深度学习在花椒直播的应用（Tensorflow 原理篇）

殷雅俊，2018年北京邮电大学硕士毕业，自2017年下半年来一直在花椒实习，随后进入花椒直播智能工程组担任算法工程师，主要负责花椒直播个性化推荐算法研发，花椒图像识别算法研发等工作。

一、深度学习的应用

1.花椒直播的深度学习使用

• 使用Spark进行数据清洗，构建用户画像和物品画像，挖掘数据特征，形成数据集存储在HDFS。

• 使用TensorFlow作为深度学习计算框架，通过Hbox调度深度学习作业，使用集群分布式训练。训练模型使用TF Serving部署，封装成TF-Web对内提供预测接口，线上使用Go Server提供推荐服务。

2. TensorFlow和TensorSlow

TensorFlow是Google在2015年开源的深度学习框架，是目前最主流的深度学习计算框架。代码库本身有高达100万+的代码量，分为前端代码和后端代码。如此庞大的代码量造成了很多人不理解TensorFlow到底如何工作。

为此，Github上有个名为 TensorSlow的项目，使用纯python的方式重构了TensorFlow底层。该项目旨在帮助理解TensorFlow的工作机制而不在意效率，所以取名TensorSlow。本文就以TensorSlow项目为基础，向大家梳理一下TensorFlow底层到底干了哪些事，对理解深度学习框架底层原理大有裨益。

二、深度学习简介

深度学习是机器学习的重要分支，是为了研究深层神经网络的结构和有效训练而演化来的一系列方法。

神经网络

概念：常见的深度模型使用的是前馈神经网络（多层感知机），它使用一个映射函数

来定义模型,其中为输入，θ为模型参数。由于模型函数可以和一个有向无环图（DAG）等价，所以被称为网络。

隐藏层：映射函数通常是多层的复合函数，例如

输入x是输入层，中间函数对应于隐藏层，输出y是输出层。

代价函数：衡量模型函数和数据集之间的距离的函数（最大似然）。它是模型参数θ的函数，记为J(θ)。

梯度下降：选择模型参数能使代价函数J(θ)最小化的优化方法。以梯度下降为代表的一系列优化方法，通过向参数θ的负梯度方向迭代，来寻找最优的参数θ。

数量级：参数的数量通常有几十万到数百亿不等。

前向传播

当神经网络接收到输入层x后，经过网络不断向前流动，经过每一个隐藏层，最后传播到输出层y的过程，称为 前向传播。在监督学习中，通常输出层y还会进一步得到代价函数J(θ)。

反向传播

从代价函数J(θ)出发，经过网络向后流动，传播到每一个参数上，计算出J(θ)对该参数θ的梯度的过程，称为 方向传播。之后，可以通过梯度下降等优化方法，得到模型的最优参数。

三、 TensorFlow做了什么？

计算图（Computational Graph）

深度学习模型的落地离不开 计算图， 计算图可以认为是深度模型的描述语言，是神经网络计算的函数描述。计算图被定义为有向图（DAG），其中的节点对应于变量。通过计算图，可以方便的表达复杂计算。

上面的图例展示了一个简单的计算图，它对应于这么一个仿射变换:

其中x是输入节点，A,b 是模型参数。

节点（Vertex）

在计算图中，节点用来表示一个变量。节点的输入和输出称为 Tensor（它可以是标量，向量，矩阵或者更高维的）。根据输入输出的不同，节点可以分为以下三类：

Placeholder节点：整个计算图的输入节点。节点只有输出值，传递给它的子节点 consumers。

   classplaceholder:      def__init__(self):      self.consumers = []      _default_graph.placeholders.append(self)

Variable节点：计算图中表示模型参数的节点。Variable节点拥有初始值 value，将输出传递给它的子节点 consumers。

   classVariable:      def__init__(self, initial_value = None):      self.value = initial_value   self.consumers = []      _default_graph.variables.append(self)

Operation节点：使用Variable节点或Placeholder节点来组成简单的函数，可以通过复合Operation节点来建立复杂网络。它具有输入和输出，输入由父节点 input_nodes传递，输出传递到子节点 consumers中。而 compute方法需要继承，用来表述Operation节点所表示的函数计算。

   classOperation:      def__init__(self, input_nodes=[]):   self.input_nodes = input_nodes       
   self.consumers = []       
   forinput_nodeininput_nodes:   input_node.consumers.append(self)       
   _default_graph.operations.append(self)       
   defcompute(self):   pass

Addition Operation的具体写法

   classadd(Operation):      def__init__(self, x, y):   super().__init__([x, y])       
   defcompute(self, x_value, y_value):   self.inputs = [x_value, y_value]   returnx_value + y_value

图（Graph）

使用一个 Graph类来绑定计算图中的所有节点（opeartions、placeholders和varaibles）。当创建新的graph的时候，可以调用 as_default方法来设置为这张图的 _default_graph，这样不用显式地将节点绑定到图中。

   classGraph:      def__init__(self):   """Construct Graph"""   self.operations = []   self.placeholders = []   self.variables = []      defas_default(self):   global_default_graph   _default_graph = self

会话（Session）

完成了图定义，如何执行图？在TensorFlow中，通过定义Session实例，Client将计算图传递给后端，通过 Session.run方法传递给master执行。

计算图的输出是特定的Operation节点。而输出节点的计算依赖其他中间节点， 必须保证operations是按拓扑顺序执行的，计算节点o 之前，节点o 的所有输入节点已经完成计算。比如，要计算z节点必须先计算出中间节点y。这里通过反向的后序遍历来完成拓扑排序。类似的， Session可以这么定义:

   classSession:      defrun(self, operation, feed_dict = {}):   """Computes the output of an operation   """   ...       
       
   deftraverse_postorder(operation):      nodes_postorder = []   defrecurse(node):   ifisinstance(node, Operation):   forinput_nodeinnode.input_nodes:   recurse(input_node)   nodes_postorder.append(node)       
   recurse(operation)   returnnodes_postorder

session.run方法首先对节点进行拓扑排序，并根据排序结果依次计算节点输出，完成图的执行。

前向传递算法

再回顾这张计算图：

它对应的放射变换可以用线性变换的方式写出，可以通过之前定义的代码完成前向传递的计算。

   # Create a new graph   Graph().as_default()       
   # Create variables   A = Variable([[1, 0], [0, -1]])   b = Variable([1, 1])       
   # Create placeholder   x = placeholder()       
   # Create hidden node y   y = matmul(A, x)       
   # Create output node z   z = add(y, b)       
   session = Session()   output = session.run(z, {x: [1, 2]})   print(output)

可以得到结果：

   [2-1]

构建损失函数

深度学习中，分类任务通常使用交叉熵作为损失函数，它的公式如下：

其中c是数据集中的真实分类标签。损失函数的Operation节点J由许多基础 Operation来构建。将输入和参数向量化，并添加节点J，改写后的计算图如下：

   # Create a new graph    
Graph().as_default()    
    
X = placeholder()    
c = placeholder()    
    
W = Variable([[1, -1],    
[1, -1]])    
b = Variable([0,0])    
p = softmax( add(matmul(X, W), b) )    
    
# Cross-entropy loss    
J = negative(reduce_sum(reduce_sum(multiply(c, log(p)), axis=1)))    
    
session = Session()    
print(session.run(J, {    
X: np.concatenate((blue_points, red_points)),    
c:    
[[1,0]] * len(blue_points)    
+ [[0,1]] * len(red_points)}))

梯度下降优化算法

通过使用梯度下降方法来最小化代价函数，流程如下：

1. 模型参数W和b设置随机初始值。

2. 计算代价函数J对W和b的梯度。

3. 分别在其负梯度的方向上下降一小步(使用 learning_rate控制步长大小)。

4. 回到步骤2，继续执行。

   classGradientDescentOptimizer:      def__init__(self, learning_rate):   self.learning_rate = learning_rate      defminimize(self, loss):   learning_rate =self.learning_rate      classMinimizationOperation(Operation):   defcompute(self):   # Compute gradients   grad_table = compute_gradients(loss)      fornodeingrad_table:   iftype(node) ==Variable:   grad = grad_table[node]   node.value -= learning_rate * grad      returnMinimizationOperation()

compute_gradients函数通过反向传递算法计算梯度， grad_table字典存放了代价函数J节点对计算图中所有variable节点的当前梯度。

反向传递算法

链式法则是计算梯度的基本法则。下图和公式显示了e对a的梯度计算：

反向传递的算法用链式法则来计算节点n的梯度：

    1. J节点自身的梯度为1。

    2. 对任意节点z的所有子节点 consumer，计算子节点的梯度。

    3. 将子节点的梯度乘以节点z本身的梯度得到J节点对任意节点z的梯度。

按照这种方式，直到反向传递到节点n。如果节点J经过多个路径方向传递到该节点，那么对该节点来自不同路径的梯度求和。

compute_gradients方法从J节点开始，使用 BFS的方式执行上面的流程。它会先计算所有子节点的梯度，然后计算当前节点的梯度，直到传递到输出节点。

   fromqueueimportQueue       
   defcompute_gradients(loss):       
   # grad_table[node] will contain the gradient of the loss w.r.t. the node's output      ...   returngrad_table

节点自身的梯度

   Operation的自身梯度通过预先定义，使用 RegisterGradient注册到全局变量 _gradient_registry中。以 sigmoid函数为例：

   @RegisterGradient("sigmoid")   def_sigmoid_gradient(op, grad):      sigmoid = op.output       
   returngrad * sigmoid * (1-sigmoid)

四、实践：搭建MLP

  MLP是经典的神经网络，在深度学习中广泛使用。MLP由多个节点层组成，每一层全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元。下面构建了一个含有3个隐层的MLP来进行分类任务：

   # Create a new graph   ts.Graph().as_default()       
   # Create training input placeholder   X = ts.placeholder()       
   # Create placeholder for the training classes   c = ts.placeholder()       
   # Build a hidden layer   W_hidden1 = ts.Variable(np.random.randn(2, 4))   b_hidden1 = ts.Variable(np.random.randn(4))   p_hidden1 = ts.sigmoid(ts.add(ts.matmul(X, W_hidden1), b_hidden1))       
   # Build a hidden layer   W_hidden2 = ts.Variable(np.random.randn(4, 8))   b_hidden2 = ts.Variable(np.random.randn(8))   p_hidden2 = ts.sigmoid(ts.add(ts.matmul(p_hidden1, W_hidden2), b_hidden2))       
   # Build a hidden layer   W_hidden3 = ts.Variable(np.random.randn(8, 2))   b_hidden3 = ts.Variable(np.random.randn(2))   p_hidden3 = ts.sigmoid(ts.add(ts.matmul(p_hidden2, W_hidden3), b_hidden3))       
   # Build the output layer   W_output = ts.Variable(np.random.randn(2, 2))   b_output = ts.Variable(np.random.randn(2))   p_output = ts.softmax(ts.add(ts.matmul(p_hidden3, W_output), b_output))       
   # Build cross-entropy loss   J = ts.negative(ts.reduce_sum(ts.reduce_sum(ts.multiply(c, ts.log(p_output)), axis=1)))       
   # Build minimization op   minimization_op = ts.train.GradientDescentOptimizer(learning_rate=0.03).minimize(J)       
   # Build placeholder inputs   feed_dict = {   X: np.concatenate((blue_points, red_points)),   c:   [[1, 0]] * len(blue_points)   + [[0, 1]] * len(red_points)       
   }       
   # Create session   session = ts.Session()       
   # Perform 100 gradient descent steps   for step in range(2000):   J_value = session.run(J, feed_dict)   if step % 100 == 0:   print("Step:", step," Loss:", J_value)       session.run(minimization_op, feed_dict)

通过可视化决策边界，可以发现模型学习到了比较复杂的非线性关系。

五、联系TensorFlow

1. TensorSlow简单深刻的展示了深度学习框架底层的一般原理，加深理解生产使用的TensorFlow。

2. TensorFlow后端使用C++高效实现。

3. TensroFlow优化了算法过程，比如公共表达式消除，常量折叠。

4. TensorFlow支持分布式，支持GPU等硬件设备。

5. TensorFlow提供生产化的一系列工具。

六、主要参考资料

1. https://colah.github.io/posts/2015-08-Backprop/

2. www.cs.columbia.edu/~mcollins/ff2.pdf

3. http://www.cs.cornell.edu/courses/cs5740/2017sp/lectures/04-nn-compgraph.pdf

4. 《TensorFlow 内核剖析》刘光聪

5. 《深度学习》Ian Goodfellow, Yoshua Bengio