net_scope.callopts, (ag__.converted_call(linear_layer, #deep_net_scope.callopts, (x,), None, deep_net_scope),), None, #deep_net_scope))
#  do_return,
#  return ag__.retval(retval_)

可以看到 ag__.converted_call(tf.nn.relu,...) 是動態轉換 tf.nn.reluag__.converted_call(linear_layer,... 則是動態轉換 linear_layer。

其他

關於 tf.function 的其他細節,包括了:

  1. 使用 tf.config.run_functions_eagerly(True) 來除錯:由於 python built-in debugger, aka pdb,無法在 tf.function 所編譯的 **graph mode** 中使用,所以對於要使用 pdb 等 python debugger,需要依賴tf.config.run_functions_eagerly(True)enable **eager mode**。在 enable **eager mode** 後,使用者就可以在需要除錯的地方插入pdb.trace(),並使用 pdb 除錯,最後則依賴 tf.config.experimental_run_functions_eagerly(False)` 關閉 eager mode。使用的 pattern 可以簡化如下:
tf.config.experimental_run_functions_eagerly(True)

# f 是一個 tf.function decorated function
f(tf.constant(1)) 

tf.config.experimental_run_functions_eagerly(False)
  1. 盡量使用 batch 來做流程控制,而不是用單一 training example 做檢視:儘管這意味著,儘量不要使用 python 的 list comprehension 或 loop 來檢視每一個元素,而是盡量使用 tf.where

References

[1] TensorFlow 2.0: Functions, not Sessions


上一篇
Day 17: Tensorflow 2.0 再造訪 tf.GradientTape
下一篇
Day 19: Tensorflow 2.0 再造訪 AutoGraph
系列文
深度學習裡的冰與火之歌 : Tensorflow vs PyTorch31
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言