深度学习利器：TensorFlow 实战

深度学习及 TensorFlow 简介

深度学习目前已经被应用到图像识别，语音识别，自然语言处理，机器翻译等场景并取得了很好的行业应用效果。至今已有数种深度学习框架，如 TensorFlow、Caffe、Theano、Torch、MXNet，这些框架都能够支持深度神经网络、卷积神经网络、深度信念网络和递归神经网络等模型。TensorFlow 最初由 Google Brain 团队的研究员和工程师研发，目前已成为 GitHub 上最受欢迎的机器学习项目。

TensorFlow 开源一周年以来，已有 500+contributors，以及 11000+ 个 commits。目前采用 TensorFlow 平台，在生产环境下进行深度学习的公司有 ARM、Google、UBER、DeepMind、京东等公司。目前谷歌已把 TensorFlow 应用到很多内部项目，如谷歌语音识别，GMail，谷歌图片搜索等。TensorFlow 主要特性有：

使用灵活：TensorFlow 是一个灵活的神经网络学习平台，采用图计算模型，支持 High-Level 的 API，支持 Python、C++、Go、Java 接口。

跨平台：TensorFlow 支持 CPU 和 GPU 的运算，支持台式机、服务器、移动平台的计算。并从 r0.12 版本支持 Windows 平台。

产品化：TensorFlow 支持从研究团队快速迁移学习模型到生产团队。实现了研究团队发布模型，生产团队验证模型，构建起了模型研究到生产实践的桥梁。

高性能：TensorFlow 中采用了多线程，队列技术以及分布式训练模型，实现了在多 CPU、多 GPU 的环境下分布式训练模型。

本文主要介绍 TensorFlow 一些关键技术的使用实践，包括 TensorFlow 变量、TensorFlow 应用架构、TensorFlow 可视化技术、GPU 使用，以及 HDFS 集成使用。

TensorFlow 变量

TensorFlow 中的变量在使用前需要被初始化，在模型训练中或训练完成后可以保存或恢复这些变量值。下面介绍如何创建变量，初始化变量，保存变量，恢复变量以及共享变量。

#创建模型的权重及偏置
 
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="weights")
 
biases = tf.Variable(tf.zeros([200]), name="biases")
 
 
 
#指定变量所在设备为 CPU:0
 
with tf.device("/cpu:0"):
 
  v = tf.Variable(...)
 
 
 
#初始化模型变量
 
init_op = tf.global_variables_initializer()
 
sess=tf.Session()
 
sess.run(init_op)
 
 
 
#保存模型变量，由三个文件组成 model.data，model.index，model.meta
 
saver = tf.train.Saver()
 
saver.restore(sess, "/tmp/model")
 
 
 
#恢复模型变量
 
saver.restore(sess, "/tmp/model")

在复杂的深度学习模型中，存在大量的模型变量，并且期望能够一次性地初始化这些变量。TensorFlow 提供了 tf.variable_scope 和 tf.get_variable 两个 API，实现了共享模型变量。tf.get_variable(, , )：表示创建或返回指定名称的模型变量，其中 name 表示变量名称，shape 表示变量的维度信息，initializer 表示变量的初始化方法。tf.variable_scope(<scope_name>)：表示变量所在的命名空间，其中 scope_name 表示命名空间的名称。共享模型变量使用示例如下：

#定义卷积神经网络运算规则，其中 weights 和 biases 为共享变量
 
def conv_relu(input, kernel_shape, bias_shape):
 
    # 创建变量 "weights".
 
    weights = tf.get_variable("weights", kernel_shape, initializer=tf.random_normal_initializer())
 
    # 创建变量 "biases".
 
    biases = tf.get_variable("biases", bias_shape, initializer=tf.constant_initializer(0.0))
 
    conv = tf.nn.conv2d(input, weights, strides=[1, 1, 1, 1], padding='SAME')
 
    return tf.nn.relu(conv + biases)
 
 
 
#定义卷积层，conv1 和 conv2 为变量命名空间
 
with tf.variable_scope("conv1"):
 
    # 创建变量 "conv1/weights", "conv1/biases".
 
    relu1 = conv_relu(input_images, [5, 5, 32, 32], [32])
 
with tf.variable_scope("conv2"):
 
    # 创建变量 "conv2/weights", "conv2/biases".
 
    relu1 = conv_relu(relu1, [5, 5, 32, 32], [32])

TensorFlow 应用架构

TensorFlow 的应用架构主要包括模型构建，模型训练，及模型评估三个方面。模型构建主要指构建深度学习神经网络，模型训练主要指在 TensorFlow 会话中对训练数据执行神经网络运算，模型评估主要指根据测试数据评估模型精确度。如下图所示：

网络模型，损失方程，模型训练操作定义示例如下：

#两个隐藏层，一个 logits 输出层
 
hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)
 
hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)
 
logits = tf.matmul(hidden2, weights) + biases
 
 
 
#损失方程，采用 softmax 交叉熵算法
 
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits( logits, labels, name='xentropy')
 
loss = tf.reduce_mean(cross_entropy, name='xentropy_mean')
 
 
 
#选定优化算法及定义训练操作
 
optimizer = tf.train.GradientDescentOptimizer(learning_rate)
 
global_step = tf.Variable(0, name='global_step', trainable=False)
 
train_op = optimizer.minimize(loss, global_step=global_step)
 
 
 
模型训练及模型验证示例如下：
 
#加载训练数据，并执行网络训练
 
for step in xrange(FLAGS.max_steps):
 
    feed_dict = fill_feed_dict(data_sets.train, images_placeholder, labels_placeholder)
 
    _, loss_value = sess.run([train_op, loss], feed_dict=feed_dict)
 
 
 
#加载测试数据，计算模型精确度
 
for step in xrange(steps_per_epoch):
 
    feed_dict = fill_feed_dict(data_set, images_placeholder, labels_placeholder)
 
    true_count += sess.run(eval_correct, feed_dict=feed_dict)

TensorFlow 可视化技术

大规模的深度神经网络运算模型是非常复杂的，并且不容易理解运算过程。为了易于理解、调试及优化神经网络运算模型，数据科学家及应用开发人员可以使用 TensorFlow 可视化组件：TensorBoard。TensorBoard 主要支持 TensorFlow 模型可视化展示及统计信息的图表展示。TensorBoard 应用架构如下：

TensorFlow 可视化技术主要分为两部分：TensorFlow 摘要模型及 TensorBoard 可视化组件。在摘要模型中，需要把模型变量或样本数据转换为 TensorFlow summary 操作，然后合并 summary 操作，最后通过 Summary Writer 操作写入 TensorFlow 的事件日志。TensorBoard 通过读取事件日志，进行相关摘要信息的可视化展示，主要包括：Scalar 图、图片数据可视化、声音数据展示、图模型可视化，以及变量数据的直方图和概率分布图。TensorFlow 可视化技术的关键流程如下所示：

#定义变量及训练数据的摘要操作
 
tf.summary.scalar('max', tf.reduce_max(var))
 
tf.summary.histogram('histogram', var)
 
tf.summary.image('input', image_shaped_input, 10)
 
 
 
#定义合并变量操作，一次性生成所有摘要数据
 
merged = tf.summary.merge_all()
 
 
 
#定义写入摘要数据到事件日志的操作
 
train_writer = tf.train.SummaryWriter(FLAGS.log_dir + '/train', sess.graph)
 
test_writer = tf.train.SummaryWriter(FLAGS.log_dir + '/test')
 
 
 
#执行训练操作，并把摘要信息写入到事件日志
 
summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
 
train_writer.add_summary(summary, i)
 
 
 
  #下载示例 code，并执行模型训练
 
  python mnist_with_summaries.py
 
 
 
#启动 TensorBoard，TensorBoard 的 UI 地址为 http://ip_address:6006
 
tensorboard --logdir=/path/to/log-directory

TensorBoard Scalar 图如下所示，其中横坐标表示模型训练的迭代次数，纵坐标表示该标量值，例如模型精确度，熵值等。TensorBoard 支持这些统计值的下载。

TensorFlow Image 摘要信息如下图所示，该示例中显示了测试数据和训练数据中的手写数字图片。

TensorFlow 图模型如下图所示，可清晰地展示模型的训练流程，其中的每个方框表示变量所在的命名空间。包含的命名空间有 input（输入数据），input_reshape（矩阵变换，用于图形化手写数字）, layer1（隐含层 1）, layer2（隐含层 2）, dropout（丢弃一些神经元，防止过拟合）, accuracy（模型精确度）, cross_entropy（目标函数值，交叉熵）, train（训练模型）。例如，input 命名空间操作后的 tensor 数据会传递给 input_reshape，train，accuracy，layer1，cross_entropy 命名空间中的操作。

TensorFlow 变量的概率分布如下图所示，其中横坐标为迭代次数，纵坐标为变量取值范围。图表中的线表示概率百分比，从高到底为 [maximum, 93%, 84%, 69%, 50%, 31%, 16%, 7%, minimum]。例如，图表中从高到底的第二条线为 93%，对应该迭代下有 93% 的变量权重值小于该线对应的目标值。

上述 TensorFlow 变量概率分布对应的直方图如下图所示：

TensorFlow GPU 使用

GPU 设备已经广泛地应用于图像分类，语音识别，自然语言处理，机器翻译等深度学习领域，并实现了开创性的性能改进。与单纯使用 CPU 相比，GPU 具有数以千计的计算核心，可实现 10-100 倍的性能提升。TensorFlow 支持 GPU 运算的版本为 tensorflow-gpu，并且需要先安装相关软件：GPU 运算平台 CUDA 和用于深度神经网络运算的 GPU 加速库 CuDNN。在 TensorFlow 中，CPU 或 GPU 的表示方式如下所示：

“/cpu:0”：表示机器中第一个 CPU。

“/gpu:0”：表示机器中第一个 GPU 卡。

“/gpu:1”：表示机器中第二个 GPU 卡。

TensorFlow 中所有操作都有 CPU 和 GPU 运算的实现，默认情况下 GPU 运算的优先级比 CPU 高。如果 TensorFlow 操作没有指定在哪个设备上进行运算，默认会优选采用 GPU 进行运算。下面介绍如何在 TensorFlow 使用 GPU：

# 定义使用 gpu0 执行 a*b 的矩阵运算，其中 a，b，c 都在 gpu0 上执行
 
with tf.device('/gpu:0'):
 
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
 
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
 
  c = tf.matmul(a, b)
 
 
 
# 通过 log_device_placement 指定在日志中输出变量和操作所在的设备
 
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
 
print sess.run(c)

本实验环境下只有一个 GPU 卡，设备的 Device Mapping 及变量操作所在设备位置如下：

#设备的 Device Mapping
 
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K20c, pci bus id: 0000:81:00.0
 
 
 
#变量操作所在设备位置
 
a: (Const): /job:localhost/replica:0/task:0/gpu:0
 
b: (Const): /job:localhost/replica:0/task:0/gpu:0
 
(MatMul)/job:localhost/replica:0/task:0/gpu:0

默认配置下，TensorFlow Session 会占用 GPU 卡上所有内存。但 TesnorFlow 提供了两个 GPU 内存优化配置选项。config.gpu_options.allow_growth：根据程序运行情况，分配 GPU 内存。程序开始的时候分配比较少的内存，随着程序的运行，增加内存的分配，但不会释放已经分配的内存。config.gpu_options.per_process_gpu_memory_fraction：表示按照百分比分配 GPU 内存，例如 0.4 表示分配 40% 的 GPU 内存。示例代码如下：

#定义 TensorFlow 配置
config = tf.ConfigProto()
 
#配置 GPU 内存分配方式
 
#config.gpu_options.allow_growth = True
 
#config.gpu_options.per_process_gpu_memory_fraction = 0.4
 
session = tf.Session(config=config, ...)

TensorFlow 与 HDFS 集成使用

HDFS 是一个高度容错性的分布式系统，能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。TensorFlow 与 HDFS 集成示例如下：

#配置 JAVA 和 HADOOP 环境变量
 
source $HADOOP_HOME/libexec/hadoop-config.sh
 
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$JAVA_HOME/jre/lib/amd64/server
 
#执行 TensorFlow 运行模型
 
CLASSPATH=$($HADOOP_HDFS_HOME/bin/hadoop classpath --glob) python tensorflow_model.py
 
 
 
#在 TensorFlow 模型中定义文件的读取队列
 
filename_queue = tf.train.string_input_producer(["hdfs://namenode:8020/path/to/file1.csv", "hdfs://namenode:8020/path/to/file2.csv"])
 
 
 
#从文件中读取一行数据，value 为所对应的行数据
 
reader = tf.TextLineReader()
 
key, value = reader.read(filename_queue)
 
 
 
# 把读取到的 value 值解码成特征向量，record_defaults 定义解码格式及对应的数据类型
 
record_defaults = [[1], [1], [1], [1], [1]]
 
col1, col2, col3, col4, col5 = tf.decode_csv(value, record_defaults=record_defaults)
 
features = tf.pack([col1, col2, col3, col4])
 
 
 
with tf.Session() as sess:
 
  # 定义同步对象，并启动相应线程把 HDFS 文件名插入到队列
 
  coord = tf.train.Coordinator()
 
  threads = tf.train.start_queue_runners(coord=coord)
 
 
 
  for i in range(1200):
 
    # 从文件队列中读取一行数据
 
    example, label = sess.run([features, col5])
 
  
 
  #请求停止队列的相关线程（包括进队及出队线程）
 
  coord.request_stop()
 
  #等待队列中相关线程结束（包括进队及出队线程）
 
  coord.join(threads)
 

参考文献

[1] http://www.tensorflow.org

[2] 深度学习利器: 分布式 TensorFlow 及实例分析

作者简介

武维（微信：allawnweiwu）：博士，现为 IBM Spectrum Computing 研发工程师。主要从事大数据，深度学习，云计算等领域的研发工作。