• LoD-Tensor使用说明
    • 变长序列的挑战
    • LoD 索引
    • LoDTensor的偏移表示
    • LoD-Tensor
    • 代码示例
    • 总结

    LoD-Tensor使用说明

    LoD(Level-of-Detail) Tensor是Fluid中特有的概念,它在Tensor基础上附加了序列信息。Fluid中可传输的数据包括:输入、输出、网络中的可学习参数,全部统一使用LoD-Tensor表示。

    阅读本文档将帮助您了解 Fluid 中的 LoD-Tensor 设计思想,以便您更灵活的使用这一数据类型。

    变长序列的挑战

    大多数的深度学习框架使用Tensor表示一个mini-batch。

    例如一个mini-batch中有10张图片,每幅图片大小为32x32,则这个mini-batch是一个10x32x32的 Tensor。

    或者在处理NLP任务中,一个mini-batch包含N个句子,每个字都用一个D维的one-hot向量表示,假设所有句子都用相同的长度L,那这个mini-batch可以被表示为NxLxD的Tensor。

    上述两个例子中序列元素都具有相同大小,但是在许多情况下,训练数据是变长序列。基于这一场景,大部分框架采取的方法是确定一个固定长度,对小于这一长度的序列数据以0填充。

    在Fluid中,由于LoD-Tensor的存在,我们不要求每个mini-batch中的序列数据必须保持长度一致,因此您不需要执行填充操作,也可以满足处理NLP等具有序列要求的任务需求。

    Fluid引入了一个索引数据结构(LoD)来将张量分割成序列。

    LoD 索引

    为了更好的理解LoD的概念,本节提供了几个例子供您参考:

    句子组成的 mini-batch

    假设一个mini-batch中有3个句子,每个句子中分别包含3个、1个和2个单词。我们可以用(3+1+2)xD维Tensor 加上一些索引信息来表示这个mini-batch:

    1. 3 1 2
    2. | | | | | |

    上述表示中,每一个 | 代表一个D维的词向量,数字3,1,2构成了 1-level LoD。

    递归序列

    让我们来看另一个2-level LoD-Tensor的例子:假设存在一个mini-batch中包含3个句子、1个句子和2个句子的文章,每个句子都由不同数量的单词组成,则这个mini-batch的样式可以看作:

    1. 3 1 2
    2. 3 2 4 1 2 3
    3. ||| || |||| | || |||

    表示的LoD信息为:

    1. [[312]/*level=0*/,[324123]/*level=1*/]

    视频的mini-batch

    在视觉任务中,时常需要处理视频和图像这些元素是高维的对象,假设现存的一个mini-batch包含3个视频,分别有3个,1个和2个帧,每个帧都具有相同大小:640x480,则这个mini-batch可以被表示为:

    1. 3 1 2
    2. 口口口 口口

    最底层tensor大小为(3+1+2)x640x480,每一个 表示一个640x480的图像

    图像的mini-batch

    在传统的情况下,比如有N个固定大小的图像的mini-batch,LoD-Tensor表示为:

    1. 1 1 1 1 1
    2. 口口口口 ...

    在这种情况下,我们不会因为索引值都为1而忽略信息,仅仅把LoD-Tensor看作是一个普通的张量:

    1. 口口口口 ...

    模型参数

    模型参数只是一个普通的张量,在Fluid中它们被表示为一个0-level LoD-Tensor。

    LoDTensor的偏移表示

    为了快速访问基本序列,Fluid提供了一种偏移表示的方法——保存序列的开始和结束元素,而不是保存长度。

    在上述例子中,您可以计算基本元素的长度:

    1. 3 2 4 1 2 3

    将其转换为偏移表示:

    1. 0 3 5 9 10 12 15
    2. = = = = = =
    3. 3 2+3 4+5 1+9 2+10 3+12

    所以我们知道第一个句子是从单词0到单词3,第二个句子是从单词3到单词5。

    类似的,LoD的顶层长度

    1. 3 1 2

    可以被转化成偏移形式:

    1. 0 3 4 6
    2. = = =
    3. 3 3+1 4+2

    因此该LoD-Tensor的偏移表示为:

    1. 0 3 4 6
    2. 3 5 9 10 12 15

    LoD-Tensor

    一个LoD-Tensor可以被看作是一个树的结构,树叶是基本的序列元素,树枝作为基本元素的标识。

    在 Fluid 中 LoD-Tensor 的序列信息有两种表述形式:原始长度和偏移量。在 Paddle 内部采用偏移量的形式表述 LoD-Tensor,以获得更快的序列访问速度;在 python API中采用原始长度的形式表述 LoD-Tensor 方便用户理解和计算,并将原始长度称为: recursive_sequence_lengths

    以上文提到的一个2-level LoD-Tensor为例:

    1. 3 1 2
    2. 3 2 4 1 2 3
    3. ||| || |||| | || |||
    • 以偏移量表示此 LoD-Tensor:[ [0,3,4,6] , [0,3,5,9,10,12,15] ],
    • 以原始长度表达此 Lod-Tensor:recursive_sequence_lengths=[ [3-0 , 4-3 , 6-4] , [3-0 , 5-3 , 9-5 , 10-9 , 12-10 , 15-12] ]。以文字序列为例: [3,1,2] 可以表示这个mini-batch中有3篇文章,每篇文章分别有3、1、2个句子,[3,2,4,1,2,3] 表示每个句子中分别含有3、2、4、1、2、3个字。

    recursive_seq_lens 是一个双层嵌套列表,也就是列表的列表,最外层列表的size表示嵌套的层数,也就是lod-level的大小;内部的每个列表,对应表示每个lod-level下,每个元素的大小。

    下面三段代码分别介绍如何创建一个LoD-Tensor,如何将LoD-Tensor转换成Tensor,如何将Tensor转换成LoD-Tensor:

    • 创建 LoD-Tensor
    1. #创建lod-tensor
    2. import paddle.fluid as fluid
    3. import numpy as np
    4.  
    5. a = fluid.create_lod_tensor(np.array([[1],[1],[1],
    6. [1],[1],
    7. [1],[1],[1],[1],
    8. [1],
    9. [1],[1],
    10. [1],[1],[1]]).astype('int64') ,
    11. [[3,1,2] , [3,2,4,1,2,3]],
    12. fluid.CPUPlace())
    13.  
    14. #查看lod-tensor嵌套层数
    15. print (len(a.recursive_sequence_lengths()))
    16. # output:2
    17.  
    18. #查看最基础元素个数
    19. print (sum(a.recursive_sequence_lengths()[-1]))
    20. # output:15 (3+2+4+1+2+3=15)
    • LoD-Tensor 转 Tensor
    1. import paddle.fluid as fluid
    2. import numpy as np
    3.  
    4. # 创建一个 LoD-Tensor
    5. a = fluid.create_lod_tensor(np.array([[1.1], [2.2],[3.3],[4.4]]).astype('float32'), [[1,3]], fluid.CPUPlace())
    6.  
    7. def LodTensor_to_Tensor(lod_tensor):
    8. # 获取 LoD-Tensor 的 lod 信息
    9. lod = lod_tensor.lod()
    10. # 转换成 array
    11. array = np.array(lod_tensor)
    12. new_array = []
    13. # 依照原LoD-Tensor的层级信息,转换成Tensor
    14. for i in range(len(lod[0]) - 1):
    15. new_array.append(array[lod[0][i]:lod[0][i + 1]])
    16. return new_array
    17.  
    18. new_array = LodTensor_to_Tensor(a)
    19.  
    20. # 输出结果
    21. print(new_array)
    • Tensor 转 LoD-Tensor
    1. import paddle.fluid as fluid
    2. import numpy as np
    3.  
    4. def to_lodtensor(data, place):
    5. # 存储Tensor的长度作为LoD信息
    6. seq_lens = [len(seq) for seq in data]
    7. cur_len = 0
    8. lod = [cur_len]
    9. for l in seq_lens:
    10. cur_len += l
    11. lod.append(cur_len)
    12. # 对待转换的 Tensor 降维
    13. flattened_data = np.concatenate(data, axis=0).astype("int64")
    14. flattened_data = flattened_data.reshape([len(flattened_data), 1])
    15. # 为 Tensor 数据添加lod信息
    16. res = fluid.LoDTensor()
    17. res.set(flattened_data, place)
    18. res.set_lod([lod])
    19. return res
    20.  
    21. # new_array 为上段代码中转换的Tensor
    22. lod_tensor = to_lodtensor(new_array,fluid.CPUPlace())
    23.  
    24. # 输出 LoD 信息
    25. print("The LoD of the result: {}.".format(lod_tensor.lod()))
    26.  
    27. # 检验与原Tensor数据是否一致
    28. print("The array : {}.".format(np.array(lod_tensor)))

    代码示例

    本节代码将根据指定的级别y-lod,扩充输入变量x。本例综合了LoD-Tensor的多个重要概念,跟随代码实现,您将:

    • 直观理解Fluid中 fluid.layers.sequence_expand 的实现过程
    • 掌握如何在Fluid中创建LoD-Tensor
    • 学习如何打印LoDTensor内容定义计算过程

    layers.sequence_expand通过获取 y 的 lod 值对 x 的数据进行扩充,关于 fluid.layers.sequence_expand 的功能说明,请先阅读 api_fluid_layers_sequence_expand 。

    序列扩充代码实现:

    1. x = fluid.layers.data(name='x', shape=[1], dtype='float32', lod_level=1)
    2. y = fluid.layers.data(name='y', shape=[1], dtype='float32', lod_level=2)
    3. out = fluid.layers.sequence_expand(x=x, y=y, ref_level=0)

    说明:输出LoD-Tensor的维度仅与传入的真实数据维度有关,在定义网络结构阶段为x、y设置的shape值,仅作为占位,并不影响结果。

    创建Executor

    1. place = fluid.CPUPlace()
    2. exe = fluid.Executor(place)
    3. exe.run(fluid.default_startup_program())

    准备数据

    这里我们调用 fluid.create_lod_tensor 创建 sequence_expand 的输入数据,通过定义 y_d 的 LoD 值,对 x_d 进行扩充。其中,输出值只与 y_d 的 LoD 值有关,y_d 的 data 值在这里并不参与计算,维度上与LoD[-1]一致即可。

    fluid.create_lod_tensor() 的使用说明请参考 api_fluid_create_lod_tensor 。

    实现代码如下:

    1. x_d = fluid.create_lod_tensor(np.array([[1.1],[2.2],[3.3],[4.4]]).astype('float32'), [[1,3]], place)
    2. y_d = fluid.create_lod_tensor(np.array([[1.1],[1.1],[1.1],[1.1],[1.1],[1.1]]).astype('float32'), [[1,3], [2,1,2,1]],place)

    执行运算

    在Fluid中,LoD>1的Tensor与其他类型的数据一样,使用 feed 定义数据传入顺序。此外,由于输出results是带有LoD信息的Tensor,需在exe.run( )中添加 return_numpy=False 参数,获得LoD-Tensor的输出结果。

    1. results = exe.run(fluid.default_main_program(),
    2. feed={'x':x_d, 'y': y_d },
    3. fetch_list=[out],return_numpy=False)

    查看LodTensor结果

    由于LoDTensor的特殊属性,无法直接print查看内容,常用操作时将LoD-Tensor作为网络的输出fetch出来,然后执行 numpy.array(lod_tensor), 就能转成numpy array:

    1. np.array(results[0])

    输出结果为:

    1. array([[1.1],[2.2],[3.3],[4.4],[2.2],[3.3],[4.4],[2.2],[3.3],[4.4]])

    查看序列长度

    可以通过查看序列长度得到 LoDTensor 的递归序列长度:

    1. results[0].recursive_sequence_lengths()

    输出结果为:

    1. [[1L, 3L, 3L, 3L]]

    完整代码

    您可以运行下列完整代码,观察输出结果:

    1. #加载库
    2. import paddle
    3. import paddle.fluid as fluid
    4. import numpy as np
    5. #定义前向计算
    6. x = fluid.layers.data(name='x', shape=[1], dtype='float32', lod_level=1)
    7. y = fluid.layers.data(name='y', shape=[1], dtype='float32', lod_level=2)
    8. out = fluid.layers.sequence_expand(x=x, y=y, ref_level=0)
    9. #定义运算场所
    10. place = fluid.CPUPlace()
    11. #创建执行器
    12. exe = fluid.Executor(place)
    13. exe.run(fluid.default_startup_program())
    14. #创建LoDTensor
    15. x_d = fluid.create_lod_tensor(np.array([[1.1], [2.2],[3.3],[4.4]]).astype('float32'), [[1,3]], place)
    16. y_d = fluid.create_lod_tensor(np.array([[1.1],[1.1],[1.1],[1.1],[1.1],[1.1]]).astype('float32'), [[1,3], [1,2,1,2]], place)
    17. #开始计算
    18. results = exe.run(fluid.default_main_program(),
    19. feed={'x':x_d, 'y': y_d },
    20. fetch_list=[out],return_numpy=False)
    21. #输出执行结果
    22. print("The data of the result: {}.".format(np.array(results[0])))
    23. #输出 result 的序列长度
    24. print("The recursive sequence lengths of the result: {}.".format(results[0].recursive_sequence_lengths()))
    25. #输出 result 的 LoD
    26. print("The LoD of the result: {}.".format(results[0].lod()))

    总结

    至此,相信您已经基本掌握了LoD-Tensor的概念,尝试修改上述代码中的 x_d 与 y_d,观察输出结果,有助于您更好的理解这一灵活的结构。

    更多LoDTensor的模型应用,可以参考新手入门中的 词向量 、个性化推荐、情感分析 等指导教程。

    更高阶的应用案例,请参考 模型库 中的相关内容。