深度学习框架 人工智能操作系统 训练&前向推理 PyTorch Tensorflow MindSpore caffe 张量加速引擎TBE 深度学习编译器 多面体 polyhedral AI集群

阅读本书更多章节>>>>

深度学习框架 人工智能操作系统 训练&前向推理

深度学习框架发展到今天，目前在架构上大体已经基本上成熟并且逐渐趋同。无论是国外的Tensorflow、PyTorch，亦或是国内最近开源的MegEngine、MindSpore，目前基本上都是支持EagerMode和GraphMode两种模式。

AI嵌入式框架

OneFlow & 清华计图Jittor & 华为深度学习框架MindSpore & 旷视深度学习框架MegEngine(天元） & caffe & Google的TFBOYS & Facebook的Pytorch & XLA

严格意义来说TVM和Jittor都不算深度学习框架，TVM和Jittor更多的是一套独立的深度学习编译器。我们可以将导出的模型文件通过TVM或者Jittor离线编译成一个Serving的模块，从而可以在云上或者端上部署模型的预测服务。

华为 mindspore

清华计图Jittor gt

依赖: sudo apt install python3.7-dev libomp-dev pip3 install pybind11 numpy tqdm pillow astunparse six wheel

pybind11使用问题 https://zhuanlan.zhihu.com/p/52619334

旷视深度学习框架MegEngine gt

模型可视化超好用的工具

使用自动代码生成技术TVM优化深度学习算子的一些思考

基于ARM-v8的Tengine GEMM教程

深度学习框架

Caffe

Caffe 是一个深度学习框架，由 Berkeley Vision and Learning Center (BVLC) 开发。它使用 C++ 编写，并提供了 Python 和 MATLAB 接口。Caffe 的设计目标是为研究和实验提供一个清晰和高效的架构。

概念 (Concept)

在 Caffe 中，模型通常被组织为一系列的层（layers），这些层通过数据流（data blobs）进行连接。每个层都从底部的层（bottom layers）接收输入数据，并产生输出数据，这些数据随后被传递给顶部的层（top layers）。
主要类对象
caffe大致可以分为三层结构blob，layer，net。
数据的保存，交换以及操作都是以blob的形式进行的，
layer是模型和计算的基础，
net整和并连接layer,
solver则是模型的优化求解。

数据Blob 是Caffe的基本数据结构, 4维的数组(Num, Channels, Height, Width)

layer主要定义了三种运算，setup，forward，backward

在Layer内部，数据主要有两种传递方式，正向传导（Forward）和反向传导（Backward）。
Forward和Backward有CPU和GPU（部分有）两种实现。
Caffe中所有的Layer都要用这两种方法传递数据。
Layer类派生出来的层类通过实现这两个虚函数，产生了各式各样功能的层类。
Forward是从根据bottom计算top的过程，Backward则相反（根据top计算bottom）。
注意这里为什么用了一个包含Blob的容器（vector），
对于大多数Layer来说输入和输出都各连接只有一个Layer，然而对于某些Layer存在一对多的情况，
比如LossLayer和某些连接层。
在网路结构定义文件（*.proto）中每一层的参数bottom和top数目就决定了vector中

Net是由一些列层组成的有向无环图DAG，

一个典型的Net开始于data layer ----> 从磁盘中加载数据----> 终止于loss layer。
(计算和重构目标函数。)
这个是我们使用Proto创建出来的深度网络对象，这个类负责了深度网络的前向和反向传递。
Layer之间的连接由一个文本文件描述。
网络模型初始化Net::Init()会产生blob和layer并调用　Layer::SetUp。
在此过程中Net会报告初始化进程(大量网络载入信息)。这里的初始化与设备无关。
在初始化之后通过Caffe::set_mode()设置Caffe::mode()来选择运行平台CPU或GPU，结果是相同的。

Solver通过协调Net的前向计算和反向梯度计算来进行参数更新，从而达到loss的目的。

目前Caffe的模型学习分为两个部分：
1. 由Solver进行优化、更新参数；
2. 由Net计算出loss和gradient。
solver具体的工作：
1、用于优化过程的记录，创建 训练网络 和 测试网络。
2、用过 forward 和 backward 过程来迭代优化更新参数。
3、周期性的用测试网络评估模型性能。TestAll()
4、优化过程中记录模型和solver状态的快照。

前向传播 (Forward)

前向传播是从底部层到顶部层的数据流过程。在这个过程中，每一层都会根据其权重和配置来计算其输出。这些输出随后会作为下一层的输入。

反向传播 (Backward)

反向传播是从顶部层到底部层的过程，用于计算梯度并更新模型的权重。在这个过程中，每一层都会计算其关于输入数据的梯度，并将这些梯度传递给前一层。

使用 (Usage)

使用 Caffe 通常涉及定义网络结构（通常使用 .prototxt 文件）、准备数据、设置训练参数以及运行训练和测试。

检查 Caffe Proto

.prototxt 文件用于定义 Caffe 网络的结构和参数。你可以使用文本编辑器或专门的工具（如 Netscope Editor）来查看和编辑这些文件。

Netscope Editor

Netscope Editor 是一个在线工具，允许你直观地查看和编辑 Caffe 的 .prototxt 文件。它提供了一个可视化的界面，让你能够更容易地理解网络的结构和连接。

设置权重初始化方法

在 Caffe 中，你可以通过设置层的参数来指定权重的初始化方法。权重初始化对于模型的训练和性能至关重要。你可以查看 include/caffe/filler.hpp 文件来了解可用的初始化方法。

iter_size

iter_size 是求解器参数中的一个选项。Caffe 会在每个随机梯度下降步骤中累积 iter_size * batch_size 个实例的梯度。当由于内存限制而无法使用大批量大小时，增加 iter_size 可以获得更稳定的梯度。

test_iter

test_iter 指定了测试循环中需要执行的迭代次数。每次迭代会计算一批测试图像。

test_interval

test_interval 定义了多久执行一次测试。它指定了在执行多少次训练迭代（每次迭代计算一批训练图像）后进行一次测试。

epoch

一个 epoch 指的是模型遍历完整个训练集所需的迭代次数。迭代次数等于训练图像数量除以批量大小。

lr_policy

lr_policy 是学习率策略，它定义了如何在训练过程中调整学习率。通常设置为 “step”，意味着学习率会在每个预定义的步骤后减少。

fixed:　　 保持base_lr不变.
step: 　　 如果设置为step,则还需要设置一个stepsize, 返回base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示当前的迭代次数
exp: 　　返回base_lr * gamma ^ iter， iter为当前迭代次数
inv:　　 如果设置为inv,还需要设置一个power, 返回base_lr * (1 + gamma * iter) ^ (- power)- multistep: 如果设置为multistep,则还需要设置一个stepvalue。这个参数和step很相似，step是均匀等间隔变化，而multistep则是根据 stepvalue值变化
poly: 　　 学习率进行多项式误差, 返回 base_lr (1 - iter/max_iter) ^ (power)- sigmoid:　学习率进行sigmod衰减，返回 base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))

层介绍

在Layer中 输入数据input data用bottom表示，
输出数据 output data用top表示。
每一层军定义了三种操作:
1. setup（Layer初始化）,
2. forward（正向传导，根据input计算output）,
3. backward（反向传导计算，根据output计算input的梯度）。
forward和backward有GPU(大部分)和CPU两个版本的实现。
还有其他一些特有的操作

layer

power

输入1 featuremap，输出1 featuremap eltwise级操作 计算： ( s h i f t + s c a l e ∗ x ) p o w e r (shift + scale * x)^{power} (shift+scale∗x)power

scale

输入2 featuremap，输出1 featuremap 输入1： n ∗ c ∗ h ∗ w n*c*h*w n∗c∗h∗w，输入2： n ∗ c ∗ 1 ∗ 1 n*c*1*1 n∗c∗1∗1 计算：输入2h&w维度平铺展开，与输入1 eltwise prod

permute

输入1 featuremap，输出1 featuremap 交换caffe_blob中数据的维度，下面参数将 n ∗ c ∗ h ∗ w n*c*h*w n∗c∗h∗w–> c 阅读本书更多章节>>>>

本文链接：https://www.kjpai.cn/gushi/2024-04-26/162604.html，文章来源：网络cs，作者：璐璐，版权归作者所有，如需转载请注明来源和作者，否则将追究法律责任！