PyDyNet：DL Framework (MLP, CNN, RNN, Transformer, ...) implementation using Numpy

前作：PyNet: Use NumPy to build neuron network。在那里我们基于求导规则实现了全连接网络。在这里，我们向当今的深度学习框架看齐，实现属于自己的DL框架。

PyDyNet已被多个技术公众号和社区分享：居然用Numpy实现了一个深度学习框架.

前期更新日志

• 5.10: ver 0.0.1 修改损失函数的定义方式：加入reduction机制，加入Embedding;
• 5.15: ver 0.0.2 重构了RNN, LSTM和GRU，支持双向;
• 5.16: ver 0.0.2 允许PyDyNet作为第三方库安装；开始手册的撰写(基于Sphinx).
• 5.29: ver 0.0.3 加入了Dataset和Dataloader，现在可以像PyTorch一样定义数据集和分割数据集，具体参考data.py中的train_loader函数；
• 5.30: ver 0.0.3 将一维卷积算法退化成基于循环的im2col，新版本NumPy似乎不是很支持strided上数组的魔改；
• 7.22: ver 0.0.4/0.05 增加了Module类和Parameter类，将模块重组、增加多种Pytorch支持的初始化方式；正在撰写新的Manual；
• 7.28: ver 0.0.6 加入no_grad方法，可以像pytorch一样禁止自动微分，比如@no_grad()和with no_grad()，详见autograd.py;
• 8.09: ver 0.0.7 基于cupy，PyDyNet现在可以使用显卡加速训练，用法与PyTorch一致，详见tests中cu*.py；
• 8.18: ver 0.0.8 加入学习率调整策略，实现了训练过程中自动调节学习率；
• 10.21: ver 0.0.9 加入tensor的split方法，基于此改进了RNN；
• 10.23: ver 0.0.10 重写RNN, LSTM和GRU，支持多层双向；

2024.6.29: ver 0.1 增加了LayerNorm和Embedding; 修正了cuda训练的问题; 加入多个可复现测试: (MLP, LeNet, BN & Dropout, RNN, Transformer).

Overview

PyDyNet也是纯NumPy(0.0.7版本后加入CuPy，其用法和NumPy一致)实现的神经网络，语法受PyTorch的启发，大致结构如下：

graph BT
   N(numpy/cupy.ndarray) ----> ds(Dataset) ----> Data(DataLoader)--> Mission
   N --> A(Tensor) --Eager execution--> B(Basic operators: add, exp, etc)
   B -.Autograd-.-> A
   B --> CO(Complex operators:softmax,etc)
   --> f(Function:linear, conv2d, etc) 
   --> M(Basic Module:Linear,Conv2d,etc)
   --> CM(Advanced Module:CNN,RNN,Transformer,...)
   --> Mission(PyDyNet)
   N --> GD(Optimizer:SGD, Adam, etc) ----> LS(lr_scheduler:StepLR, etc)--> Mission

Loading

虚线表示用户可以通过no_grad来关闭自动微分功能. 我们实现了：

1. 将NumPy数组包装成具有梯度等信息的张量(Tensor):

   Example

   from pydynet import Tensor
   
   x = Tensor(1., requires_grad=True)
   print(x.data) # 1.
   print(x.ndim, x.shape, x.is_leaf) # 0, (), True

2. 将NumPy数组的计算(包括数学运算、切片、形状变换等)抽象成基础算子(Basic operators)，并对部分运算加以重载：

   Example

   import pydynet as pdn
   
   x = pdn.Tensor([1, 2, 3])
   y = pdn.exp(x) + x
   z = pdn.sum(x)
   print(z.data) # 36.192...

3. 手动编写基础算子的梯度，实现和PyTorch相同的动态图自动微分机制(Autograd)，从而实现反向传播

   Example

   import pydynet as pdn
   from pydynet import Tensor
   
   x = Tensor([1., 2., 3.], requires_grad=True)
   y = pdn.log(x) + x
   z = pdn.sum(y)
   
   z.backward()
   print(x.grad) # [2., 1.5, 1.33333333]

4. 基于基础算子实现更高级的算子(Complex operators)，它们不再需要手动编写导数：

   Example

   import pydynet as pdn
   
   def simple_sigmoid(x: pdn.Tensor):
       return 1 / (1 + pdn.exp(-x))

5. 实现了Mudule，包括激活函数，损失函数等，从而我们可以像下面这样定义神经网络，损失函数项：

   Example

   import pydynet.nn as nn
   import pydynet.nn.functional as F
   
   n_input = 64
   n_hidden = 128
   n_output = 10
   
   class Net(nn.Module):
       def __init__(self) -> None:
           super().__init__()
           self.fc1 = nn.Linear(n_input, n_hidden)
           self.fc2 = nn.Linear(n_hidden, n_output)
   
       def forward(self, x):
           x = self.fc1(x)
           x = F.sigmoid(x)
           return self.fc2(x)
   
   net = Net()
   loss = nn.CrossEntropyLoss()
   l = loss(net(X), y)
   l.backward()

6. 实现了多种优化器和学习率衰减策略，从而实现神经网络的训练；其中优化器和PyTorch一样支持权值衰减，即正则化：

   Example

   from pydynet.optim import Adam, StepLR
   
   ...
   net = Net()
   optimizer = Adam(net.parameters(), lr=0.01)
   lr_scheduler = StepLR(optimizer, step_size=10)
   
   for epoch in range(EPOCHES):
       for data in data_loader:
           train(...)
           optimizer.step()
       lr_scheduler.step()

7. 实现了Dataset和DataLoader对数据集进行加载与划分：

   Example

   from pydynet.data import Dataset, DataLoader
   
   class TrainSet(Dataset):
       def __init__(self, X, y) -> None:
           self.data = X
           self.target = y
   
       def __getitem__(self, index):
           return self.data[index], self.target[index]
   
       def __len__(self):
           return len(self.data)
   
    data_loader = DataLoader(TrainSet(X, y), batch_size, shuffle)

8. Dropout机制，Batch Normalization机制，以及将网络划分成训练阶段和评估阶段；

9. 基于im2col高效实现Conv1d, Conv2d, max_pool1d和max_pool2d，从而实现CNN；

10. 支持多层的多层双向RNN，LSTM和GRU；

11. 多种初始化方式，包括Kaiming和Xavier；

12. 基于cupy实现了显卡计算和训练：

    Example

    from pydynet import Tensor
       
    x = Tensor([1., 2., 3.], device='cuda')
    y = Tensor([1., 2., 3.], device='cuda')
    z = (x * y).sum()
    
    w = Tensor([1., 2., 3.]) # CPU上的Tensor
    x * w # 报错

Install

pip install pydynet

或本地安装

git clone https://github.com/Kaslanarian/PyDyNet
cd PyDyNet
python setup.py install

Example

tests中是一些例子。运行python tests/XXX.py即可:

AutoDiff

autodiff1d.py利用自动微分，对一个一维凸函数进行梯度下降：

以及一个多元凸函数的例子: autodiff2d.py

MLP & LeNet

mlp_cnn.py使用全连接网络(三层+残差)和LeNet对MNIST进行分类. 训练准确率和测试准确率：

Dropout & BN

mlp_dropout_bn.py使用三种网络对fetch_olivetti_faces人脸(64×64)数据集进行分类并进行性能对比：

1. 三层MLP;
2. 三层MLP + Dropout;
3. 三层MLP + BatchNormalization.

学习效果对比：

RNN

rnn_sin.py中是一个用RNN从$x=\sin(z)$学习$y=\cos(2z)$例子. 最后的训练结果:

Transformer

transformer.py中是一个用Transformer训练文本分类模型的例子. 训练结果:

数据集 (CoLA) 链接: https://nyu-mll.github.io/CoLA/cola_public_1.1.zip

cuda加速

在训练batch size为128, 测试batch size为512情况下，模型在CPU和GPU上的训练速度比较:

Net	Dataset	CPU time (s) per Epoch	GPU time (s) per Epoch
ResidualMLP	MNIST (80000×574)	20.256±0.138	2.903±.018
LeNet	MNIST (80000×574)	239.664±2.108	10.148±0.026
1-layer Transformer	CoLA (8551×45×64)	17.503±0.251	1.125±0.002

设备: Nvidia GeForce RTX 3090.