AutoGraph是TF提供的一個非常具有前景的工具, 它能夠將一部分python語法的代碼轉譯成高效的圖表示代碼. 由於從TF 2.0開始, TF將會默認使用動態圖(eager execution), 因此利用AutoGraph, 在理想情況下, 能讓我們實現用動態圖寫(方便, 靈活), 用靜態圖跑(高效, 穩定).
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的奇怪的行爲, 讓你更愉快地使用它們.
本文假設讀者具有一定的Python和TensorFlow的使用經驗.
會話執行
對tf1.X有經驗的讀者應該不會對讓我們又愛又恨的計算圖(tf.Graph
)和執行會話(tf.Session
)感到陌生, 一個常規的流程如下:
- 初始化一個計算圖並且將該計算圖設置爲當前scope下的默認計算圖
- 用TF API設計計算圖(比如:
y=tf.matmul(a, x) + b
) - 提前界定好參數共享並劃分相應的參數scope
- 創建並配置好
tf.Session
- 將計算圖傳給
tf.Session
- 初始化參數
- 用
tf.Session.run
來執行計算圖的節點, 被執行的節點會反向追蹤所有依賴的需要執行的節點並執行計算.
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(): # 設置爲默認計算圖
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() # 待執行節點
with tf.Session() as sess: # 配置會話
sess.run(init_op) # 執行節點
print(sess.run(y)) # 輸出結果
在TF 2.0中, 由於默認爲動態圖, 計算會直接被執行, 也就是說, 我們不需要
- 定義計算圖
- 會話執行
- 參數初始化
- 用scope定義參數分享
- 用
tf.control_dependencies
來聲明節點的非直接依賴
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代碼會比執行相同操作的靜態圖代碼的效率低, 因爲很多計算圖優化的方法只能用在數據流圖上.
如果想在TF 2.0上構建傳統的計算圖, 我們就需要用到tf.function
.
函數, 而非會話
TF 2.0的其中一個重要改變就是去除tf.Session
(此處應有掌聲). 這個改變會迫使用戶用更好的方式來組織代碼: 不用再用讓人糾結的tf.Session
來執行代碼, 就是一個個python函數, 加上一個簡單的裝飾器.
在TF 2.0裏面, 如果需要構建計算圖, 我們只需要給python函數加上@tf.function
的裝飾器.
上文提到靜態圖的執行效率更高, 但是加速並不是一定的. 一般來說, 計算圖越複雜, 加速效果越明顯. 對於複雜的計算圖, 比如訓練深度學習模型, 獲得的加速是巨大的. (譯者注: 個人感覺還是要結合實際來看, 如果某一部分的計算既有複雜的計算圖, 而計算圖的複雜性又帶來了額外的內存消耗
或者計算量, 那麼加速會比較明顯, 但是很多時候, 比如一般的CNN模型, 主要計算量並不在於圖的複雜性, 而在於卷積、矩陣乘法等操作, 加速並不會很明顯. 此處想法有待驗證)
這個自動將python代碼轉成圖表示代碼的工具就叫做AutoGraph.
在TF 2.0中, 如果一個函數被@tf.function
裝飾了, 那麼AutoGraph將會被自動調用, 從而將python函數轉換成可執行的圖表示.
tf.function: 究竟發生了什麼?
在第一次調用被@tf.function
裝飾的函數時, 下列事情將會發生:
- 該函數被執行並跟蹤。和Tensorflow 1.x類似, Eager會在這個函數中被禁用,因此每個
tf.
API只會定義一個生成tf.Tensor
輸出的節點 - AutoGraph用於檢測可以轉換爲等效圖表示的Python操作(
while
→tf.while
,for
→tf.while
,if
→tf.cond
,assert
→tf.assert
...) - 爲了保留執行順序,在每個語句之後自動添加
tf.control_dependencies
,以便在執行第i+1
行時確保第i
行已經被執行. 至此計算圖已經確定 - 根據函數名稱和輸入參數,創建唯一ID並將其與定義好的計算圖相關聯。計算圖被緩存到一個映射表中:
map [id] = graph
- 如果ID配對上了,之後的函數調用都會直接使用該計算圖
下一節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.
改寫到eager execution
要使用tf.function
, 第一步需要先將TF 1.X的設計計算圖的代碼放進python函數裏面.
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
應爲TF 2.0默認是eager的, 我們可以直接執行該函數(不需要tf.Session
):
print(f().numpy())
我們就會得到輸出:
[[22. 22.]
[23. 13.]]
從eager到tf.function
我們可以直接用@tf.function
來裝飾函數f
, 我們在原來f
的基礎上加上宇宙第一的debug大法: print
來更好地看看究竟發生了什麼.
@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()
所以發生了什麼呢?
-
@tf.function
將函數f
包進了tensorflow.python.eager.def_function.Function
這個對象, 函數f
被賦予到了這個對象的.python_function
屬性. - 當
f()
被執行的時候, 計算圖會同時被構建, 但是計算不會執行, 因此我們會得到以下結果,tf.
的操作不會被執行:
PRINT: Tensor("add:0", shape=(2, 2), dtype=float32)
- 最終, 你會看到代碼會執行失敗:
ValueError: tf.function-decorated function tried to create variables on non-first call.
在 RFC: Functions, not Session裏面有個非常明確的指示:
State (liketf.Variable
objects) are only created the first time the function f is called. 狀態(比如tf.Variable
) 只會在函數被第一次調用時創建.
但是 Alexandre Passos指出, 在函數轉換成圖表示時, 我們沒有辦法確定tf.function
調用了多少次函數, 因此我們在第一次調用函數f
時, 在圖構建的過程中, 可能會被執行了多次, 這就導致了上述錯誤.
造成這個錯誤的根源在於同樣的命令在動態圖和靜態圖中的不一致性. 在動態圖中, tf.Variable
時一個普通的python變量, 超出了其作用域範圍就會被銷燬. 而在靜態圖中, tf.Variable
則是計算圖中一個持續存在的節點, 不受python的作用域的影響. 因此, 這是使用tf.function
的第一個教訓:
將一個在動態圖中可行的函數轉換成靜態圖需要用靜態圖的方式思考該函數是否可行
那麼我們可以怎樣去規避這個錯誤呢?
- 將
tf.Variable
作爲函數的參數傳入 - 將父作用域繼承
tf.Variable
- 將
tf.Variable
作爲類屬性來調用
用改變變量作用域來處理
這裏指方法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()
將狀態作爲傳入參數來處理
我們之後會看到, 我們並不能隨意地用tf.function
來轉化eager的代碼並達到加速的目的, 我們需要想象一下轉化是怎麼完成的, 在轉python的代碼到圖操作的時候究竟發生了什麼, 這些轉化包含了什麼黑魔法. 這裏的例子比較簡單, 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)
上述函數會得到我們想要的結果, 另外, 作爲參數被傳入的變量能夠在函數中直接更新, 而更新後的值會在函數外也適用. 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))
總結
- 我們可以用
@tf.function
裝飾器來將python代碼轉成圖表示代碼 - 我們不能在被裝飾函數中初始化
tf.Variable
- 可以用變量作用域繼承(對象屬性)或者參數傳入的方法使用在函數外初始化的變量
在之後的部分我們會更加深入地探討輸入參數類型對效率的影響, 以及python操作的轉換細節.
聲明: 本文翻譯自Paolo Galeone的博客, 已取得作者的同意, 如需轉載本文請聯繫本人
Disclaimer: This is a translation of the article Analyzing tf.function to discover AutoGraph strengths and subtleties by Paolo Galeone.