TensorFlow

TensorFlow 是相對高階的機(jī)器學(xué)習(xí)庫，用戶可以方便地用它設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而不必為了追求高效率的實(shí)現(xiàn)親自寫 C++或 CUDA 代碼。它和 Theano 一樣都支持自動求導(dǎo)，用戶不需要再通過反向傳播求解梯度。TensorFlow 是相對高階的機(jī)器學(xué)習(xí)庫，用戶可以方便地用它設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而不必為了追求高效率的實(shí)現(xiàn)親自寫 C++或 CUDA 代碼。它和 Theano 一樣都支持自動求導(dǎo)，用戶不需要再通過反向傳播求解梯度。其核心代碼和 Caffe 一樣是用 C++編寫的，使用 C++簡化了線上部署的復(fù)雜度，并讓手機(jī)這種內(nèi)存和CPU資源都緊張的設(shè)備可以運(yùn)行復(fù)雜模型（Python 則會比較消耗資源，并且執(zhí)行效率不高）。除了核心代碼的 C++接口，TensorFlow 還有官方的 Python、Go 和 Java 接口，是通過 SWIG（Simplified Wrapper and Interface Generator）實(shí)現(xiàn)的，這樣用戶就可以在一個硬件配置較好的機(jī)器中用 Python進(jìn)行實(shí)驗，并在資源比較緊張的嵌入式環(huán)境或需要低延遲的環(huán)境中用 C++部署模型。SWIG 支持給 C/C++代碼提供各種語言的接口，因此其他腳本語言的接口未來也可以通過 SWIG 方便地添加。不過使用 Python 時有一個影響效率的問題是，每一個 mini-batch 要從 Python 中 feed 到網(wǎng)絡(luò)中，這個過程在 mini-batch 的數(shù)據(jù)量很小或者運(yùn)算時間很短時，可能會帶來影響比較大的延遲。

TensorFlow 也有內(nèi)置的 TF.Learn 和 TF.Slim 等上層組件可以幫助快速地設(shè)計新網(wǎng)絡(luò)，并且兼容 Scikit-learn estimator 接口，可以方便地實(shí)現(xiàn) evaluate、grid search、cross validation 等功能。同時 TensorFlow 不只局限于神經(jīng)網(wǎng)絡(luò)，其數(shù)據(jù)流式圖支持非常自由的算法表達(dá)，當(dāng)然也可以輕松實(shí)現(xiàn)深度學(xué)習(xí)以外的機(jī)器學(xué)習(xí)算法。事實(shí)上，只要可以將計算表示成計算圖的形式，就可以使用 TensorFlow 。用戶可以寫內(nèi)層循環(huán)代碼控制計算圖分支的計算，TensorFlow 會自動將相關(guān)的分支轉(zhuǎn)為子圖并執(zhí)行迭代運(yùn)算。TensorFlow 也可以將計算圖中的各個節(jié)點(diǎn)分配到不同的設(shè)備執(zhí)行，充分利用硬件資源。定義新的節(jié)點(diǎn)只需要寫一個 Python 函數(shù)，如果沒有對應(yīng)的底層運(yùn)算核，那么可能需要寫 C++或者 CUDA 代碼實(shí)現(xiàn)運(yùn)算操作。

在數(shù)據(jù)并行模式上，TensorFlow 和 Parameter Server 很像，但 TensorFlow 有獨(dú)立的 Variable node，不像其他框架有一個全局統(tǒng)一的參數(shù)服務(wù)器，因此參數(shù)同步更自由。TensorFlow 和 Spark 的核心都是一個數(shù)據(jù)計算的流式圖，Spark 面向的是大規(guī)模的數(shù)據(jù)，支持 SQL 等操作，而 TensorFlow 主要面向內(nèi)存足以裝載模型參數(shù)的環(huán)境，這樣可以最大化計算效率。

TensorFlow 的另外一個重要特點(diǎn)是它靈活的移植性，可以將同一份代碼幾乎不經(jīng)過修改就輕松地部署到有任意數(shù)量 CPU 或 GPU 的 PC、服務(wù)器或者移動設(shè)備上。相比于 Theano，TensorFlow 還有一個優(yōu)勢就是它極快的編譯速度，在定義新網(wǎng)絡(luò)結(jié)構(gòu)時，Theano 通常需要長時間的編譯，因此嘗試新模型需要比較大的代價，而 TensorFlow 完全沒有這個問題。TensorFlow 還有功能強(qiáng)大的可視化組件 TensorBoard，能可視化網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練過程，對于觀察復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)和監(jiān)控長時間、大規(guī)模的訓(xùn)練很有幫助。TensorFlow 針對生產(chǎn)環(huán)境高度優(yōu)化，它產(chǎn)品級的高質(zhì)量代碼和設(shè)計都可以保證在生產(chǎn)環(huán)境中穩(wěn)定運(yùn)行，同時一旦 TensorFlow 廣泛地被工業(yè)界使用，將產(chǎn)生良性循環(huán)，成為深度學(xué)習(xí)領(lǐng)域的事實(shí)標(biāo)準(zhǔn)。

除了支持常見的網(wǎng)絡(luò)結(jié)構(gòu)（卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurent Neural Network，RNN））外，TensorFlow 還支持深度強(qiáng)化學(xué)習(xí)乃至其他計算密集的科學(xué)計算(如偏微分方程求解等)。TensorFlow 此前不支持 symbolic loop，需要使用 Python 循環(huán)而無法進(jìn)行圖編譯優(yōu)化，但最近新加入的 XLA 已經(jīng)開始支持 JIT 和 AOT，另外它使用 bucketing trick 也可以比較高效地實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)。TensorFlow 的一個薄弱地方可能在于計算圖必須構(gòu)建為靜態(tài)圖，這讓很多計算變得難以實(shí)現(xiàn)，尤其是序列預(yù)測中經(jīng)常使用的 beam search。

TensorFlow 的用戶能夠?qū)⒂?xùn)練好的模型方便地部署到多種硬件、操作系統(tǒng)平臺上，支持 Intel 和 AMD 的 CPU，通過 CUDA 支持 NVIDIA 的 GPU （最近也開始通過 OpenCL 支持 AMD 的 GPU，但沒有 CUDA 成熟），支持 Linux 和 Mac，最近在 0.12 版本中也開始嘗試支持 Windows。在工業(yè)生產(chǎn)環(huán)境中，硬件設(shè)備有些是最新款的，有些是用了幾年的老機(jī)型，來源可能比較復(fù)雜，TensorFlow 的異構(gòu)性讓它能夠全面地支持各種硬件和操作系統(tǒng)。同時，其在 CPU 上的矩陣運(yùn)算庫使用了 Eigen 而不是 BLAS 庫，能夠基于 ARM 架構(gòu)編譯和優(yōu)化，因此在移動設(shè)備（Android 和 iOS）上表現(xiàn)得很好。

TensorFlow 在最開始發(fā)布時只支持單機(jī)，而且只支持 CUDA 6.5 和 cuDNN v2，并且沒有官方和其他深度學(xué)習(xí)框架的對比結(jié)果。在 2015 年年底，許多其他框架做了各種性能對比評測，每次 TensorFlow 都會作為較差的對照組出現(xiàn)。那個時期的 TensorFlow 真的不快，性能上僅和普遍認(rèn)為很慢的 Theano 比肩，在各個框架中可以算是墊底。但是憑借 Google 強(qiáng)大的開發(fā)實(shí)力，很快支持了新版的 cuDNN （目前支持cuDNN v5.1），在單 GPU 上的性能追上了其他框架。

 各深度學(xué)習(xí)框架在 AlexNet 上的性能對比

目前在單 GPU 的條件下，絕大多數(shù)深度學(xué)習(xí)框架都依賴于 cuDNN，因此只要硬件計算能力或者內(nèi)存分配差異不大，最終訓(xùn)練速度不會相差太大。但是對于大規(guī)模深度學(xué)習(xí)來說，巨大的數(shù)據(jù)量使得單機(jī)很難在有限的時間完成訓(xùn)練。這時需要分布式計算使 GPU 集群乃至 TPU 集群并行計算，共同訓(xùn)練出一個模型，所以框架的分布式性能是至關(guān)重要的。TensorFlow 在 2016 年 4 月開源了分布式版本，使用 16 塊 GPU 可達(dá)單 GPU 的 15 倍提速，在 50 塊 GPU 時可達(dá)到 40 倍提速，分布式的效率很高。目前原生支持的分布式深度學(xué)習(xí)框架不多，只有 TensorFlow、CNTK、DeepLearning4J、MXNet 等。不過目前 TensorFlow 的設(shè)計對不同設(shè)備間的通信優(yōu)化得不是很好，其單機(jī)的 reduction 只能用 CPU 處理，分布式的通信使用基于 socket 的 RPC，而不是速度更快的 RDMA，所以其分布式性能可能還沒有達(dá)到最優(yōu)。

Google 在 2016 年 2 月開源了 TensorFlow Serving，這個組件可以將 TensorFlow 訓(xùn)練好的模型導(dǎo)出，并部署成可以對外提供預(yù)測服務(wù)的 RESTful 接口，如圖 2-2 所示。有了這個組件，TensorFlow 就可以實(shí)現(xiàn)應(yīng)用機(jī)器學(xué)習(xí)的全流程：從訓(xùn)練模型、調(diào)試參數(shù)，到打包模型，最后部署服務(wù)，名副其實(shí)是一個從研究到生產(chǎn)整條流水線都齊備的框架。這里引用 TensorFlow 內(nèi)部開發(fā)人員的描述：“ TensorFlow Serving 是一個為生產(chǎn)環(huán)境而設(shè)計的高性能的機(jī)器學(xué)習(xí)服務(wù)系統(tǒng)。它可以同時運(yùn)行多個大規(guī)模深度學(xué)習(xí)模型，支持模型生命周期管理、算法實(shí)驗，并可以高效地利用 GPU 資源，讓 TensorFlow 訓(xùn)練好的模型更快捷方便地投入到實(shí)際生產(chǎn)環(huán)境”。除了 TensorFlow 以外的其他框架都缺少為生產(chǎn)環(huán)境部署的考慮，而 Google 作為廣泛在實(shí)際產(chǎn)品中應(yīng)用深度學(xué)習(xí)的巨頭可能也意識到了這個機(jī)會，因此開發(fā)了這個部署服務(wù)的平臺。TensorFlow Serving 可以說是一副王牌，將會幫 TensorFlow 成為行業(yè)標(biāo)準(zhǔn)做出巨大貢獻(xiàn)。

 TensorFlow Serving 架構(gòu)

TensorBoard 是 TensorFlow 的一組 Web 應(yīng)用，用來監(jiān)控 TensorFlow 運(yùn)行過程，或可視化 Computation Graph。TensorBoard 目前支持五種可視化：標(biāo)量（scalars）、圖片（images）、音頻（audio）、直方圖（histograms）和計算圖（Computation Graph）。TensorBoard 的 Events Dashboard 可以用來持續(xù)地監(jiān)控運(yùn)行時的關(guān)鍵指標(biāo)，比如 loss、學(xué)習(xí)速率（learning rate）或是驗證集上的準(zhǔn)確率（accuracy）；Image Dashboard 則可以展示訓(xùn)練過程中用戶設(shè)定保存的圖片，比如某個訓(xùn)練中間結(jié)果用 Matplotlib 等繪制（plot）出來的圖片；Graph Explorer 則可以完全展示一個 TensorFlow 的計算圖，并且支持縮放拖曳和查看節(jié)點(diǎn)屬性。TensorBoard 的可視化效果如圖所示

TensorBoard 的 loss 標(biāo)量的可視化

TensorBoard 的模型結(jié)構(gòu)可視化

TensorFlow 擁有產(chǎn)品級的高質(zhì)量代碼，有 Google 強(qiáng)大的開發(fā)、維護(hù)能力的加持，整體架構(gòu)設(shè)計也非常優(yōu)秀。相比于同樣基于 Python 的老牌對手 Theano，TensorFlow 更成熟、更完善，同時 Theano 的很多主要開發(fā)者都去了 Google 開發(fā) TensorFlow（例如書籍 Deep Learning 的作者 Ian Goodfellow，他后來去了 OpenAI）。Google 作為巨頭公司有比高?；蛘邆€人開發(fā)者多得多的資源投入到 TensorFlow 的研發(fā)，可以預(yù)見，TensorFlow 未來的發(fā)展將會是飛速的，可能會把大學(xué)或者個人維護(hù)的深度學(xué)習(xí)框架遠(yuǎn)遠(yuǎn)甩在身后。

更多行業(yè)資訊，更新鮮的技術(shù)動態(tài)，盡在。