用 CNTK 搞深度学习 （一） 入门

时间  2019-11-24
标签 cntk 深度 学习 入门 繁體版
原文   原文链接

Computational Network Toolkit (CNTK) 是微软出品的开源深度学习工具包。本文介绍CNTK的基本内容，如何写CNTK的网络定义语言，以及跑通一个简单的例子。html

 根据微软开发者的描述，CNTK的性能比Caffe，Theano， TensoFlow等主流工具都要强。它支持CPU和GPU模式，因此没有GPU，或者神经网络比较小的实验，直接用CPU版的CNTK跑就好了。 其开源主页在 https://github.com/Microsoft/CNTK  它把神经网络描述成一个有向图的结构，叶子节点表明输入或者网络参数，其余节点计算步骤。 它支持卷积神经网络和递归神经网络。 因为CNTK刚推出不久，大众教程估计很少，并且bug估计也很多。我学习的时候，主要参考三个资料：node

1 官方入门教程  https://github.com/Microsoft/CNTK/wiki/Tutorial  本文也主要以这里的教程为例git

2 官方论坛 https://github.com/Microsoft/CNTK/issuesgithub

3 官方论文 http://research.microsoft.com/pubs/226641/CNTKBook-20160217..pdf  这个有150页，我是看成字典来用，遇到问题的时候就在里面搜算法

 

安装CNTK： https://github.com/Microsoft/CNTK/wiki/CNTK-Binary-Download-and-Configuration  去这个页面找符合本身系统的版本。 我是Windows用户，CNTK有编译好的CPU和GPU版本。因为本人的显卡不是英伟达的，因此无奈只能用CPU版凑合用用。已经编译好的包最方便了，解压，而后把目录（相似%...%、CNTK-2016-02-08-Windows-64bit-CPU-Only\cntk\cntk）添加到PATH变量中就好了。  有条件的人也能够本身编译源代码，稍微麻烦一些，各类依赖关系，好处是源码更新的比较快，CNTK一大特色就是目前各类小bug比较多，好比我如今用的编译好的包仍是两个月前发布的，已经本身填了好多坑了。网络

安装好CNTK以后，运行一个程序，就是一个简单的命令行：  CNTK configFile=your_config_file ， 其中，your_config_file 是网络的定义文件，大概长这样：app

command=Train:Test
Train=[
]action="train"

        NDLNetworkBuilder = [
        ...
        ]

        SGD = [
        ...
        ]

        reader = [
        ...
　　　　]

 Test=[ ... ]

运行的入口就是command命令，command后面接须要依次运行的模块，用冒号分开。 每一个模块里面须要定义的事情比较相似，主要是定义输入的格式，网络结构，学习算法（目前只有SGD）和参数。 在定义网络结构的时候，会指明哪些节点是优化目标，哪些是评价指标，以及哪些是输出的点。框架

众所周知，把神经网络的隐藏层去掉以后，输入直接连到输出层，这样就行成了一个logistics regression分类器。因此https://github.com/Microsoft/CNTK/wiki/Tutorial 这个教程就指导你们如何构建一个LR。 我这里稍微变一下，学习一下如何构建带有一层隐藏层的neural network，以下图：dom

定义网络结构函数

CNTK用网络描述语言（network description language, NDL）描述一个神经网络。 简单的说，咱们要描述输入的feature，输入的label，一些参数，参数和输入之间的计算关系，以及目标节点是什么。

NDLNetworkBuilder=[
    
    run=ndlLR
    
    ndlLR=[
      # sample and label dimensions
      SDim=$dimension$
      LDim=1
    
      features=Input(SDim, 1)
      labels=Input(LDim, 1)
    
      # parameters to learn
      B0 = Parameter(4) 
      W0 = Parameter(4, SDim)
      
      
      B = Parameter(LDim)
      W = Parameter(LDim, 4)
    
      # operations
      t0 = Times(W0, features)
      z0 = Plus(t0, B0)
      s0 = Sigmoid(z0)   
      
      t = Times(W, s0)
      z = Plus(t, B)
      s = Sigmoid(z)    
    
      LR = Logistic(labels, s)
      EP = SquareError(labels, s)
    
      # root nodes
      FeatureNodes=(features)
      LabelNodes=(labels)
      CriteriaNodes=(LR)
      EvalNodes=(EP)
      OutputNodes=(s,t,z,s0,W0)
    ]   
  ]
features=Input(SDim, 1) labels=Input(LDim, 1) 和 B0 = Parameter(4)  等能够想象成是在定义变量。 输入是列向量，CNTK里面的运算全是矩阵运算，因此就把输入当作只有一列的矩阵。  t0 = Times(W0, features) 是作矩阵乘法，t0把输入和权重相乘，z0 是在t0上面加了一个bias，
s0表示通过一个激活函数。 B0,W0,t0,z0,s0构成了隐层的操做，这里定义的隐层有4个节点。 t,z,s是输出层的操做，s就是输出节点的值。 框架定义好以后，还须要指定一些根节点，用来指定特殊的任务，例如 FeatureNodes=(features)  和LabelNodes=(labels)分别规定了输入和输出节点，CriteriaNodes 是训练的
时候优化的目标，EvalNodes 是在作评测的时候输出的参考值。OutputNodes 指定了须要输出到文件的节点。

设置训练算法
SGD = [    
        epochSize=0     #  每轮迭代使用的样例数，  =0 表示使用整个训练集
        minibatchSize=25  # 训练25个样本就更新一次参数
        learningRatesPerMB=0.1                # learning rates per MB
        maxEpochs=50    #迭代50次
    ]

目前只有SGD（以及在SGD上的各类变种），能够在里面设置各类参数。

 

设置输入格式

reader = [
        #customDelimiter = " "
        readerType = "UCIFastReader"
        file = "Train.txt"
        miniBatchMode = "partial"        
        verbosity = 1
        randomize = "none"
        
        features=[
            dim = $dimension$
            start = 0
        ]
    
        labels=[
            start = $dimension$              # skip $dimension$ elements before reading the label (i.e. the first two dimensions so we have "x1 x2 y" basically)
            dim = 1                          # label has 1 dimension
            labelType=regression
            labelMappingFile = "SimpleMapping.txt"
        ]
    ]

这也是CNTK的一个特色（吐槽点）, 指定用什么方式读取数据文件。 readerType = "UCIFastReader" 指定用普通的扁平化表格的格式（一行一个样例，同一行内用空格隔开不一样的数值），还有别的格式类型，例如图像格式，文本语料格式等。UCIFastReader 是将被弃用的，并且在目前最新的binary包中是有bug的 （因此说，有条件的同窗尽可能本身编译最新的源码）。  用官方教程里的设置直接跑回出bug，以上是我修改过的代码。 输入格式主要描述了feature是哪几列，维度是多少，label是哪几列， label的类型等等。

 

综上，Train这个模块就是定义了这几件事情：输入格式，网络内容，训练模式。 运行的时候也是这个步骤： 读取数据-> SGD 训练. 

其余

除了Train以外的模块的流程比较相似，它们不须要再定义网络结构和训练模式，可是输入格式仍是要指定的。 例如Test模块的流程是：  读取数据->计算网络->获得预测值->评估.    评估针对的是在网络结构中被定义为EvalNodes 的节点。 SquareError 只是其中的一种评估指标。若是想用别的偏差函数，能够去查字典http://research.microsoft.com/pubs/226641/CNTKBook-20160217..pdf 

Test=[
    action="test"
    reader=[
        readerType="UCIFastReader"
        file="Test.txt"
        features=[
            dim=2
            start=0
        ]
        labels=[
            start=$dimension$
            dim=1
            labelDim=2
        ]
    ]
]

 

Output模块和Test的流程基本同样，只不过最后一个不是评估，而是把属于OutputNodes的值给输出到文件。 Output模块会指定一个输出目录 outputPath = "LR.txt" ， 输出的文件以“LR.txt”为前缀，再加上变量命做为文件名。例如"LR.txt.W0"。

 

# output the results
Output=[
    action="write"
    reader=[
        readerType="UCIFastReader"
        file="Test.txt"
        features=[
            dim=$dimension$
            start=0
        ]
        labels=[
            start=2
            dim=1
            labelType=regression
        ]
    ]
    outputPath = "LR.txt"       # dump the output as text
]

 

dumpNodeInfo  用来输出参数的值。这在调试中颇有用，例如去看看网络的参数是如何变化的：

dumpNodeInfo=[
        action=dumpnode
        printValues=true
    ]


####################################################################
B=LearnableParameter [1,1]   NeedGradient=true 
 -6.67130613 
 #################################################################### 
EP=SquareError ( labels , s ) 
features=InputValue [ 2 x 1 {1,2} ] 
labels=InputValue [ 1 x 1 {1,1} ] 
LR=Logistic ( labels , s ) 
s=Sigmoid ( z ) 
t=Times ( W , features ) 
W=LearnableParameter [1,2]   NeedGradient=true 
 1.23924482 1.59913719 
 #################################################################### 
z=Plus ( t , B )

 

所有的代码以下。 train文件 https://github.com/Microsoft/CNTK/wiki/Tutorial/Train-3Classes.txt  test 文件 https://github.com/Microsoft/CNTK/wiki/Tutorial/Test-3Classes.txt。 数据是2维的：

 

# Copyright (c) Microsoft. All rights reserved.
# Licensed under the MIT license. See LICENSE file in the project root for full license information.

# logistic regression cntk script -- Network Description Language

# which commands to run
command=Train:Output:dumpNodeInfo:Test

#required...
modelPath="Models/LR_reg.dnn"        # where to write the model to
deviceId=-1                                # CPU
dimension=2                 # input data dimensions

# training config
Train=[
    action="train"
    traceLevel = 1
    NDLNetworkBuilder=[
    
    run=ndlLR
    
    ndlLR=[
      # sample and label dimensions
      SDim=$dimension$
      LDim=1
    
      features=Input(SDim, 1)
      labels=Input(LDim, 1)
    
      # parameters to learn
      B0 = Parameter(4)
      W0 = Parameter(4, SDim)
      
      
      B = Parameter(LDim)
      W = Parameter(LDim, 4)
    
      # operations
      t0 = Times(W0, features)
      z0 = Plus(t0, B0)
      s0 = Sigmoid(z0)   
      
      t = Times(W, s0)
      z = Plus(t, B)
      s = Sigmoid(z)    
    
      LR = Logistic(labels, s)
      EP = SquareError(labels, s)
    
      # root nodes
      FeatureNodes=(features)
      LabelNodes=(labels)
      CriteriaNodes=(LR)
      EvalNodes=(EP)
      OutputNodes=(s,t,z,s0,W0)
    ]   
  ]
    
    SGD = [    
        epochSize=0                              # =0 means size of the training set
        minibatchSize=25
        learningRatesPerMB=0.1                # learning rates per MB
        maxEpochs=50
    ]
    
    # parameter values for the reader
    reader = [
        #customDelimiter = " "
        readerType = "UCIFastReader"
        file = "Train.txt"
        miniBatchMode = "partial"        
        verbosity = 1
        randomize = "none"
        
        features=[
            dim = $dimension$
            start = 0
        ]
    
        labels=[
            start = $dimension$              # skip $dimension$ elements before reading the label (i.e. the first two dimensions so we have "x1 x2 y" basically)
            dim = 1                          # label has 1 dimension
            labelType=regression
            labelMappingFile = "SimpleMapping.txt"
        ]
    ]
]

# test
Test=[
    action="test"    
    reader=[
        readerType="UCIFastReader"
        randomize = "none"
        file="Test.txt"
        features=[
            dim=$dimension$
            start=0
        ]
        labels=[
            start = $dimension$              # skip $dimension$ elements before reading the label (i.e. the first two dimensions so we have "x1 x2 y" basically)
            dim = 1                          # label has 1 dimension
            labelType=regression
            labelMappingFile = "SimpleMapping.txt"
        ]
    ]
]

# output the results
Output=[
    action="write"    
    reader=[
        readerType="UCIFastReader"
        file="Test.txt"        
        randomize = "none"
        features=[
            dim=$dimension$
            start=0
        ]
        
        labels=[
            start = $dimension$              # skip $dimension$ elements before reading the label (i.e. the first two dimensions so we have "x1 x2 y" basically)
            dim = 1                          # label has 1 dimension
            labelType=regression
            labelMappingFile = "SimpleMapping.txt"
        ]
    ]    
    outputPath = "LR.txt"        # dump the output as text
]

dumpNodeInfo=[
  action=dumpnode
  printValues=false
]

 

 后一篇：

用CNTK搞深度学习 （二） 训练基于RNN的天然语言模型 ( language model )

 http://www.cnblogs.com/sylvanas2012/p/5419477.html

 

原创博客，未经容许，请勿转载。

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程