听说过 Torch 的人都听说了 torch 是动态的, 那他的动态到底是什么呢? 我们用一个 RNN 的例子来展示一下动态计算到底长什么样.
动态?静态?
对比静态动态, 我们就得知道谁是静态的. 在流行的神经网络模块中, Tensorflow 就是最典型的静态计算模块. 下图是一种我在强化学习教程中的 Tensorflow 计算图. 也就是说, 大部分时候, 用 Tensorflow 是先搭建好这样一个计算系统, 一旦搭建好了, 就不能改动了 (也有例外, 比如 dynamic_rnn() , 但是总体来说他还是运用了一个静态思维), 所有的计算都会在这种图中流动, 当然很多情况, 这样就够了, 我们不需要改动什么结构. 不动结构当然可以提高效率. 但是一旦计算流程不是静态的, 计算图要变动. 最典型的例子就是 RNN, 有时候 RNN 的 time step 不会一样, 或者在 training 和 testing 的时候, batch_size 和 time_step 也不一样, 这时, Tensorflow 就头疼了, Tensorflow 的人也头疼了. 哈哈, 如果用一个动态计算图的 Torch, 我们就好理解多了, 写起来也简单多了.
动态RNN
我们拿 这一节内容的 RNN 来解释动态计算图. 那节内容的代码在这.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 | .. ######################## 前面代码都一样, 下面开始不同 ######################### ################ 那节内容的代码结构 (静态 time step) ########## for step in range(60): start, end = step * np.pi, (step 1)*np.pi # time steps 都是一样长的 # use sin predicts cos steps = np.linspace(start, end, 10, dtype=np.float32) ... ################ 这节内容修改代码 (动态 time step) ######### step = 0 for i in range(60): dynamic_steps = np.random.randint(1, 4) # 随机 time step 长度 start, end = step * np.pi, (step dynamic_steps) * np.pi # different time steps length step = dynamic_steps # use sin predicts cos steps = np.linspace(start, end, 10 * dynamic_steps, dtype=np.float32) ####################### 这下面又一样了 ########################### print(len(steps)) # print how many time step feed to RNN x_np = np.sin(steps) # float32 for converting torch FloatTensor y_np = np.cos(steps) ... """ 输出的动态time step 长 30 30 10 30 20 30 """ |
有人会说了, Tensorflow 也有类似的功能呀, 比如说 dynamic_rnn(). 对的, 没错, 不过大家是否想过, 如果我在 Tensorflow 当中定义一个 input 的 placeholder, 这个 placeholder 将会有 (batch, time step, input size) 这几个维度, batch 好说, 随便什么大小都可以, 可是 time step 可是固定的呀, 这可不好改, 或者说改起来很麻烦. 那 PyTorch 中又可以变 batch 又可以变 time step, 这不是很方便吗. 这就体现了动态神经网络的好处.
经过这样的折腾, torch 还能 handle 住, 已经很不容易啦. 所以当你想要处理这些动态计算图的时候, Torch 还是你首选的神经网络模块.
所以这也就是在我 github 代码 中的每一步的意义啦.
文章来源：莫烦
本站微信群、QQ群(三群号 726282629)：
