摘要：是提供的一個非常具有前景的工具它能夠?qū)⒁徊糠终Z法的代碼轉(zhuǎn)譯成高效的圖表示代碼由于從開始將會默認(rèn)使用動態(tài)圖因此利用在理想情況下能讓我們實現(xiàn)用動態(tài)圖寫方便靈活用靜態(tài)圖跑高效穩(wěn)定但是在使用的過程中如無意外肯定是會有意外的這篇文章就是指出一些和的奇

AutoGraph是TF提供的一個非常具有前景的工具, 它能夠?qū)⒁徊糠謕ython語法的代碼轉(zhuǎn)譯成高效的圖表示代碼. 由于從TF 2.0開始,?TF將會默認(rèn)使用動態(tài)圖(eager execution), 因此利用AutoGraph,?在理想情況下, 能讓我們實現(xiàn)用動態(tài)圖寫(方便, 靈活), 用靜態(tài)圖跑(高效, 穩(wěn)定).

但是! 在使用的過程中, 如無意外肯定是會有意外的, 這篇文章就是指出一些AutoGraph和tf.function的奇怪的行為, 讓你更愉快地使用它們.

本文假設(shè)讀者具有一定的Python和TensorFlow的使用經(jīng)驗.

對tf1.X有經(jīng)驗的讀者應(yīng)該不會對讓我們又愛又恨的計算圖(tf.Graph)和執(zhí)行會話(tf.Session)感到陌生, 一個常規(guī)的流程如下:

初始化一個計算圖并且將該計算圖設(shè)置為當(dāng)前scope下的默認(rèn)計算圖

用TF API設(shè)計計算圖(比如: y=tf.matmul(a, x) + b)

提前界定好參數(shù)共享并劃分相應(yīng)的參數(shù)scope

創(chuàng)建并配置好tf.Session

將計算圖傳給tf.Session

初始化參數(shù)

用tf.Session.run來執(zhí)行計算圖的節(jié)點, 被執(zhí)行的節(jié)點會反向追蹤所有依賴的需要執(zhí)行的節(jié)點并執(zhí)行計算.

以下是上述過程的一個代碼例子:

g = tf.Graph() #初始化計算圖
with g.as_default(): # 設(shè)置為默認(rèn)計算圖
    a = tf.constant([[10,10],[11.,1.]]) 
    x = tf.constant([[1.,0.],[0.,1.]])
    b = tf.Variable(12.)
    y = tf.matmul(a, x) + b # 描述計算圖
    init_op = tf.global_variables_initializer() # 待執(zhí)行節(jié)點

with tf.Session() as sess: # 配置會話
    sess.run(init_op) # 執(zhí)行節(jié)點
    print(sess.run(y)) # 輸出結(jié)果

在TF 2.0中, 由于默認(rèn)為動態(tài)圖, 計算會直接被執(zhí)行, 也就是說, 我們不需要

定義計算圖

會話執(zhí)行

參數(shù)初始化

用scope定義參數(shù)分享

用tf.control_dependencies來聲明節(jié)點的非直接依賴

我們可以像寫普通python代碼(or pytorch)一樣, 寫了就執(zhí)行:

a = tf.constant([[10,10],[11.,1.]])
x = tf.constant([[1.,0.],[0.,1.]])
b = tf.Variable(12.)
y = tf.matmul(a, x) + b
print(y.numpy())

一般來說, eager代碼會比執(zhí)行相同操作的靜態(tài)圖代碼的效率低, 因為很多計算圖優(yōu)化的方法只能用在數(shù)據(jù)流圖上.

如果想在TF 2.0上構(gòu)建傳統(tǒng)的計算圖, 我們就需要用到tf.function.

TF 2.0的其中一個重要改變就是去除tf.Session(此處應(yīng)有掌聲). 這個改變會迫使用戶用更好的方式來組織代碼: 不用再用讓人糾結(jié)的tf.Session來執(zhí)行代碼, 就是一個個python函數(shù), 加上一個簡單的裝飾器.

在TF 2.0里面, 如果需要構(gòu)建計算圖, 我們只需要給python函數(shù)加上@tf.function的裝飾器.

上文提到靜態(tài)圖的執(zhí)行效率更高, 但是加速并不是一定的. 一般來說, 計算圖越復(fù)雜, 加速效果越明顯. 對于復(fù)雜的計算圖, 比如訓(xùn)練深度學(xué)習(xí)模型, 獲得的加速是巨大的. (譯者注: 個人感覺還是要結(jié)合實際來看, 如果某一部分的計算既有復(fù)雜的計算圖, 而計算圖的復(fù)雜性又帶來了額外的內(nèi)存消耗
或者計算量, 那么加速會比較明顯, 但是很多時候, 比如一般的CNN模型, 主要計算量并不在于圖的復(fù)雜性, 而在于卷積、矩陣乘法等操作, 加速并不會很明顯. 此處想法有待驗證)

這個自動將python代碼轉(zhuǎn)成圖表示代碼的工具就叫做AutoGraph.

在TF 2.0中, 如果一個函數(shù)被@tf.function裝飾了, 那么AutoGraph將會被自動調(diào)用, 從而將python函數(shù)轉(zhuǎn)換成可執(zhí)行的圖表示.

在第一次調(diào)用被@tf.function裝飾的函數(shù)時, 下列事情將會發(fā)生:

該函數(shù)被執(zhí)行并跟蹤。和Tensorflow 1.x類似, Eager會在這個函數(shù)中被禁用，因此每個tf.API只會定義一個生成tf.Tensor輸出的節(jié)點

AutoGraph用于檢測可以轉(zhuǎn)換為等效圖表示的Python操作（while→tf.while，for→tf.while，if→tf.cond，assert→tf.assert...)

為了保留執(zhí)行順序，在每個語句之后自動添加tf.control_dependencies，以便在執(zhí)行第i+1行時確保第i行已經(jīng)被執(zhí)行. 至此計算圖已經(jīng)確定

根據(jù)函數(shù)名稱和輸入?yún)?shù)，創(chuàng)建唯一ID并將其與定義好的計算圖相關(guān)聯(lián)。計算圖被緩存到一個映射表中：map [id] = graph

如果ID配對上了，之后的函數(shù)調(diào)用都會直接使用該計算圖

下一節(jié)將會具體闡述如何將TF 1.X代碼塊分別改寫到eager和計算圖版本.

要使用tf.function, 第一步需要先將TF 1.X的設(shè)計計算圖的代碼放進(jìn)python函數(shù)里面.

def f():
    a = tf.constant([[10,10],[11.,1.]])
    x = tf.constant([[1.,0.],[0.,1.]])
    b = tf.Variable(12.)
    y = tf.matmul(a, x) + b
    return y

應(yīng)為TF 2.0默認(rèn)是eager的, 我們可以直接執(zhí)行該函數(shù)(不需要tf.Session):

print(f().numpy())

我們就會得到輸出:

[[22. 22.]
 [23. 13.]]

我們可以直接用@tf.function來裝飾函數(shù)f, 我們在原來f的基礎(chǔ)上加上宇宙第一的debug大法: print來更好地看看究竟發(fā)生了什么.

@tf.function
def f():
    a = tf.constant([[10,10],[11.,1.]])
    x = tf.constant([[1.,0.],[0.,1.]])
    b = tf.Variable(12.)
    y = tf.matmul(a, x) + b
    print("PRINT: ", y)
    tf.print("TF-PRINT: ", y)
    return y

f()

所以發(fā)生了什么呢?

@tf.function將函數(shù)f包進(jìn)了tensorflow.python.eager.def_function.Function這個對象, 函數(shù)f被賦予到了這個對象的.python_function屬性.

當(dāng)f()被執(zhí)行的時候, 計算圖會同時被構(gòu)建, 但是計算不會執(zhí)行, 因此我們會得到以下結(jié)果, tf.的操作不會被執(zhí)行:

PRINT:  Tensor("add:0", shape=(2, 2), dtype=float32)

最終, 你會看到代碼會執(zhí)行失敗:

ValueError: tf.function-decorated function tried to create variables on non-first call.

在?RFC: Functions, not Session里面有個非常明確的指示:

State (like tf.Variable objects) are only created the first time the function f is called. 狀態(tài)(比如tf.Variable) 只會在函數(shù)被第一次調(diào)用時創(chuàng)建.

但是?Alexandre Passos指出, 在函數(shù)轉(zhuǎn)換成圖表示時, 我們沒有辦法確定tf.function調(diào)用了多少次函數(shù), 因此我們在第一次調(diào)用函數(shù)f時, 在圖構(gòu)建的過程中, 可能會被執(zhí)行了多次, 這就導(dǎo)致了上述錯誤.

造成這個錯誤的根源在于同樣的命令在動態(tài)圖和靜態(tài)圖中的不一致性. 在動態(tài)圖中, tf.Variable時一個普通的python變量, 超出了其作用域范圍就會被銷毀. 而在靜態(tài)圖中, tf.Variable則是計算圖中一個持續(xù)存在的節(jié)點, 不受python的作用域的影響. 因此, 這是使用tf.function的第一個教訓(xùn):

將一個在動態(tài)圖中可行的函數(shù)轉(zhuǎn)換成靜態(tài)圖需要用靜態(tài)圖的方式思考該函數(shù)是否可行

那么我們可以怎樣去規(guī)避這個錯誤呢?

將tf.Variable作為函數(shù)的參數(shù)傳入

將父作用域繼承tf.Variable

將tf.Variable作為類屬性來調(diào)用

這里指方法2和方法3. 顯然的, 我們推薦使用方法3:

class F():
    def __init__(self):
        self._b = None

    @tf.function
    def __call__(self):
        a = tf.constant([[10, 10], [11., 1.]])
        x = tf.constant([[1., 0.], [0., 1.]])
        if self._b is None:
            self._b = tf.Variable(12.)
        y = tf.matmul(a, x) + self._b
        print("PRINT: ", y)
        tf.print("TF-PRINT: ", y)
        return y

f = F()
f()

我們之后會看到, 我們并不能隨意地用tf.function來轉(zhuǎn)化eager的代碼并達(dá)到加速的目的, 我們需要想象一下轉(zhuǎn)化是怎么完成的, 在轉(zhuǎn)python的代碼到圖操作的時候究竟發(fā)生了什么, 這些轉(zhuǎn)化包含了什么黑魔法. 這里的例子比較簡單, 我們會在接下來的文章中更深入的探討.

@tf.function
def f(b):
    a = tf.constant([[10,10],[11.,1.]])
    x = tf.constant([[1.,0.],[0.,1.]])
    y = tf.matmul(a, x) + b
    print("PRINT: ", y)
    tf.print("TF-PRINT: ", y)
    return y

b = tf.Variable(12.)
f(b)

上述函數(shù)會得到我們想要的結(jié)果, 另外, 作為參數(shù)被傳入的變量能夠在函數(shù)中直接更新, 而更新后的值會在函數(shù)外也適用. 下面的代碼會打印出1,2,3

a = tf.Variable(0)

@tf.function
def g(x):
    x.assign_add(1)
    return x

print(g(a))
print(g(a))
print(g(a))

我們可以用@tf.function裝飾器來將python代碼轉(zhuǎn)成圖表示代碼

我們不能在被裝飾函數(shù)中初始化tf.Variable

可以用變量作用域繼承(對象屬性)或者參數(shù)傳入的方法使用在函數(shù)外初始化的變量

在之后的部分我們會更加深入地探討輸入?yún)?shù)類型對效率的影響, 以及python操作的轉(zhuǎn)換細(xì)節(jié).

聲明: 本文翻譯自Paolo Galeone的博客, 已取得作者的同意, 如需轉(zhuǎn)載本文請聯(lián)系本人

Disclaimer: This is a translation of the article?Analyzing tf.function to discover AutoGraph strengths and subtleties?by Paolo Galeone.