基于PyTorch的「Keras」：除了核心逻辑通通都封装

本文主要是介绍基于PyTorch的「Keras」：除了核心逻辑通通都封装，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

（给Python开发者加星标，提升Python技能）

转自：机器之心

Keras 和 PyTorch 都是对初学者最友好的深度学习框架，它们用起来就像描述架构的简单语言一样，告诉框架哪一层该用什么就行。很多研究者和开发者都在考虑到底哪一个框架更好，但目前两个框架都非常流行，它们都各有优势。最近，Facebook 研究员 William Falcon 为 PyTorch 披上了一件 Keras 的外衣，他表明用这样的框架做研究简直不要太爽。

PyTorch Lightning 地址：https://github.com/williamFalcon/pytorch-lightning

640?wx_fmt=png

看起来像 Keras 的 PyTorch

Keras 本身的目的就是对深度学习框架（TensorFlow、Theano）进行了进一步的 API 封装。作为 TensorFlow 的高度封装，Keras 的抽象层次非常高，很多 API 细节都隐藏了起来。虽然 PyTorch 同样使用动态计算图，也方便快捷，但总体上 Keras 隐藏的细节更多一些。

反观 PyTorch，它提供一个相对较低级别的实验环境，使用户可以更加自由地编写自定义层、查看数值优化任务等等。例如在 PyTorch 1.0 中，编译工具 torch.jit 就包含一种名为 Torch Script 的语言，它是 Python 的子语言，开发者使用它能进一步对模型进行优化。

用 PyTorch 写模型，除了数据加载和模型定义部分外，整个训练和验证的逻辑、配置都需要我们手动完成，这些步骤都较为繁琐。甚至可以说，研究者需要耗费相当多的精力处理这一部分的代码，还要祈祷不出 Bug。但是对于大多数研究实验来说，训练和验证的循环体差不多都是一样的，实现的功能也相当一致，所以为什么不将这些通用的东西都打包在一起，这样训练不就简单了么？

William Falcon 正是这样想的，他将 PyTorch 开发中的各种通用配置全都包装起来，我们只需要写核心逻辑就行。通过 PyTorch Lightning，PyTorch 就类似于 Keras，它能以更高级的形式快速搭建模型。

项目作者是谁

要完成这样的工作，工作量肯定是非常大的，因为从超参搜索、模型 Debug、分布式训练、训练和验证的循环逻辑到模型日志的打印，都需要写一套通用的方案，确保各种任务都能用得上。所以 Facebook 的这位小哥哥 William Falcon 还是很厉害的。

640?wx_fmt=png

他是一位 NYU 和 Facebook 的开发者。目前在 NYU 攻读 PhD。从 GitHub 的活动来看，小哥是一位比较活跃的开发者。

640?wx_fmt=png

这是一位披着 Keras 外衣的 PyTorch

Lightning 是 PyTorch 非常轻量级的包装，研究者只需要写最核心的训练和验证逻辑，其它过程都会自动完成。因此这就有点类似 Keras 那种高级包装，它隐藏了绝大多数细节，只保留了最通俗易懂的接口。Lightning 能确保自动完成部分的正确性，对于核心训练逻辑的提炼非常有优势。

那么我们为什么要用 Lightning？

当我们开始构建新项目，最后你希望做的可能就是记录训练循环、多集群训练、float16 精度、提前终止、模型加载/保存等等。这一系列过程可能需要花很多精力来解决各式各样、千奇百怪的 Bug，因此很难把精力都放在研究的核心逻辑上。

通过使用 Lightning，这些部分都能保证是 Work 的，因此能抽出精力关注我们要研究的东西：数据、训练、验证逻辑。此外，我们完全不需要担心使用多 GPU 加速会很难，因为 Lightning 会把这些东西都做好。

所以 Lightning 都能帮我们干什么？

下图展示了构建一个机器学习模型都会经历哪些过程，很多时候最困难的还不是写模型，是各种配置与预处理过程。如下蓝色的部分需要用 LightningModule 定义，而灰色部分 Lightning 可以自动完成。我们需要做的，差不多也就加载数据、定义模型、确定训练和验证过程。

640?wx_fmt=png

下面的伪代码展示了大致需要定义的几大模块，它们再加上模型架构定义就能成为完整的模型。

# what to do in the training loop	
def training_step(self, data_batch, batch_nb):	
# what to do in the validation loop	
def validation_step(self, data_batch, batch_nb):	# how to aggregate validation_step outputs	
def validation_end(self, outputs):	# and your dataloaders	
def tng_dataloader():	
def val_dataloader():	
def test_dataloader():

除了需要定义的模块外，以下步骤均可通过 Lightning 自动完成。当然，每个模块可以单独进行配置。

640?wx_fmt=png

Lightning 怎么用

Lightning 的使用也非常简单，只需要两步就能完成：定义 LightningModel；拟合训练器。

以经典的 MNIST 图像识别为例，如下展示了 LightningModel 的示例。我们可以照常导入 PyTorch 模块，但这次不是继承 nn.Module，而是继承 LightningModel。然后我们只需要照常写 PyTorch 就行了，该调用函数还是继续调用。这里看上去似乎没什么不同，但注意方法名都是确定的，这样才能利用 Lightning 的后续过程。

import os	
import torch	
from torch.nn import functional as F	
from torch.utils.data import DataLoader	
from torchvision.datasets import MNIST	
import torchvision.transforms as transforms	import pytorch_lightning as ptl	class CoolModel(ptl.LightningModule):	def __init__(self):	super(CoolModel, self).__init__()	# not the best model...	self.l1 = torch.nn.Linear(28 * 28, 10)	def forward(self, x):	return torch.relu(self.l1(x.view(x.size(0), -1)))	def my_loss(self, y_hat, y):	return F.cross_entropy(y_hat, y)	def training_step(self, batch, batch_nb):	x, y = batch	y_hat = self.forward(x)	return {'loss': self.my_loss(y_hat, y)}	def validation_step(self, batch, batch_nb):	x, y = batch	y_hat = self.forward(x)	return {'val_loss': self.my_loss(y_hat, y)}	def validation_end(self, outputs):	avg_loss = torch.stack([x['val_loss'] for x in outputs]).mean()	return {'avg_val_loss': avg_loss}	def configure_optimizers(self):	return [torch.optim.Adam(self.parameters(), lr=0.02)]	@ptl.data_loader	def tng_dataloader(self):	return DataLoader(MNIST(os.getcwd(), train=True, download=True, transform=transforms.ToTensor()), batch_size=32)	@ptl.data_loader	def val_dataloader(self):	return DataLoader(MNIST(os.getcwd(), train=True, download=True, transform=transforms.ToTensor()), batch_size=32)	@ptl.data_loader	def test_dataloader(self):	return DataLoader(MNIST(os.getcwd(), train=True, download=True, transform=transforms.ToTensor()), batch_size=32)

随后，第二步即拟合训练器。这就比较类似 Keras 这类高级包装了，它将训练配置细节、循环体、以及日志输出等更加具体的信息全都隐藏了，一个 fit() 方法就能自动搞定一切。

这相比以前写 PyTorch 更加便捷精炼一些，而且分布式训练也非常容易，只要给出设备 id 就行了。

from pytorch_lightning import Trainer	
from test_tube import Experiment	model = CoolModel()	
exp = Experiment(save_dir=os.getcwd())	# train on cpu using only 10% of the data (for demo purposes)	
trainer = Trainer(experiment=exp, max_nb_epochs=1, train_percent_check=0.1)	# train on 4 gpus	
# trainer = Trainer(experiment=exp, max_nb_epochs=1, gpus=[0, 1, 2, 3])	
# train on 32 gpus across 4 nodes (make sure to submit appropriate SLURM job)	
# trainer = Trainer(experiment=exp, max_nb_epochs=1, gpus=[0, 1, 2, 3, 4, 5, 6, 7], nb_gpu_nodes=4)	
# train (1 epoch only here for demo)	
trainer.fit(model)	
# view tensorflow logs print(f'View tensorboard logs by running\ntensorboard --logdir {os.getcwd()}')	
print('and going to http://localhost:6006 on your browser')

其他特性

Pytorch-Lightning 还可以和 TensorBoard 无缝对接。

640?wx_fmt=png

只需要定义运行的路径：

from test_tube import Experiment	
from pytorch-lightning import Trainer	exp = Experiment(save_dir = 『/some/path』)	
trainer = Trainer(experiment = exp)

将 TensorBoard 连接到路径上即可：