[[442491]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

模型吭哧吭哧訓(xùn)練了半天，結(jié)果發(fā)現(xiàn)張量形狀定義錯了，這一定沒少讓你抓狂吧。

那么針對這種情況，是否存在較好的解決方法呢？

這不最近，韓國首爾大學(xué)的研究者就開發(fā)出了一款“利器”——PyTea。

據(jù)研究人員介紹，它在訓(xùn)練模型前，能幾秒內(nèi)幫助你靜態(tài)分析潛在的張量形狀錯誤。

那么PyTea是如何做到的，到底靠不靠譜，讓我們一探究竟吧。

PyTea的出場方式

為什么張量形狀錯誤這么重要？

神經(jīng)網(wǎng)絡(luò)涉及到一系列的矩陣計算，前面矩陣的列數(shù)必需匹配后面矩陣的行數(shù)，如果維度不匹配，那后面的運算就都無法運行了。

上圖代碼就是一個典型的張量形狀錯誤，[B x 120] * [80 x 10]無法進(jìn)行矩陣運算。

無論是PyTorch，TensorFlow還是Keras在進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時，大多都遵循圖上的流程。

首先定義一系列神經(jīng)網(wǎng)絡(luò)層（也就是矩陣），然后合成神經(jīng)網(wǎng)絡(luò)模塊……

那么為什么需要PyTea呢？

以往我們都是在模型讀取大量數(shù)據(jù)，開始訓(xùn)練，代碼運行到錯誤張量處，才可以發(fā)現(xiàn)張量形狀定義錯誤。

由于模型可能十分復(fù)雜，訓(xùn)練數(shù)據(jù)非常龐大，所以發(fā)現(xiàn)錯誤的時間成本會很高，有時候代碼放在后臺訓(xùn)練，出了問題都不知道……

PyTea就可以有效幫我們避免這個問題，因為它能在運行模型代碼之前，就幫我們分析出形狀錯誤。

網(wǎng)友們已經(jīng)在熱烈討論了。

PyTea是如何運作的，它能否有效地檢查出錯誤呢？

受各種約束條件的影響，代碼可能的運行路徑有很多，不同的數(shù)據(jù)會走向不同的路徑。

所以PyTea需要靜態(tài)掃描所有可能的運行路徑，跟蹤張量變化，推斷出每個張量形狀精確而保守的范圍。

上圖就是PyTea的整體架構(gòu)，一共分為翻譯語言，收集約束條件，求解器判斷和給出反饋四步。

首先PyTea將原始的Python代碼翻譯成一種內(nèi)核語言。PyTea內(nèi)部表示法（PyTea IR）。

接著PyTea追蹤PyTea IR每個可能的執(zhí)行路徑，并收集有關(guān)張量形狀的約束條件。

判斷約束條件是否被滿足，分為線上分析和離線分析兩步：

• 線上分析 node.js（TypeScript / JavaScript）：查找張量形狀數(shù)值上的不匹配和誤用API函數(shù)的情況。如果PyTea發(fā)現(xiàn)問題，就會停止在當(dāng)前位置，然后給用戶報錯。

• 離線分析 Z3/Python：如果線上分析沒有問題，PyTea將收集到的約束條件傳給SMT（Satisfiability Modulo Theories）求解器 Z3，求解器負(fù)責(zé)查看每條路徑的約束條件是否都能被滿足，如果不能，返回給用戶第一條出錯路徑的約束條件。

如果求解器過久沒有反應(yīng)，PyTea會返回不知道是否存在問題。

然而追蹤所有可能的路徑是指數(shù)級別的任務(wù)，對于復(fù)雜的神經(jīng)網(wǎng)絡(luò)來說，一定會發(fā)生路徑爆炸這個問題。

比如說在這個例子中，網(wǎng)絡(luò)的最終結(jié)構(gòu)是由24個相同模塊塊構(gòu)成的（第17行），那么可能的路徑就有16M之多。

所以路徑爆炸是一定要處理的，PyTea是怎么做的？

PyTea選擇保守的地對路徑剪枝和超時判斷來處理這種路徑爆炸。

什么樣的路徑可以被剪枝？

PyTea給出的答案是，如果該前饋函數(shù)不改變?nèi)种?，并且它的輸出值不受分支條件影響，對于每條路徑都是相等的，我們就可以忽略許多完全一致的路徑，來節(jié)約計算資源。

如果路徑剪枝還是不行，那么就只能按超時處理了。

原理就介紹這么多了，感覺還是值得一試的，現(xiàn)在代碼已經(jīng)在GitHub上面開源了，快去看看吧！

使用方法

依賴庫：

安裝方法：

運行命令：