【深度学习】编写同时在PyTorch和Tensorflow上工作的代码
作者 | Ram Sagar
编译 | VK
来源 | Analytics In Diamag
❝“库开发人员不再需要在框架之间进行选择。”
❞
来自德国图宾根人工智能中心的研究人员介绍了一种新的Python框架EagerPy，EagerPy允许开发人员编写独立于PyTorch和TensorFlow等流行框架的代码。
在最近发表的一篇关于EagerPy的文章中，研究人员写道，库开发人员不再关注框架依赖性。他们的新Python框架，急切地解决了它们的重新实现和代码复制障碍。
例如，Foolbox是一个构建在EagerPy之上的Python库。该库是用EagerPy而不是NumPy重写的，以实现在PyTorch和TensorFlow中开发，并且只有一个代码库，没有代码重复。Foolbox是一个对机器学习模型进行对抗性攻击的库。
框架无关的重要性
为了解决框架之间的差异，作者探索了句法偏差。在PyTorch的情况下，使用In-place的梯度需要使用**_grad_()「，而反向传播是使用」backward**()调用的。
然而，TensorFlow提供了一个高级管理器和像「tape.gradient」这样的函数来查询梯度。即使在句法层面，这两个框架也有很大的不同。例如，对于参数，dim vs axis；对于函数，sum vs reduce_sum。
这就是“EagerPy ”发挥作用的地方。它通过提供一个统一的API来解决PyTorch和TensorFlow之间的差异，该API透明地映射到各种底层框架，而无需计算开销。
❝“EagerPy允许你编写自动使用PyTorch、TensorFlow、JAX和NumPy的代码。”
❞
研究人员写道，EagerPy专注于Eager执行，此外，它的方法是透明的，用户可以将与框架无关的EagerPy代码与特定于框架的代码结合起来。
TensorFlow引入的eager执行模块和PyTorch的相似特性使eager执行成为主流，框架更加相似。然而，尽管PyTorch和TensorFlow2之间有这些相似之处，但编写框架无关的代码并不简单。在语法层面，这些框架中用于自动微分的api是不同的。
自动微分是指用算法求解微分方程。它的工作原理是链式规则，也就是说，求解函数的导数可以归结为基本的数学运算（加、减、乘、除）。这些算术运算可以用图形格式表示。EagerPy特别使用了一种函数式的方法来自动区分。
下面是一段来自文档的代码片段：
import eagerpy as epx = ep.astensor(x)def loss_fn(x):#这个函数接受并返回一个eager张量return x.square().sum()print(loss_fn(x))# PyTorchTensor(tensor(14.))print(ep.value_and_grad(loss_fn, x))
首先定义第一个函数，然后根据其输入进行微分。然后传递给「ep.value_and_grad」 来得到函数的值及其梯度。
此外，norm函数现在可以与PyTorch、TensorFlow、JAX和NumPy中的原生张量和数组一起使用，与本机代码相比几乎没有任何开销。它也适用于GPU张量。
import torchnorm(torch.tensor([1., 2., 3.]))import tensorflow as tfnorm(tf.constant([1., 2., 3.]))
总之，EagerPy 旨在提供以下功能：
为快速执行提供统一的API
维护框架的本机性能
完全可链接的API
全面的类型检查支持
研究人员声称，这些属性使得使用这些属性比底层框架特定的api更容易、更安全。尽管有这些变化和改进，但EagerPy 背后的团队还是确保了eagerpy API遵循了NumPy、PyTorch和JAX设置的标准。
入门「EagerPy」：
使用pip从PyPI安装最新版本：
python3 -m pip install eagerpy
import eagerpy as epdef norm(x):x = ep.astensor(x)result = x.square().sum().sqrt()return result.raw
了解更多关于“eagerpy”的信息：https://eagerpy.jonasrauber.de/guide/autodiff.html
原文链接：https://analyticsindiamag.com/eagerpy-pytorch-tensorflow-coding/
往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/662nyZF本站qq群704220115。加入微信群请扫码进群（如果是博士或者准备读博士请说明）：
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！