私はconvnetjsを1年間使用してきましたが、より強力で高速なライブラリに移行したいと考えています。 TensorflowはJSライブラリよりも桁違いに高速だと思ったので、両方のライブラリ用の単純なニューラルネットワークを作成し、いくつかのテストを行いました。これは3-5-5-1ニューラルネットワークであり、SGD層とRELU層を持つ特定の数のエポックについて1つの例でトレーニングされています。
Tensorflowコード:
import tensorflow as tf
import numpy
import time
NUM_CORES = 1 # Choose how many cores to use.
sess = tf.Session(config=tf.ConfigProto(inter_op_parallelism_threads=NUM_CORES, intra_op_parallelism_threads=NUM_CORES))
# Parameters
learning_rate = 0.001
training_epochs = 1000
batch_size = 1
# Network Parameters
n_input = 3 # Data input
n_hidden_1 = 5 # 1st layer num features
n_hidden_2 = 5 # 2nd layer num features
n_output = 1 # Data output
# tf Graph input
x = tf.placeholder("float", [None, n_input], "a")
y = tf.placeholder("float", [None, n_output], "b")
# Create model
def multilayer_perceptron(_X, _weights, _biases):
layer_1 = tf.nn.relu(tf.add(tf.matmul(_X, _weights['h1']), _biases['b1'])) #Hidden layer with RELU activation
layer_2 = tf.nn.relu(tf.add(tf.matmul(layer_1, _weights['h2']), _biases['b2'])) #Hidden layer with RELU activation
return tf.matmul(layer_2, _weights['out']) + _biases['out']
# Store layers weight & bias
weights = {
'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_hidden_2, n_output]))
}
biases = {
'b1': tf.Variable(tf.random_normal([n_hidden_1])),
'b2': tf.Variable(tf.random_normal([n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_output]))
}
# Construct model
pred = multilayer_perceptron(x, weights, biases)
# Define loss and optimizer
cost = tf.reduce_sum(tf.nn.l2_loss(pred-y)) / batch_size # L2 loss
optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimize(cost) # Adam Optimizer
# Initializing the variables
init = tf.initialize_all_variables()
# Launch the graph
sess.run(init)
# Training Data
train_X = numpy.asarray([[0.1,0.2,0.3]])
train_Y = numpy.asarray([[0.5]])
# Training cycle
start = time.clock()
for Epoch in range(training_epochs):
# Fit training using batch data
sess.run(optimizer, feed_dict={x: train_X, y: train_Y})
end = time.clock()
print end - start #2.5 seconds -> 400 epochs per second
print "Optimization Finished!"
JSコード:
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="utf-8" />
<title>Regression example convnetjs</title>
<script src="http://cs.stanford.edu/people/karpathy/convnetjs/build/convnet.js"></script>
<script src="http://cs.stanford.edu/people/karpathy/convnetjs/build/util.js"></script>
<script>
var layer_defs, net, trainer;
function start() {
layer_defs = [];
layer_defs.Push({ type: 'input', out_sx: 1, out_sy: 1, out_depth: 3 });
layer_defs.Push({ type: 'fc', num_neurons: 5, activation: 'relu' });
layer_defs.Push({ type: 'fc', num_neurons: 5, activation: 'relu' });
layer_defs.Push({ type: 'regression', num_neurons: 1 });
net = new convnetjs.Net();
net.makeLayers(layer_defs);
trainer = new convnetjs.SGDTrainer(net, { learning_rate: 0.001, method: 'sgd', batch_size: 1, l2_decay: 0.001, l1_decay: 0.001 });
var start = performance.now();
for(var i = 0; i < 100000; i++) {
var x = new convnetjs.Vol([0.1, 0.2, 0.3]);
trainer.train(x, [0.5]);
}
var end = performance.now();
console.log(end-start); //3 seconds -> 33333 epochs per second
var predicted_values = net.forward(x);
console.log(predicted_values.w[0]);
}
</script>
</head>
<body>
<button onclick="start()">Start</button>
</body>
</html>
その結果、convnetjsは3秒で100'000エポックのトレーニングを行い、Tensorflowは2.5秒で1000エポックのトレーニングを行います。これは予想されますか?
理由はたくさんあります:
データ入力は非常に小さいため、ほとんどの時間はpythonとC++コアの間の変換に費やされますが、JSは1つの言語にすぎません。
JSが複数のコアを潜在的に活用できる一方で、Tensorflowで1つのコアのみを使用している
jSライブラリは、プログラムの高度に最適化されたJITバージョンを作成できます。
Tensorflowの真のメリットは、配布バージョンが公開されるときにもたらされます。その場合、単一ノードの速度よりも、多くのノードで大規模ネットワークを実行できることが重要になります。
現在(バージョン0.6)に関しては、テンソルフローにCPUまたはGPUを使用するかどうかは関係ありません。GPUでもテンソルフローは遅くなります。
Tensorflowは、CPUのトーチ、convnetjsなどよりも遅い場合があります:
噂によると、Googleは単一のマシンの最適化を気にしません。気にしないで、それ
3a)私たちはクラスター時代に住んでいます
3b)あなた 195コアで57コアプロセッサを購入できます (ただし、TFがこのハードウェアで動作するかどうかはテストしていません)
3c) グーグルが量子コンピューターについて言っていること 。従来のシステムの1億倍の速度。
TensorFlowは、GPUのcaffe、torchなどよりも低速です:
TF(0.6について)は、cudnn v3およびcudnn v4をサポートしていません。
また、これにより、TF 0.6は「機械学習デスクトップ/アマチュア」の競合他社よりも数桁遅くなります。
ただし、cuda 7.5およびcudnn v3に対処するには an issue があります。それでも、 もう少し具体的ではない問題 (IMHO)と重複して閉じられています。まだ公開されている後者の問題は、cuda 7.5とcudnn v3/v4をサポートする義務はありません(はい、私は悲観論者です)。
だから、私たちはどちらか
この質問の著者と同じ混乱がありました。私の答えがお役に立てば幸いです。
はい、小さなモデルではこれが予想されます。
Tensorflowは、単一のアイテムバッチを持つ小さなニューラルネットには最適化されていません。これは、レジームを高速化すると時間の無駄になるためです。これらのモデルは高価ではないため、意味がありません。ミニバッチのサイズを大きくし(64ケース)、モデルをいくらか大きくした(数百の隠れユニット)場合、他のライブラリに比べてテンソルフローがはるかに高速になると思います。
Numpyを使用してpythonでニューラルネットを単純に実装することを想像してください。このモデルでは、単純なnumpyの実装も遅くなります。
問題は損失関数にある可能性があります。代わりにこれを試してみませんか?
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))