从学习 Paddle 开始学习深度学习(一)

2023年3月2日 198次阅读来源: Vic_Chan

深度学习的黄金时代已经到来

开场白

首先给Baidu打一波广告。Paddle深度学习平台，你值得学习。

它的优点

灵活性：PaddlePaddle支持广泛的神经网络结构和优化算法，很容易配置复杂的模型，如基于注意力（Attention）机制或复杂的内存（Memory）连接的神经机器翻译模型。（Attention和Memory参考阅读：深度学习和自然语言处理中的attention和memory机制、深度学习：推动NLP领域发展的新引擎）
高效：在PaddlePaddle的不同层面进行优化，以发挥异构计算资源的效率，包括计算、内存、架构和通信等。例如：
- 通过SSE/AVX内部函数，BLAS库（例如MKL，ATLAS，CUBLAS）或定制CPU/GPU内核优化的数学运算。
- 高度优化循环网络，以处理可变长度序列，无需填充（Padding）。
- 优化高维稀疏数据模型的本地和分布式训练。
可扩展性：PaddlePaddle很容易使用多个CPU/GPU和机器来加快你的训练，通过优化通信实现高吞吐量、高性能。
连接产品：PaddlePaddle易于部署。在百度，PaddlePaddle已经被部署到广大用户使用的产品或服务，包括广告点击率（CTR）的预测，大型图像分类，光学字符识别（OCR），搜索排名，计算机病毒检测，推荐等。

来自网络

初识

先做一个形象的比喻，Paddle就好比一台3D打印机，我们设计的神经网络就好比需要打印的模型，而我们的数据集就相当于原材料，把两者同时提供给这台打印机，经过一段时间就可以得到我们预期的产品–模型(Trained Model).

简言之，paddle 做的工作就是利用我们设计的模型和我们提供的数据通过高性能的并行技术(CPU/GPU)来完成训练。

所以，我们在使用 Paddle 做深度学习时最基本的工作就是设计一个完美的模型并准备好数据。也就是要有以下几个文件:

trainer_config.py : 配置神经网络模型
data_provider.py : 数据提供
train.sh : 配置paddle训练的参数

安装

paddle提供了三种安装方式：

Docker 安装，非常便捷，但必须在Docker环境下部署。
deb 安装，在Ubuntu下打包安装。
编译安装文档上写的有点复杂，其实很简单，先处理完一些依赖库，比如 MKL／BLAS、protobuf 以及CUDA之类的(非GPU用户不用担心)。然后就是最基本的操作 make 之类了。每个用户都可以去尝试一下，可拓展性和可操作性都很强。

简单使用

1. 数据

可以分为如下两步:

定义数据格式
通过生成器和yield方式提供数据

以手写字MNIST作为例子

数据样例:

5;0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.215686 0.533333 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.67451 0.992157 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.070588 0.886275 0.992157 0 0 0 0 0 0 0 0 0 0 0.192157 0.070588 0 0 0 0 0 0 0 0 0 0 0 0 0 0.670588 0.992157 0.992157 0 0 0 0 0 0 0 0 0 0.117647 0.933333 0.858824 0.313725 0 0 0 0 0 0 0 0 0 0 0 0.090196 0.858824 0.992157 0.831373 0 0 0 0 0 0 0 0 0 0.141176 0.992157 0.992157 0.611765 0.054902 0 0 0 0 0 0 0 0 0 0 0.258824 0.992157 0.992157 0.529412 0 0 0 0 0 0 0 0 0 0.368627 0.992157 0.992157 0.419608 0.003922 0 0 0 0 0 0 0 0 0 0.094118 0.835294 0.992157 0.992157 0.517647 0 0 0 0 0 0 0 0 0 0.603922 0.992157 0.992157 0.992157 0.603922 0.545098 0.043137 0 0 0 0 0 0 0 0.447059 0.992157 0.992157 0.956863 0.062745 0 0 0 0 0 0 0 0 0.011765 0.666667 0.992157 0.992157 0.992157 0.992157 0.992157 0.745098 0.137255 0 0 0 0 0 0.152941 0.866667 0.992157 0.992157 0.521569 0 0 0 0 0 0 0 0 0 0.070588 0.992157 0.992157 0.992157 0.803922 0.352941 0.745098 0.992157 0.945098 0.317647 0 0 0 0 0.580392 0.992157 0.992157 0.764706 0.043137 0 0 0 0 0 0 0 0 0 0.070588 0.992157 0.992157 0.776471 0.043137 0 0.007843 0.27451 0.882353 0.941176 0.176471 0 0 0.180392 0.898039 0.992157 0.992157 0.313725 0 0 0 0 0 0 0 0 0 0 0.070588 0.992157 0.992157 0.713725 0 0 0 0 0.627451 0.992157 0.729412 0.062745 0 0.509804 0.992157 0.992157 0.776471 0.035294 0 0 0 0 0 0 0 0 0 0 0.494118 0.992157 0.992157 0.968627 0.168627 0 0 0 0.423529 0.992157 0.992157 0.364706 0 0.717647 0.992157 0.992157 0.317647 0 0 0 0 0 0 0 0 0 0 0 0.533333 0.992157 0.984314 0.945098 0.603922 0 0 0 0.003922 0.466667 0.992157 0.988235 0.976471 0.992157 0.992157 0.788235 0.007843 0 0 0 0 0 0 0 0 0 0 0 0.686275 0.882353 0.364706 0 0 0 0 0 0 0.098039 0.588235 0.992157 0.992157 0.992157 0.980392 0.305882 0 0 0 0 0 0 0 0 0 0 0 0 0.101961 0.67451 0.321569 0 0 0 0 0 0 0 0.105882 0.733333 0.976471 0.811765 0.713725 0 0 0 0 0 0 0 0 0 0 0 0 0 0.65098 0.992157 0.321569 0 0 0 0 0 0 0 0 0 0.25098 0.007843 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0.94902 0.219608 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.968627 0.764706 0.152941 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.498039 0.25098 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;

数据可拆分为 label 和 784 的一个浮点数一维向量。

定义数据格式

在 data_provider.py中，有两种方式定义输入数据格式

1. 通过装饰器直接定义

@provider(input_types=[dense_vector(784), integer_value(10)],cache=CacheType.CACHE_PASS_IN_MEM)

定义了一个稠密的784维向量和一个范围从0～10的整数。

或者可以有如下定义

@provider(input_types={
    'pixel': dense_vector(784),     
    'label': integer_value(10)
    },cache=CacheType.CACHE_PASS_IN_MEM
)

这样通过字典定义，可以方便标记和访问。

2. 通过init_hook间接定义

def initialize(settings, **kwargs):
    s = dict()
    s['data'] = dense_vector(784)
    s['label'] = integer_value(10)
    settings.input_types = s

@provider(init_hook=initialize,cache=CacheType.CACHE_PASS_IN_MEM)

通过init_hook方式更加灵活，可以动态修改输入的数据类型。另外，在init_hook方法中可以提前对settings进行配置或者动态添加一些参数，供后续工作使用。

关于两种方式的选择依据个人需求。

通过生成器和`yield`提供数据

yield方用法具体查看Python文档

定义好数据格式后，就可以开始结合那个@provider装饰器提供数据了。

@provider(input_types=[dense_vector(784), integer_value(10)],cache=CacheType.CACHE_PASS_IN_MEM)
def process(settings, filename):
    with open(filename, 'r') as f:
        for line in f:
            label, pixel = line.split(';')
            pixels_str = pixel.split(' ')
            pixels_float = []
            for each_pixel_str in pixels_str:
                pixels_float.append(float(each_pixel_str))
            yield {"pixel": pixels_float, 'label': int(label)}

下面来介绍一下这个函数的一些内容：

settings:这是一个全局的配置。里面可以访问一些变量，尤其是我们在init_hook中动态添加的属性。
filename:显然，我们获取数据需要文件。这个file就是我们需要准备的训练集和测试文件。然而我们并不会主动去调用函数，一切调用交给了Paddle。那么我们怎么把数据提交给Paddle,Paddle又如何把数据以filename的方式交给上述的data_provider中的process 处理呢？

下面要引入另外几个特殊的文件

train.list 一个简单的文本文件，将训练文件的目录写进去，比如 data/mnist.txt
test.list 存放测试文件，内容同上。

这些文件处理好后，直接交给paddle,然后我们就可以在data_provider中对我们写进这两个文件里的训练文件和测试文件(data/mnist.txt) 进行读取操作了。

如上图：整个数据提供的顺序为：

将test.list 和 train.list 提供给 Paddle
Paddle 将test.list 和 test.list中的数据文件(如MNIST.txt) 传给 data_provider.py
data_provider.py将数据分离成对应的input_types传递给Paddle
Paddle 将数据向量和 trainer_config.py中的模型结合起来训练并测试模型。

补充

input_types:

dense_vector 表示稠密的浮点数向量.
sparse_binary_vector 表示稀疏的零一向量，即大部分值为0，有值的位置只能取1.
sparse_vector 表示稀疏的向量，即大部分值为0，有值的部分可以是任何浮点数.
integer_value 表示整数标签。

cache:
- NO_CACHE :不缓存任何数据，每次都会从python端读取数据
- CACHE_PASS_IN_MEM :第一个pass会从python端读取数据，剩下的pass会直接从内存里读取数据。

2. 模型配置

还是以手写字为例

在 trainer_config.py 中开始配置模型, 模型配置分三部分

数据提供
算法配置
网络配置

首先

from paddle.trainer_config_helpers import *

数据提供

define_py_data_sources2(
    train_list='train.list',
    test_list='test.list',
    module='data_provider',
    obj=process,
    args={
        //
    }
)

这个函数可以向paddle配置数据输入。

module: Data Provider 的脚本文件名如data_provider对应 data_provider.py
obj:对应数据提供函数(含有yield)
args:为可选项，可以提供一些键值数据给init_hook函数作为函数调用的自定义参数。

算法配置

settings(
    batch_size=batch_size,
    learning_rate=0.001,
    learning_method=RMSPropOptimizer(),
    regularization=L2Regularization(8e-4)
)

这个用于配置深度神经网路的一些参数, 比如学习率,batch_size,以及正则化方法和学习方法。后面会对这些参数做详细的分析。

网络配置

输入数据获取

data = data_layer(name='data', size=784)
label = data_layer(name='label', size=10)

神经网络配置

最基本网络模型 — Fully Connected Layer 全连接层

# 第一个全连接隐层 有 64 个神经元 激活函数为 Sigmoid 函数
full_layer = fc_layer(input=data, size=64, act=SigmoidActivation())

# 第二个全连接隐层 有 32 个神经元 激活函数为 ReLU 函数
full_2_layer = fc_layer(input=full_layer, size=32, act=ReluActivation())

# 输出层 有10个神经元, 激活函数为Softmax
output_layer = fc_layer(input=full_2_layer, size=10, act=SoftmaxActivation())

# 计算分类损失,并执行误差反向传播
cost = classfication_cost(input=output_layer, label=label)

# 输出
output(cost)

output 一般作为模型配置的结束点，没有output会导致paddle报异常的错误。

神经网络Layer还有很多种类,如 LSTM,CNN,RNN以及各种pool。会在以后的介绍中提到。

3. 训练

run shell scripts

   cfg=trainer_config.py
   paddle train \
   --config=$cfg \ # 模型配置
   --save_dir=$output_dir \ # 输出文件存储目录
   --trainer_count=64 \ # GPU个数或者CPU个数
   --log_period=1000 \ # 
   --dot_period=100 \ # 每一个period的输出dot的数量
   --num_passes=50 \ # 训练轮数
   --use_gpu=false \ # 是否使用GPU
   --show_parameter_stats_period=3000 \

run后paddle就会开始训练，深度学习的大门就开启了。

总结

Paddle 刚开源不久，确实存在一些问题，Baidu开发者也在不断更新完善(回复issue的速度贼快)。但熟悉后会觉得这个框架可用性很强。支持国产！

关于作者

本科生大二
email: victorchanchina@gmail.com
方向深度学习并行计算数据挖掘

关于更新

有时间就更新，学到了新东西就更新

    原文作者：Vic_Chan
    原文地址: https://www.jianshu.com/p/699692fdd446#comments
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。

开场白