Rust 也能實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)？

作者 |?Nathan J. Goldbaum譯者 | 彎月，責(zé)編 | 屠敏出品 | CSDN(ID：CSDNnews)以下為譯文：我在前一篇帖子(http://neuralnetworksanddeeplearning.com/chap1.html)中介紹了MNIST數(shù)據(jù)集(http://yann.lecun.com/exdb/mnist/)以及分辨手寫(xiě)數(shù)字的問(wèn)題。在這篇文章中，我將利用前一篇帖子中的代碼，通過(guò)Rust實(shí)現(xiàn)一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。我的目標(biāo)是探索用Rust實(shí)現(xiàn)數(shù)據(jù)科學(xué)工作流程的性能以及人工效率。Python的實(shí)現(xiàn)我在前一篇帖子中描述了一個(gè)非常簡(jiǎn)單的單層神經(jīng)網(wǎng)絡(luò)，其可以利用基于隨機(jī)梯度下降的學(xué)習(xí)算法對(duì)MNIST數(shù)據(jù)集中的手寫(xiě)數(shù)字進(jìn)行分類(lèi)。聽(tīng)起來(lái)有點(diǎn)復(fù)雜，但實(shí)際上只有150行Python代碼，以及大量注釋。如果你想深入了解神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)，請(qǐng)仔細(xì)閱讀我的前一篇帖子。而且請(qǐng)不要只關(guān)注代碼，理解代碼工作原理的細(xì)節(jié)并不是非常重要，你需要了解Python和Rust的實(shí)現(xiàn)差異。在前一篇帖子中，Python代碼的基本數(shù)據(jù)容器是一個(gè)Network類(lèi)，它表示一個(gè)神經(jīng)網(wǎng)絡(luò)，其層數(shù)和每層神經(jīng)元數(shù)可以自由控制。在內(nèi)部，Network類(lèi)由NumPy二維數(shù)組的列表表示。該網(wǎng)絡(luò)的每一層都由一個(gè)表示權(quán)重的二維數(shù)組和一個(gè)表示偏差的一維數(shù)組組成，分別包含在Network類(lèi)的屬性weights和biases中。兩者都是二維數(shù)組的列表。偏差是列向量，但仍然添加了一個(gè)無(wú)用的維度，以二維數(shù)組的形式存儲(chǔ)。Network類(lèi)的初始化程序如下所示：class?Network(object):def?__init__(self,?sizes):"""The?list?``sizes``?contains?the?number?of?neurons?in?the
????????respective?layers?of?the?network.??For?example,?if?the?list
????????was?[2,?3,?1]?then?it?would?be?a?three-layer?network,?with?the
????????first?layer?containing?2?neurons,?the?second?layer?3?neurons,
????????and?the?third?layer?1?neuron.??The?biases?and?weights?for?the
????????network?are?initialized?randomly,?using?a?Gaussian
????????distribution?with?mean?0,?and?variance?1.??Note?that?the?first
????????layer?is?assumed?to?be?an?input?layer,?and?by?convention?we
????????won't?set?any?biases?for?those?neurons,?since?biases?are?only
????????ever?used?in?computing?the?outputs?from?later?layers."""
????????self.num_layers?=?len(sizes)
????????self.sizes?=?sizes
????????self.biases?=?[np.random.randn(y,?1)?for?y?in?sizes[1:]]
????????self.weights?=?[np.random.randn(y,?x)for?x,?y?in?zip(sizes[:-1],?sizes[1:])]在這個(gè)簡(jiǎn)單的實(shí)現(xiàn)中，權(quán)重和偏差的初始化呈標(biāo)準(zhǔn)正態(tài)分布——即均值為零，標(biāo)準(zhǔn)差為1的正態(tài)分布。我們可以看到，偏差明確地初始化為列向量。這個(gè)Network類(lèi)公開(kāi)了兩個(gè)用戶可以直接調(diào)用的方法。第一個(gè)是evaluate方法，它要求網(wǎng)絡(luò)嘗試識(shí)別一組測(cè)試圖像中的數(shù)字，然后根據(jù)已知的正確答案對(duì)結(jié)果進(jìn)行評(píng)分。第二個(gè)是SGD方法，它通過(guò)迭代一組圖像來(lái)運(yùn)行隨機(jī)梯度下降的學(xué)習(xí)過(guò)程，將整組圖像分解成小批次，然后根據(jù)每一小批次的圖像以及用戶指定的學(xué)習(xí)速率eta更新該網(wǎng)絡(luò)的狀態(tài)；最后再根據(jù)用戶指定的迭代次數(shù)，隨機(jī)選擇一組小批次圖像，重新運(yùn)行這個(gè)訓(xùn)練過(guò)程。該算法的核心(每一小批次圖像處理以及神經(jīng)網(wǎng)絡(luò)的狀態(tài)更新)代碼如下所示：def?update_mini_batch(self,?mini_batch,?eta):"""Update?the?network's?weights?and?biases?by?applying
????gradient?descent?using?backpropagation?to?a?single?mini?batch.
????The?``mini_batch``?is?a?list?of?tuples?``(x,?y)``,?and?``eta``
????is?the?learning?rate."""
????nabla_b?=?[np.zeros(b.shape)?for?b?in?self.biases]
????nabla_w?=?[np.zeros(w.shape)?for?w?in?self.weights]for?x,?y?in?mini_batch:
????????delta_nabla_b,?delta_nabla_w?=?self.backprop(x,?y)
????????nabla_b?=?[nb+dnb?for?nb,?dnb?in?zip(nabla_b,?delta_nabla_b)]
????????nabla_w?=?[nw+dnw?for?nw,?dnw?in?zip(nabla_w,?delta_nabla_w)]self.weights?=?[w-(eta/len(mini_batch))*nwfor?w,?nw?in?zip(self.weights,?nabla_w)]self.biases?=?[b-(eta/len(mini_batch))*nbfor?b,?nb?in?zip(self.biases,?nabla_b)]我們可以針對(duì)小批次中的每個(gè)訓(xùn)練圖像，通過(guò)反向傳播(在backprop函數(shù)中實(shí)現(xiàn))求出代價(jià)函數(shù)的梯度的估計(jì)值的總和。在處理完所有的小批次后，我們可以根據(jù)估計(jì)的梯度調(diào)整權(quán)重和偏差。更新時(shí)在分母中加入了len(mini_batch)，因?yàn)槲覀兿胍∨沃兴泄烙?jì)的平均梯度。我們還可以通過(guò)調(diào)整學(xué)習(xí)速率eta來(lái)控制權(quán)重和偏差的更新速度，eta可以在全局范圍內(nèi)調(diào)整每個(gè)小批次更新的大小。backprop函數(shù)在計(jì)算該神經(jīng)網(wǎng)絡(luò)的代價(jià)函數(shù)的梯度時(shí)，首先從輸入圖像的正確輸出開(kāi)始，然后將錯(cuò)誤反向傳播至網(wǎng)絡(luò)的各層。這需要大量的數(shù)據(jù)調(diào)整，在將代碼移植到Rust時(shí)我在此花費(fèi)了大量的時(shí)間，在此篇幅有限，我無(wú)法深入講解，如果你想了解具體的詳情，請(qǐng)參照這本書(shū)(http://neuralnetworksanddeeplearning.com/chap2.html)。Rust的實(shí)現(xiàn)首先，我們需要弄清楚如何加載數(shù)據(jù)。這個(gè)過(guò)程非常繁瑣，所以我另寫(xiě)了一篇文章專(zhuān)門(mén)討論(https://ngoldbaum.github.io/posts/loading-mnist-data-in-rust/)。在這之后，下一步我們必須弄清楚如何用Rust表示Python代碼中的Network類(lèi)。最終我決定使用struct：use?ndarray::Array2;
#[derive(Debug)]struct?Network?{num_layers:?usize,
????sizes:?Vec,
????biases:?Vec>,
????weights:?Vec>,
}該結(jié)構(gòu)的初始化與Python的實(shí)現(xiàn)大致相同：根據(jù)每層中的神經(jīng)元數(shù)量進(jìn)行初始化。use?rand::distributions::StandardNormal;use?ndarray::{Array,?Array2};use?ndarray_rand::RandomExt;
impl?Network?{
???????fn?new(sizes:?&[usize])?->?Network?{
????????let?num_layers?=?sizes.len();
????????let?mut?biases:?Vec>?=?Vec::new();
????????let?mut?weights:?Vec>?=?Vec::new();for?i?in?1..num_layers?{
????????????biases.push(Array::random((sizes[i],?1),?StandardNormal));
????????????weights.push(Array::random((sizes[i],?sizes[i?-?1]),?StandardNormal));
????????}
????????Network?{
????????????num_layers:?num_layers,
????????????sizes:?sizes.to_owned(),
????????????biases:?biases,
????????????weights:?weights,
????????}
????}?
}有一點(diǎn)區(qū)別在于，在Python中我們使用numpy.random.randn初始化偏差和權(quán)重，而在Rust中我們使用ndarray::Array::random函數(shù)，并以rand::distribution::Distribution為參數(shù)，允許選擇任意的分布。在上述代碼中，我們使用了rand::distributions::StandardNormal分布。注意，我們使用了三個(gè)不同的包中定義的接口，其中兩個(gè)ndarray本身和ndarray-rand由ndarray作者維護(hù)，另一個(gè)rand則由其他開(kāi)發(fā)人員維護(hù)。整體式包的優(yōu)點(diǎn)原則上，最好不要將隨機(jī)數(shù)生成器放到ndarray代碼庫(kù)中，這樣當(dāng)rand函數(shù)支持新的隨機(jī)分布時(shí)，ndarray以及Rust生態(tài)系統(tǒng)中所有需要隨機(jī)數(shù)的包都會(huì)受益。另一方面，這確實(shí)會(huì)增加一些認(rèn)知開(kāi)銷(xiāo)，因?yàn)闆](méi)有集中的位置，查閱文檔時(shí)需要參考多個(gè)包的文檔。我的情況有點(diǎn)特殊，我沒(méi)想到做這個(gè)項(xiàng)目的時(shí)候，恰逢rand發(fā)布改變了其公共API的版本。導(dǎo)致ndarray-rand(依賴于rand版本0.6)和我的項(xiàng)目所依賴的版本0.7之間產(chǎn)生了不兼容性。我聽(tīng)說(shuō)cargo和Rust的構(gòu)建系統(tǒng)可以很好地處理這類(lèi)問(wèn)題，但至少我遇到了一個(gè)非常令人困惑的錯(cuò)誤信息：我傳入的隨機(jī)數(shù)分布不能滿足Distribution這個(gè)trait的要求。雖然這話不假——它符合0.7版本的rand，但不符合ndarray-rand要求的0.6版本的rand，但這依然非常令人費(fèi)解，因?yàn)殄e(cuò)誤信息中沒(méi)有給出各種包的版本號(hào)。最后我報(bào)告了這個(gè)問(wèn)題。我發(fā)現(xiàn)這些有關(guān)API版本不兼容的錯(cuò)誤消息是Rust語(yǔ)言長(zhǎng)期存在的一個(gè)問(wèn)題。希望將來(lái)Rust可以顯示更多有用的錯(cuò)誤信息。最后，這種關(guān)注點(diǎn)的分離給我這個(gè)新用戶帶來(lái)了很大困難。在Python中，我可以簡(jiǎn)單通過(guò)import numpy完成。我確實(shí)認(rèn)為NumPy在整體式上走得太遠(yuǎn)了(當(dāng)時(shí)打包和分發(fā)帶有C擴(kuò)展的Python代碼與現(xiàn)在相比太難了)，但我也認(rèn)為在另一個(gè)極端上漸行漸遠(yuǎn)，會(huì)導(dǎo)致語(yǔ)言或生態(tài)系統(tǒng)的學(xué)習(xí)難度增大。類(lèi)型和所有權(quán)下面我將詳細(xì)介紹一下Rust版本的update_mini_batch：impl?Network?{fn?update_mini_batch(
????????&mut?self,
????????training_data:?&[MnistImage],
????????mini_batch_indices:?&[usize],
????????eta:?f64,)?{let?mut?nabla_b:?Vec>?=?zero_vec_like(&self.biases);let?mut?nabla_w:?Vec>?=?zero_vec_like(&self.weights);for?i?in?mini_batch_indices?{let?(delta_nabla_b,?delta_nabla_w)?=?self.backprop(&training_data[*i]);for?(nb,?dnb)?in?nabla_b.iter_mut().zip(delta_nabla_b.iter())?{
????????????????*nb?+=?dnb;
????????????}for?(nw,?dnw)?in?nabla_w.iter_mut().zip(delta_nabla_w.iter())?{
????????????????*nw?+=?dnw;
????????????}
????????}let?nbatch?=?mini_batch_indices.len()?as?f64;for?(w,?nw)?in?self.weights.iter_mut().zip(nabla_w.iter())?{
????????????*w?-=?&nw.mapv(|x|?x?*?eta?/?nbatch);
????????}for?(b,?nb)?in?self.biases.iter_mut().zip(nabla_b.iter())?{
????????????*b?-=?&nb.mapv(|x|?x?*?eta?/?nbatch);
????????}
????}
}該函數(shù)使用了我定義的兩個(gè)輔助函數(shù)，因此更為簡(jiǎn)潔：fn?to_tuple(inp:?&[usize])?->?(usize,?usize)?{
????match?inp?{
????????[a,?b]?=>?(*a,?*b),
????????_?=>?panic!(),
????}
}
fn?zero_vec_like(inp:?&[Array2])?->?Vec>?{
????inp.iter()
????????.map(|x|?Array2::zeros(to_tuple(x.shape())))
????????.collect()
}與Python實(shí)現(xiàn)相比，調(diào)用update_mini_batch的接口有點(diǎn)不同。這里，我們沒(méi)有直接傳遞對(duì)象列表，而是傳遞了整套訓(xùn)練數(shù)據(jù)的引用以及數(shù)據(jù)集中的索引的切片。由于這種做法不會(huì)觸發(fā)借用檢查，因此更容易理解。在zero_vec_like中創(chuàng)建nabla_b和nabla_w與我們?cè)赑ython中使用的列表非常相似。其中有一個(gè)波折讓我有些沮喪，本來(lái)我想設(shè)法使用Array2::zeros創(chuàng)建一個(gè)初始化為零的數(shù)組，并將其傳遞給圖像的切片或Vec，這樣我就可以得到一個(gè)ArrayD實(shí)例。如果想獲得一個(gè)Array2(顯然這是一個(gè)二維數(shù)組，而不是一個(gè)通用的D維數(shù)組)，我需要將一個(gè)元組傳遞給Array::zeros。然而，由于ndarray::shape會(huì)返回一個(gè)切片，我需要通過(guò)to_tuple函數(shù)手動(dòng)將切片轉(zhuǎn)換為元組。這種情況在Python很容易處理，但在Rust中，元組和切片之間的差異非常重要，就像在這個(gè)API中一樣。利用反向傳播估計(jì)權(quán)重和偏差更新的代碼與python的實(shí)現(xiàn)結(jié)構(gòu)非常相似。我們分批訓(xùn)練每個(gè)示例圖像，并獲得二次成本梯度的估計(jì)值作為偏差和權(quán)重的函數(shù)：let?(delta_nabla_b,?delta_nabla_w)?=?self.backprop(&training_data[*i]);然后累加這些估計(jì)值：for?(nb,?dnb)?in?nabla_b.iter_mut().zip(delta_nabla_b.iter())?{
????*nb?+=?dnb;
}for?(nw,?dnw)?in?nabla_w.iter_mut().zip(delta_nabla_w.iter())?{
????*nw?+=?dnw;
}在處理完小批次后，我們根據(jù)學(xué)習(xí)速率調(diào)整權(quán)重和偏差：let?nbatch?=?mini_batch_indices.len()?as?f64;for?(w,?nw)?in?self.weights.iter_mut().zip(nabla_w.iter())?{
????*w?-=?&nw.mapv(|x|?x?*?eta?/?nbatch);
}for?(b,?nb)?in?self.biases.iter_mut().zip(nabla_b.iter())?{
????*b?-=?&nb.mapv(|x|?x?*?eta?/?nbatch);
}這個(gè)例子說(shuō)明與Python相比，在Rust中使用數(shù)組數(shù)據(jù)所付出的人力有非常大的區(qū)別。首先，我們沒(méi)有讓這個(gè)數(shù)組乘以浮點(diǎn)數(shù)eta / nbatch，而是使用了Array::mapv，并定義了一個(gè)閉包，以矢量化的方式映射了整個(gè)數(shù)組。這種做法在Python中會(huì)很慢，因?yàn)楹瘮?shù)調(diào)用非常慢。然而，在Rust中沒(méi)有太大的區(qū)別。在做減法時(shí)，我們還需要通過(guò)&借用mapv的返回值，以免在迭代時(shí)消耗數(shù)組數(shù)據(jù)。在編寫(xiě)Rust代碼時(shí)需要仔細(xì)考慮函數(shù)是否消耗數(shù)據(jù)或引用，因此在編寫(xiě)類(lèi)似于Python的代碼時(shí)，Rust的要求更高。另一方面，我更加確信我的代碼在編譯時(shí)是正確的。我不確定這段代碼是否有必要，因?yàn)镽ust真的很難寫(xiě)，可能是因?yàn)槲业腞ust編程經(jīng)驗(yàn)遠(yuǎn)不及Python。用Rust重新編寫(xiě)，一切都會(huì)好起來(lái)到此為止，我用Rust編寫(xiě)的代碼運(yùn)行速度超過(guò)了我最初編寫(xiě)的未經(jīng)優(yōu)化的Python代碼。然而，從Python這樣的動(dòng)態(tài)解釋語(yǔ)言過(guò)渡到Rust這樣的性能優(yōu)先的編譯語(yǔ)言，應(yīng)該能達(dá)到10倍或更高性能，然而我只觀察到大約2倍的提升。我該如何測(cè)量Rust代碼的性能？幸運(yùn)的是，有一個(gè)非常優(yōu)秀的項(xiàng)目flamegraph(https://github.com/ferrous-systems/flamegraph)可以很容易地為Rust項(xiàng)目生成火焰圖。這個(gè)工具為cargo添加了一個(gè)flamegraph子命令，因此你只需運(yùn)行cargo flamegraph，就可以運(yùn)行代碼，然后寫(xiě)一個(gè)flamegraph的svg文件，就可以通過(guò)Web瀏覽器觀測(cè)。可能你以前從未見(jiàn)過(guò)火焰圖，因此在此簡(jiǎn)單地說(shuō)明一下，例程中程序的運(yùn)行時(shí)間比例與該例程的條形寬度成正比。主函數(shù)位于圖形的底部，主函數(shù)調(diào)用的函數(shù)堆疊在上面。你可以通過(guò)這個(gè)圖形簡(jiǎn)單地了解哪些函數(shù)在程序中占用的時(shí)間最多——圖中非常“寬”的函數(shù)都在運(yùn)行中占用了大量時(shí)間，而非常高且寬的函數(shù)棧都代表其包含非常深入的棧調(diào)用，其代碼的運(yùn)行占用了大量時(shí)間。通過(guò)以上火焰圖，我們可以看到我的程序大約一半的時(shí)間都花在了dgemm_kernel_HASWELL等函數(shù)上，這些是OpenBLAS線性代數(shù)庫(kù)中的函數(shù)。其余的時(shí)間都花在了`update_mini_batch和分配數(shù)組中等數(shù)組操作上，而程序中其他部分的運(yùn)行時(shí)間可以忽略不計(jì)。如果我們?yōu)镻ython代碼制作了一個(gè)類(lèi)似的火焰圖，則也會(huì)看到一個(gè)類(lèi)似的模式——大部分時(shí)間花在線性代數(shù)上(在反向傳播例程中調(diào)用np.dot)。因此，由于Rust或Python中的大部分時(shí)間都花在數(shù)值線性代數(shù)庫(kù)中，所以我們永遠(yuǎn)也無(wú)法得到10倍的提速。實(shí)際情況可能比這更糟。上述我提到的書(shū)中有一個(gè)練習(xí)是使用向量化矩陣乘法重寫(xiě)Python代碼。在這個(gè)方法中，每個(gè)小批次中所有圖像的反向傳播都需要通過(guò)一組矢量化矩陣乘法運(yùn)算完成。這需要在二維和三維數(shù)組間運(yùn)行矩陣乘法。由于每個(gè)矩陣乘法運(yùn)算使用的數(shù)據(jù)量大于非向量化的情況，因此OpenBLAS能夠更有效地使用CPU緩存和寄存器，最終可以更好地利用我的筆記本電腦上的CPU資源。重寫(xiě)的Python版本比Rust版本更快，但也只有大約兩倍左右。原則上，我們可以用相同的方式優(yōu)化Rust代碼，但是ndarray包還不支持高于二維的矩陣乘法。我們也可以利用rayon等庫(kù)實(shí)現(xiàn)小批次更新線程的并行化。我在自己的筆記本電腦上試了試，并沒(méi)有看到任何提速，但可能更強(qiáng)大的機(jī)器有更多CPU線程。我還嘗試了使用使用不同的低級(jí)線性代數(shù)實(shí)現(xiàn)，例如，利用Rust版的tensorflow和torch，但當(dāng)時(shí)我覺(jué)得我完全可以利用Python版的這些庫(kù)。Rust是否適合數(shù)據(jù)科學(xué)工作流程？目前，我不得不說(shuō)答案是“尚未”。如果我需要編寫(xiě)能夠?qū)⒁蕾囆越档阶畹偷?、?jīng)過(guò)優(yōu)化的低級(jí)代碼，那么我肯定會(huì)使用Rust。然而，要想利用Rust完全取代Python或C++，那么我們尚需要等待更穩(wěn)定和更完善的包生態(tài)系統(tǒng)。原文：https://ngoldbaum.github.io/posts/python-vs-rust-nn/本文為 CSDN 翻譯，轉(zhuǎn)載請(qǐng)注明來(lái)源出處。

【End】

?熱 文?推 薦?

?這位博士都 50 多歲了，為啥還在敲代碼？?C# 導(dǎo)出 Excel 的 6 種簡(jiǎn)單方法！你會(huì)幾種？?這位博士都 50 多歲了，為啥還在敲代碼？?2019 編程語(yǔ)言排行榜：Java、Python 龍爭(zhēng)虎斗！PHP 屹立不倒！?2億日活，日均千萬(wàn)級(jí)視頻上傳，快手推薦系統(tǒng)如何應(yīng)對(duì)技術(shù)挑戰(zhàn)？?Docker容器化部署Python應(yīng)用?給面試官講明白：一致性Hash的原理和實(shí)踐?預(yù)警，CSW的50萬(wàn)枚塵封BTC即將重返市場(chǎng)？?她說(shuō)：行！沒(méi)事別嫁程序員！你點(diǎn)的每個(gè)“在看”，我都認(rèn)真當(dāng)成了喜歡

總結(jié)

以上是生活随笔為你收集整理的rust相框加载图片代码_Rust 能取代 Python，更好的实现神经网络？的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。