机器学习库初探之MXnet-白红宇

机器学习库初探之MXnet

阅读量：5873 次

发布时间：2019-06-19

本文共 9569 字，大约阅读时间需要 31 分钟。

什么是MXnet?

这是自 xgboost, cxxnet, minerva 以来集合DMLC几乎所有开发者 (李沐和陈天奇等各路英雄豪杰) 力量的一个机器学习项目。MXNet名字源于”Mix and Maximize”。MXnet 的目标就是希望把 cxxnet 这样强调性能静态优化的 C++ 库和灵活的 NDArray 有机结合在一起。做包含cxxnet 的静态优化，却又可以像 minerva, theano, torch 那样进行灵活扩展的深度学习库。

与其他工具相比，MXnet 结合了符号语言和过程语言的编程模型，并试图最大化各自优势，利用统一的执行引擎进行自动多 GPU 并行调度优化。不同的编程模型有各自的优势，以往的深度学习库往往着重于灵活性，或者性能。MXNet 通过融合的方式把各种编程模型整合在一起，并且通过统一的轻量级运行引擎进行执行调度。使得用户可以直接复用稳定高效的神经网络模块，并且可以通过 Python 等高级语言进行快速扩展。

MXNet 由 dmlc/cxxnet, dmlc/minerva 和 Purine2 的作者发起，融合了Minerva 的动态执行，cxxnet 的静态优化和 Purine2 的符号计算等思想，直接支持基于Python 的 parameter server 接口，使得代码可以很快向分布式进行迁移。每个模块都进行清晰设计，使得每一部分本身都具有被直接利用的价值。C 接口和静态/动态 Library 使得对于新语言的扩展更加容易，目前支持C++和python 2/3 ，接下来相信会有更多语言支持，并方便其他工具增加深度学习功能。

MXnet的关键特性

轻量级调度引擎

在数据流调度的基础上引入了读写操作调度，并且使得调度和调度对象无关，用以直接有机支持动态计算和静态计算的统一多 GPU 多线程调度，使得上层实现更加简洁灵活。

支持符号计算

MXNet 支持基于静态计算流图符号计算。计算流图不仅使设计复杂网络更加简单快捷，而且基于计算流图，MXNet 可以更加高效得利用内存。同时进一步优化了静态执行的规划，内存需求比原本已经省的 cxxnet 还要少。

混合执行引擎

相比 cxxnet 的全静态执行，minerva 的全动态执行。MXNet采用动态静态混合执行引擎，可以把 cxxnet 静态优化的效率带和 ndarray 动态运行的灵活性结合起来。把高效的 c++ 库更加灵活地和 Python 等高级语言结合在一起。

弹性灵活

在 MShadow C++ 表达式模板的基础上，符号计算和 ndarray 使在 Python 等高级语言内编写优化算法，损失函数和其他深度学习组件并高效无缝支持 CPU/GPU 成为可能。用户无需关心底层实现，在符号和 NDArray 层面完成逻辑即可进行高效的模型训练和预测。

云计算友好

所有数据模型可以从 S3/HDFS/Azure 上直接加载训练。

代码简洁高效

大量使用 C++11 特性，使 MXNet 利用最少的代码实现尽可能最大的功能。用约 11k 行 C++ 代码 (加上注释 4k 行) 实现了以上核心功能。

开源用户和设计文档

MXNet 提供了非常详细的用户文档和设计文档以及样例。所有的代码都有详细的文档注释。并且会持续更新代码和系统设计细节，希望对于广大深度学习系统开发和爱好者有所帮助。

社区活跃度

DMLC (Distributed (Deep) Machine Learning Community) 是国内最大的开源分布式机器学习项目。DMLC 的相关代码直接托管在中，并采用 Apache2.0 协议进行维护。

MXnet的安装

推荐已编译的方式安装 MXnet，安装的过程分为2步：

从 C++ 源码编译共享库（libmxnet.so for linux，libmxnet.dylib for osx，libmxnet.dll for windows）;

安装语言包；

构建共享库依赖

目标是构建共享库文件。

最小构建需求：

最新的支持C++ 11的C++编译器，比如g++ >= 4.8，clang

一份BLAS库，比如libblas，atlas，openblas，或者 intel mkl

可选库：

CUDA Toolkit >= v7.0 以运行 nvidia GPUs （需要 GPU 支持 Compute Capability >= 2.0）

CUDNN 加速 GPU computation (only CUDNN 3 is supported)

opencv 进行图像的分段 (如果编译安装，需要cmake)

Ubuntu/Debian上构建

安装依赖:

sudo apt-get updatesudo apt-get install -y build-essential git libatlas-base-dev libopencv-dev

构建MXnet:

git clone --recursive https://github.com/dmlc/mxnetcd mxnet; make -j$(nproc)

OSX上的构建

安装依赖:

brew updatebrew tap homebrew/sciencebrew info opencvbrew install opencv

构建MXnet:

git clone --recursive https://github.com/dmlc/mxnetcd mxnet; cp make/osx.mk ./config.mk; make -j$(sysctl -n hw.ncpu)

安装python语言包

进入源码目录编译好的python子目录安装python语言包即可

cd ./python/sudo python setup.py install

更详细的安装文档参见。

MXnet基本概念和操作

NDArray

多维的数据结构，提供在 cpu 或者 gpu 上进行矩阵运算和张量计算，能够自动并行计算

NDArray 是 MXnet 中最底层的计算单元，与 numpy.ndarray 非常相似，但是也有 2 点不同的特性：

支持多设备

所有的操作可以在不同的设备上运行，包括 cpu 和 gpu。

>>> import mxnet as mx>>> a = mx.nd.empty((2, 3)) # 在cpu0上创建一个2X3的矩阵>>> b = mx.nd.empty((2, 3), mx.gpu()) # 在gpu0上创建一个2X3的矩阵>>> c = mx.nd.empty((2, 3), mx.gpu(2)) # 在gpu2上创建一个2X3的矩阵>>> c.shape # 维度(2L, 3L)>>> c.context # 设备信息gpu(2)# 其他的初始化方式>>> a = mx.nd.zeros((2, 3)) # 创建2X3的全0矩阵>>> b = mx.nd.ones((2, 3))  # 创建2X3的全1矩阵>>> b[:] = 2 # 所有元素赋值为2# 不同的设备之间进行数据拷贝>>> a = mx.nd.ones((2, 3))>>> b = mx.nd.zeros((2, 3), mx.gpu())>>> a.copyto(b) # 从cpu拷贝数据到gpu# NDArray转换为numpy.ndarray>>> a = mx.nd.ones((2, 3))>>> b = a.asnumpy()>>> type(b)
     
      >>> print b[[ 1.  1.  1.] [ 1.  1.  1.]]# numpy.ndarray转换为NDArray>>> import numpy as np>>> a = mx.nd.empty((2, 3))>>> a[:] = np.random.uniform(-0.1, 0.1, a.shape)>>> print a.asnumpy()[[-0.06821112 -0.03704893  0.06688045] [ 0.09947646 -0.07700162  0.07681718]]# NDArray基本运算>>> a = mx.nd.ones((2, 3)) * 2>>> b = mx.nd.ones((2, 3)) * 4>>> print b.asnumpy()[[ 4.  4.  4.] [ 4.  4.  4.]]>>> c = a + b   # 对应元素求和>>> print c.asnumpy()[[ 6.  6.  6.] [ 6.  6.  6.]]>>> d = a * b   # 对应元素求积>>> print d.asnumpy()[[ 8.  8.  8.] [ 8.  8.  8.]]# 不同设备上的NDArray需要移动到一起才能计算>>> a = mx.nd.ones((2, 3)) * 2>>> b = mx.nd.ones((2, 3), mx.gpu()) * 3>>> c = a.copyto(mx.gpu()) * b>>> print c.asnumpy()[[ 6.  6.  6.] [ 6.  6.  6.]]# 数据的导出与载入# 1. 通过pickle导出与载入数据>>> import mxnet as mx>>> import pickle as pkl>>> a = mx.nd.ones((2, 3)) * 2>>> data = pkl.dumps(a)>>> b = pkl.loads(data)>>> print b.asnumpy()[[ 2.  2.  2.] [ 2.  2.  2.]]# 2. 直接保存为二进制文件 >>> a = mx.nd.ones((2,3))*2>>> b = mx.nd.ones((2,3))*3>>> mx.nd.save('mydata.bin', [a, b])>>> c = mx.nd.load('mydata.bin')>>> print c[0].asnumpy()[[ 2.  2.  2.] [ 2.  2.  2.]]>>> print c[1].asnumpy()[[ 3.  3.  3.] [ 3.  3.  3.]]# 直接保存到分布式文件系统上（s3或hdfs） >>> mx.nd.save('s3://mybucket/mydata.bin', [a,b])>>> mx.nd.save('hdfs///users/myname/mydata.bin', [a,b])

自动并行计算

不同的操作自动进行并行计算。

a = mx.nd.ones((2,3))b = ac = a.copyto(mx.cpu())a += 1b *= 3c *= 3

a += 1可与c *= 3并行计算，因为在不同的设备上，但是a += 1和b *= 3只能相继执行。

Symbol

Symbol使得非常容易定义神经网络，并且能自动求导

以下的范例创建了一个 2 层的感知器网络:

>>> import mxnet as mx>>> net = mx.symbol.Variable('data')>>> net = mx.symbol.FullyConnected(data=net, name='fc1', num_hidden=128)>>> net = mx.symbol.Activation(data=net, name='relu1', act_type="relu")>>> net = mx.symbol.FullyConnected(data=net, name='fc2', num_hidden=64)>>> net = mx.symbol.SoftmaxOutput(data=net, name='out')>>> type(net)

每一个 Symbol 可以绑定一个名字，Variable 通常用来定义输入，其他的 Symbol 有一个参数data以一个Symbol 类型作为输入数据，另外还有其他的超参数num_hidden（隐藏层的神经元数目)，act_type(激活函数的类型)。

Symbol 的作用可以被简单的看成是实现了一个函数，函数的参数名称自动生成，可以通过以下的方式查看:

>>> net.list_arguments()['data', 'fc1_weight', 'fc1_bias', 'fc2_weight', 'fc2_bias', 'out_label']

我们也可以明确指定这些自动生成的参数的名字:

>>> net = mx.symbol.Variable('data')>>> w = mx.symbol.Variable('myweight')>>> net = mx.symbol.FullyConnected(data=net, weight=w, name='fc1', num_hidden=128)>>> net.list_arguments()['data', 'myweight', 'fc1_bias']

Symbol 可以组合之后，在传入全连接中:

>>> lhs = mx.symbol.Variable('data1')>>> rhs = mx.symbol.Variable('data2')>>> net = mx.symbol.FullyConnected(data=lhs + rhs, name='fc1', num_hidden=128)>>> net.list_arguments()['data1', 'data2', 'fc1_weight', 'fc1_bias']

Symbol 也可以被随后的操作替换:

>>> net = mx.symbol.Variable('data')>>> net = mx.symbol.FullyConnected(data=net, name='fc1', num_hidden=128)>>> net2 = mx.symbol.Variable('data2')>>> net2 = mx.symbol.FullyConnected(data=net2, name='net2', num_hidden=128)>>> composed_net = net(data=net2, name='compose')>>> composed_net.list_arguments()['data2', 'net2_weight', 'net2_bias', 'compose_fc1_weight', 'compose_fc1_bias']

一旦定义好了 Symbol，只需要指定输入数据的维度，就可以推算出各级中间参数的维度:

>>> net = mx.symbol.Variable('data')>>> net = mx.symbol.FullyConnected(data=net, name='fc1', num_hidden=10)>>> arg_shape, out_shape, aux_shape = net.infer_shape(data=(100, 100))>>> dict(zip(net.list_arguments(), arg_shape)){'data': (100, 100), 'fc1_weight': (10, 100), 'fc1_bias': (10,)}>>> out_shape[(100, 10)]

接下来通过绑定变量，就可以执行实际的运算了:

>>> # 定义计算图>>> A = mx.symbol.Variable('A')>>> B = mx.symbol.Variable('B')>>> C = A * B>>> a = mx.nd.ones(3) * 4>>> b = mx.nd.ones(3) * 2>>> # 绑定变量到Symbol>>> c_exec = C.bind(ctx=mx.cpu(), args={'A' : a, 'B': b})>>> # 进行前向计算>>> c_exec.forward()>>> c_exec.outputs[0].asnumpy()[ 8.  8.  8.]

KVStore

KVStore 实现了在多个运算器之间，或者在多台计算机之间的数据同步

通过create可以对 kvstore 进行简单的初始化:

>>> kv = mx.kv.create('local') # 创建一个本地的kvstore>>> shape = (2,3)>>> kv.init(3, mx.nd.ones(shape)*2)>>> a = mx.nd.zeros(shape)>>> kv.pull(3, out = a)>>> print a.asnumpy()[[ 2.  2.  2.] [ 2.  2.  2.]]

初始化后，可以通过相同的 key 进行数值更新:

>>> kv.push(3, mx.nd.ones(shape)*8)>>> kv.pull(3, out = a) # 取出值>>> print a.asnumpy()[[ 8.  8.  8.] [ 8.  8.  8.]]

push的数据可以在任何设备上，此外，可以在同一个 key 上传递多个值，KVStore 会对多个值求和，push聚合后的值:

>>> gpus = [mx.gpu(i) for i in range(4)]>>> b = [mx.nd.ones(shape, gpu) for gpu in gpus]>>> kv.push(3, b)>>> kv.pull(3, out = a)>>> print a.asnumpy()[[ 4.  4.  4.] [ 4.  4.  4.]]

KVStore 对每次push进来的值做的默认行为是ASSIGN，这个行为可以被自定义的行为替换:

>>> def update(key, input, stored):>>>     print "update on key: %d" % key>>>     stored += input * 2>>> kv._set_updater(update)>>> kv.pull(3, out=a)>>> print a.asnumpy()[[ 4.  4.  4.] [ 4.  4.  4.]]>>> kv.push(3, mx.nd.ones(shape))update on key: 3>>> kv.pull(3, out=a)>>> print a.asnumpy()[[ 6.  6.  6.] [ 6.  6.  6.]]

同push类似，通过一次调用，我们也可以将值同时pull到多个设备上:

>>> b = [mx.nd.ones(shape, gpu) for gpu in gpus]>>> kv.pull(3, out = b)>>> print b[1].asnumpy()[[ 6.  6.  6.] [ 6.  6.  6.]]

除了单个 key-value 的存储，KVStrore 还提供了批量的接口:

# 针对单个设备>>> keys = [5, 7, 9]>>> kv.init(keys, [mx.nd.ones(shape)]*len(keys))>>> kv.push(keys, [mx.nd.ones(shape)]*len(keys))update on key: 5update on key: 7update on key: 9>>> b = [mx.nd.zeros(shape)]*len(keys)>>> kv.pull(keys, out = b)>>> print b[1].asnumpy()[[ 3.  3.  3.] [ 3.  3.  3.]]# 针对多个设备 >>> b = [[mx.nd.ones(shape, gpu) for gpu in gpus]] * len(keys)>>> kv.push(keys, b)update on key: 5update on key: 7update on key: 9>>> kv.pull(keys, out = b)>>> print b[1][1].asnumpy()[[ 11.  11.  11.] [ 11.  11.  11.]]

MXnet体验

以下借助 MXnet 实现了一个简单的单变量线性回归程序：

import mxnet as mximport numpy as npimport matplotlib.pyplot as plt# 定义输入数据X_data = np.linspace(-1, 1, 100)noise = np.random.normal(0, 0.5, 100)y_data = 5 * X_data + noise# Plot 输入数据fig = plt.figure()ax = fig.add_subplot(1, 1, 1)ax.scatter(X_data, y_data)# 定义mxnet变量X = mx.symbol.Variable('data')Y = mx.symbol.Variable('softmax_label')# 定义网络Y_ = mx.symbol.FullyConnected(data=X, num_hidden=1, name='pre')loss = mx.symbol.LinearRegressionOutput(data=Y_, label=Y, name='loss')# 定义模型model = mx.model.FeedForward(            ctx=mx.cpu(),            symbol=loss,            num_epoch=100,            learning_rate=0.001,            numpy_batch_size=1        )# 训练模型model.fit(X=X_data, y=y_data)# 预测prediction = model.predict(X_data)lines = ax.plot(X_data, prediction, 'r-', lw=5)plt.show()