Torch 中添加自己的 nn Modules:以添加 Dropout、 Triplet Loss 为例
2016-07-20 11:05
656 查看
Preface
因为要复现前面阅读的一篇论文:《论文笔记:Deep Relative Distance Learning: Tell the Difference Between Similar Vehicles》 中提到的用来区分相似图像的两个损失函数:Triplet Loss、Coupled Cluster Loss 。上面的那篇论文没有提供源代码,因此得自己去写这两个损失函数模块,然后require '***'到 Torch 中。
这里学习一下该怎么样在 Torch 中加自己的模块层。Torch 有了官方教程:http://torch.ch/docs/developer-docs.html,中科院自动化所的博士@beanfrog 也写过一篇专栏:《如何在torch中添加新的层?》,下面是阅读及总结。
另,我还没到自己写
C/CUDA代码的程度上,仅仅在用 lua、Tensor 实现的很浅的程度上,理解的不对请多多批评。
Torch 中如何实现自己的 nn 模块
首先,Torch 中实现自己的nn modules有两种层次:
1. 如果要实现的目标比较简单,对性能要求不是那么高,那么几行简单的 Lua 代码就可以实现;
2. 如果对计算性能要求较高,或者你想在用 CPU、GPU 计算时做特殊的处理、优化,就需要写
C/CUDA层次的代码。
Modules 包含两种状态变量(state variables):
output以及
gradInput。先回顾一下,一个
Module需要去实现一些基础的函数。
第一个是如下的函数:
[output] forward(input)
这个函数是输入一个数据,计算模型相应的输出。通常来说,这里的 input 以及 output 都是 Tensors 。但是,一些特殊的
sub-classes,如
table layers输入输出可能并不是 Tensors,而是其他什么东西。这个具体的需要去查阅每个
Module的具体说明。
在
forward()之后,变量
output的值就需要更新到一个新的值。
但是,并不建议这么去
override这个
forward()函数。相反的,我们需要去实现
updateOutput(input)这个函数。抽象父类
Module中的
forward(input)函数,会去调用
updateOutput(input)。
第二个需要去实现的函数是:
[gradInput] backward(input, gradOutput)
这个函数根据输入的
input,实现相应的
back-propagation过程。一般来说,当调用这个函数时,应该是已经执行了
forward(input)这个函数。
If you do not respect this rule,
backend()will compute incorrect gradients.
gradOutput、
gradInput都是
Tensors,同上,有些并不是,如
table类,所以需要查每一个
Module具体的说明。
一个
back-propagation过程在给定的
gradOutput(
Module关于输出
output的求导) 之上,包括了两个梯度计算。
这个函数调用了两个函数:
调用了
updateGradInput(input, gradOutput)
调用了
accGradParameters(input, gradOutput)
同样也不建议直接去重写
backward(input, gradOutput)函数,更好的方式是去重写
updateGradInput(input, gradOutput)、
accGradParameters(input, gradOutput)这两个函数。
好了,总结一下。
当定义一个新的 module 的时候,需要我们必须实现两种操作:forward、backward 。但并不建议去直接 override 这两个函数,而是去重写下面两个函数。第一个就是:
[output] updateOutput(input)
当定义一个
Module的时候,上面的这个函数需要被重写。用当前的模型(模型里的参数不变),输入一个
input值,得到输出。这个函数的返回值存储在
output变量中。
第二个就是:
[gradInput] updateGradInput(input, gradOutput)
这个函数在新定义
Module的时候也需要被重写,计算
Module关于输入
input的导数,函数的返回值为
gradInput,同时,变量
gradInput的值需要进行更新。
接着要注意了,当定义一个新的
Module时,如果这个
Module有需要去训练的参数时(如激活函数层,就没有需要去训练的参数),下面的这个函数需要被
override。
accGradParameters(input, gradOutput)
这是计算一个
Module相对于权重的导数,许多
Module不需要执行这一步,因为 没有权重参数,如激活函数层。
将这些 累积(accumulation) 归零(Zeroing)可以通过函数:
zeroGradParameters()来实现,根据 累积 更新这些参数可以通过函数:
updateParameters()来实现。
还可以定义函数:
reset(),这个函数定义怎么样去重置训练参数,如在训练前初始化参数。
如果你想使用
optim package,
modules还提供了其他你可以去自定义的函数。
下面是一个定义新类的模板,每当我们要去定义一个新的 nn Module 的时候,我们只需要去填补下面函数体。
local NewClass, Parent = torch.class('nn.NewClass', 'nn.Module') function NewClass:__init() Parent.__init(self) end function NewClass:updateOutput(input) end function NewClass:updateGradInput(input, gradOutput) end function NewClass:accGradParameters(input, gradOutput) end function NewClass:reset() end
要注意的是,当定义
__init()这个 “构造函数(constructor)” 后,我们都首先要去调用这个 “构造函数(constructor)”,进行初始化操作。如我们常用的
nn.Linear(3, 4),其表示 3 个输入,4 个输出,其初始化函数形式为
function Linear:__init(inputSize, outputSize, bias), 其中 bias 表示偏置项,默认没有。
updateOutput(input),前向传播时调用该函数,计算 Y=F(X),X 为输入,Y 为输出。
updateGradInput(input, gradOutput),反向传播是调用该函数,计算损失 loss 相对于输入 X 的偏导:∂E∂X=∂E∂Y×∂Y∂X,其中,∂E∂Y 为 loss 相对于输出 Y 的偏导。
accGradParameters(input, gradOutput),当 模块(层) 中没有需要学习的 权重(参数) 时, 不需要写这个函数(如 nn.Dropout、nn.ReLU 等)。该函数计算输出 loss 对 weight、bias (如果有的话)的偏导:
∂E∂W=∂E∂Y×∂Y∂W∂E∂B=∂E∂Y×∂Y∂B
以上函数的具体实现,若能通过 Tensor 自带的计算完成,则直接一个 Lua 文件即可,因为 Tensor 的运算自动支持 CPU 和 GPU,故该层也能直接支持 CPU 和 GPU了。
实现自己的 Dropout 层
Dropout 模块代码
所谓的 Dropout ,是指随机的将网络中的神经元归零,具体的可以去看 Hinton 的 JMLR 的这篇论文:《Dropout - A Simple Way to Prevent Neural Networks from Overfitting》,已经实验证实,这种策略可以有效的防止过拟合。那么 Dropout 该如何实现呢?
local Dropout, Parent = torch.class('nn.Dropout', 'nn.Module') function Dropout:__init(p) Parent.__init(self) self.p = p or 0.5 if self.p >= 1 or self.p < 0 then error('<Dropout> illegal percentage, must be 0 <= p < 1') end self.noise = torch.Tensor() end function Dropout:updateOutput(input) self.output:resizeAs(input):copy(input) self.noise:resizeAs(input) self.noise:bernoulli(1-self.p) self.output:cmul(self.noise) return self.output end function Dropout:updateGradInput(input, gradOutput) self.gradInput:resizeAs(gradOutput):copy(gradOutput) self.gradInput:cmul(self.noise) -- simply mask the gradients with the noise vector return self.gradInput end
这里还有一篇添加自己的 ReLU 层的例子,可以参考:http://blog.csdn.net/lanran2/article/details/50494570
Jacobian 矩阵检验
Jacobian 矩阵 是一阶偏导数以一定方式排列成的矩阵,类似于多元函数的导数。假设 F:Rn→Rm 是一个从欧式 n 维空间转换到欧式 m 维空间的函数。这个函数由 m 个实函数组成:
y1(x1,...,xn)...ym(x1,...,xn)
这些函数的偏导数(如果存在)可以组成一个 m 行 n 列的矩阵,这就是所谓的 Jacobian 矩阵:
⎡⎣⎢⎢⎢⎢⎢∂y1∂x1⋮∂ym∂x1⋯⋱⋯∂y1∂xn⋮∂ym∂xn⎤⎦⎥⎥⎥⎥⎥
此矩阵表示为:JF(x1,…,xn) 或者 ∂(y1,…,ym)∂(x1,…,xn)
当实现完自己的 module 后,最好还需要测试验证。这可以用
nn中提供的
Jacobian类来检验:
-- parameters local precision = 1e-5 local jac = nn.Jacobian -- define inputs and module local ini = math.random(10, 20) local inj = math.random(10, 20) local ink = math.random(10, 20) local percentage = 0.5 local input = torch.Tensor(ini, inj, ink):zero() local module = nn.Dropout(percentage) -- test backprop, with Jacobian local err = jac.testJacobian(module, input) print('==> error: ' .. err) if err < precision then print('==> module OK') else print('==> err too large, incorrect implementation') end
上部分检验代码中,用了函数:
nn.Jacobian.testJacobian(),这个函数的代码在这里:https://github.com/torch/nn/blob/master/Jacobian.lua#L240,翻进去看代码:
function nn.Jacobian.testJacobianParameters(module, input, param, dparam, minval, maxval, perturbation) minval = minval or -2 maxval = maxval or 2 local inrange = maxval - minval input:copy(torch.rand(input:nElement()):mul(inrange):add(minval)) param:copy(torch.rand(param:nElement()):mul(inrange):add(minval)) local jac_bprop = nn.Jacobian.backward(module, input, param, dparam) local jac_fprop = nn.Jacobian.forward(module, input, param, perturbation) local error = jac_fprop - jac_bprop return error:abs():max() end
实现 Triplet Loss
Triplet Loss 示意图及其 Loss Function
Triplet Loss 的输入是“三元”的:{<xa,xp,xn>},其中,xa 与 xp 属于正样本,xn 属于负样本。通过训练,使得 xa 与 xp 之间“拉的更近”,xa 与 xn 之间“推的更远”。示意图如下:其损失函数为:
L=∑Nmax{∥∥f(xa)−f(xp)∥∥22+α−∥∥f(xa)−f(xn)∥∥22, 0}
Triplet Loss 模块 Torch 实现
Github 上这里有人实现了 Triplet Loss:https://github.com/Atcold/torch-TripletEmbedding,具体的实现很简单,就写了一个TripletEmbedding.lua文件:
local TripletEmbeddingCriterion, parent = torch.class('nn.TripletEmbeddingCriterion', 'nn.Criterion')
这是 Triplet Loss 类的实现声明,一般自定义 Loss Function 继承自
nn.Criterion.
function TripletEmbeddingCriterion:__init(alpha) parent.__init(self) self.alpha = alpha or 0.2 self.Li = torch.Tensor() self.gradInput = {} end
这是 Triplet Loss 的初始化函数,当使用 Triplet Loss 的时候,这个函数首先被调用,进行初始化。
self.alpha是 Triplet Loss 公式中的 α,默认为 0.2
self.Li表示每一个计算得到的 Loss,先声明为
torch.Tensor(),大小维数、类型都待定
self.gradInput表示输入,输入为
table: {},其实是为
{aImgs, pImgs, nImgs}
function TripletEmbeddingCriterion:updateOutput(input) local a = input[1] -- ancor local p = input[2] -- positive local n = input[3] -- negative local N = a:size(1) self.Li = torch.max(torch.cat(torch.Tensor(N):zero():type(torch.type(a)) , (a - p):norm(2,2):pow(2) - (a - n):norm(2,2):pow(2) + self.alpha, 2), 2) self.output = self.Li:sum() / N return self.output end
这是需要我们自己去实现的
forward过程,但是因为不建议去直接
overrideforward 函数,而是去实现
updateOutput()函数。
输入的
input实际上为
table,
{aImgs, pImgs, nImgs}。所以创建 3 个
local变量:
local a、
local p、
local n;
local N为
input中传递过来的三元组的个数;
torch.max(0, x)函数很好理解;
torch.Tensor(N):zero():type(torch.type(a)),创建一列 N 个 0 元素 Tensor,类型与
a的一致;
(a - p):norm(2,2):pow(2),因为若
a、p的 Size 是 N×1024 ,1024 是最后输出的特征维数(我选择的是 1024 维),所以这句话
(a - p):norm(2,2)求的是在第二个维度(1024)上的 2 范数,并
:pow(2)一下,即平方一下;
self.output = self.Li:sum() / N,求一个均值;
return self.output,返回结果。
function TripletEmbeddingCriterion:updateGradInput(input) local a = input[1] -- ancor local p = input[2] -- positive local n = input[3] -- negative local N = a:size(1) self.gradInput[1] = (n - p):cmul(self.Li:gt(0):repeatTensor(a:size(2),1):t():type(a:type()) * 2/N) self.gradInput[2] = (p - a):cmul(self.Li:gt(0):repeatTensor(a:size(2),1):t():type(a:type()) * 2/N) self.gradInput[3] = (a - n):cmul(self.Li:gt(0):repeatTensor(a:size(2),1):t():type(a:type()) * 2/N) return self.gradInput end
这是反向传播过程需要实现了
updateGradInput函数,因为 Triplet Loss 的损失函数,对三个输入的求导分别为:
这是截取的 2015 年 CVPR 的一篇论文:《Simultaneous feature learning and hash coding with deep neural networks》上的公式。上面函数体里面就实现的是上图中 公式(3)的内容。
Reference
最后,在贴出几个有价值的链接,可供参考:Google Groups 中的讨论:Custom softmax loss function
Oxford Machine Learning 教程:Implementing your own layer
http://code.madbits.com/wiki/doku.php?id=tutorial_morestuff
Stackoverflow 上的讨论:Add my custom loss function to torch
Github 上 Torch 的
Modules文档,实现一个自己的 Modules,文档得看看
相关文章推荐
- linux下shell显示-bash-4.1#不显示路径解决方法
- Weird Shader Problem On OpenGLES 3.0
- Hdfs将服务器的整个文件夹拷贝到Linux本地
- opencv鼠标响应事件
- Hadoop自学系列集(三) ---- Hadoop安装
- 【做减法】Linux工具快速教程 - 高级篇
- linux:ACL权限
- Centos 关闭防火墙
- CENTOS单用户下修改密码报“passwd: Authentication Token Manipulation Error”
- 【做减法】Linux工具快速教程 - 基础篇
- opencv-霍夫线变换
- 【整理】Word OpenXML常用标签
- 再一篇centos下的 rpm 与yum 安装方法 (详解)
- 小记——linux文件元属性
- Nginx+phpfastcgi下flush输出问题
- linux中shell变量$#,$@,$0,$1,$2的含义解释 (转载)
- Linux常用快捷键
- nginx.conf详解
- Ubuntu14.0.4 Tomcat+MySQL+Java CLI配置
- opencv-漫水填充