Как стать автором
Обновить

Нейросеть для разработчиков C++

Open source *Машинное обучение *Разработка под Linux *Разработка под Windows *Искусственный интеллект
Всем привет.

Написал библиотеку для обучения нейронной сети. Кому интересно, прошу.

Давно хотел сделать себе инструмент такого уровня. C лета взялся за дело. Вот что получилось:

  • библиотека написана с нуля на C++ (только STL + OpenBLAS для расчета), C-интерфейс, win/linux;
  • cтруктура сети задается в JSON;
  • базовые слои: полносвязный, сверточный, пулинг. Дополнительные: resize, crop..;
  • базовые фишки: batchNorm, dropout, оптимизаторы весов — adam, adagrad..;
  • для расчета на CPU используется OpenBLAS, для видеокарты — CUDA/cuDNN. Заложил еще реализацию на OpenCL, пока на будущее;
  • для каждого слоя есть возможность отдельно задать на чем считать — CPU или GPU(и какая именно);
  • размер входных данных жестко не задается, может меняться в процессе работы/обучения;
  • сделал интерфейсы для C++ и Python. C# тоже будет позже.

Библиотеку назвал «SkyNet». (Сложно все с именами, другие были варианты, но что-то все не то..) upd: переименовал в 'sunnet', потому что баян (давно хотел поменять и вот).


Cравнение с «PyTorch» на примере MNIST:

PyTorch: Accuracy: 98%, Time: 140 sec
SkyNet: Accuracy: 95%, Time: 150 sec

Машина: i5-2300, GF1060. Код теста.



Архитектура ПО




В основе лежит граф операций, создается динамически один раз после разбора структуры сети.
На каждое ветвление — новый поток. Каждый узел сети (Node) — это слой расчета.

Есть особенности работы:

  • функция активации, нормализация по батчу, dropout — они все реализованы как параметры конкретных слоев, другими словами, эти функции не существуют как отдельные слои. Возможно batchNorm стоит выделить в отдельный слой, в будущем;
  • функция softMax так же не является отдельным слоем, она принадлежит к специальному слою «LossFunction». В котором используется при выборе конкретного типа расчета ошибки;
  • слой «LossFunction» используется для автоматического расчета ошибки, те явно можно не использовать шаги forward/backward (ниже пример работы с этим слоем);
  • нет слоя «Flatten», он не нужен поскольку слой «FullyConnect» сам вытягивает входной массив;
  • оптимизатор весов нужно задавать для каждого весового слоя, по умолчанию 'adam' используется у всех.

Примеры


MNIST




Код на С++ выглядит так:
  // создание сети
  sn::Net snet;
        
  snet.addNode("Input", sn::Input(), "C1")
        .addNode("C1", sn::Convolution(15, 0, sn::calcMode::CUDA), "C2")
        .addNode("C2", sn::Convolution(15, 0, sn::calcMode::CUDA), "P1")
        .addNode("P1", sn::Pooling(sn::calcMode::CUDA), "FC1")
        .addNode("FC1", sn::FullyConnected(128, sn::calcMode::CUDA), "FC2")
        .addNode("FC2", sn::FullyConnected(10, sn::calcMode::CUDA), "LS")
        .addNode("LS", sn::LossFunction(sn::lossType::softMaxToCrossEntropy), 
          "Output");

      .............  // получение-подготовка изображений
 
// цикл обучения
 for (int k = 0; k < 1000; ++k){

        targetLayer.clear();
       
        srand(clock());
                
         // заполнение батча
        for (int i = 0; i < batchSz; ++i){
              ............. 
        }
         
        // вызов метода обучения сети 
        float accurat = 0;
        snet.training(lr, inLayer, outLayer, targetLayer, accurat);
}


Полный код доступен здесь. Немного картинок добавил в репозиторий, находятся рядом с примером. Для чтения изображений использовал opencv, в комплект ее не включал.

Еще одна сеть того же плана, посложнее.



Код для создания такой сети:
  // создание сети
  sn::Net snet;
        
  snet.addNode("Input", sn::Input(), "C1 C2 C3")
        .addNode("C1", sn::Convolution(15, 0, sn::calcMode::CUDA), "P1")
        .addNode("P1", sn::Pooling(sn::calcMode::CUDA), "FC1")
        .addNode("C2", sn::Convolution(12, 0, sn::calcMode::CUDA), "P2")
        .addNode("P2", sn::Pooling(sn::calcMode::CUDA), "FC3")
        .addNode("C3", sn::Convolution(12, 0, sn::calcMode::CUDA), "P3")
        .addNode("P3", sn::Pooling(sn::calcMode::CUDA), "FC5")

        .addNode("FC1", sn::FullyConnected(128, sn::calcMode::CUDA), "FC2")
        .addNode("FC2", sn::FullyConnected(10, sn::calcMode::CUDA), "LS1")
        .addNode("LS1", sn::LossFunction(sn::lossType::softMaxToCrossEntropy),
           "Summ")
                
        .addNode("FC3", sn::FullyConnected(128, sn::calcMode::CUDA), "FC4")
        .addNode("FC4", sn::FullyConnected(10, sn::calcMode::CUDA), "LS2")
        .addNode("LS2", sn::LossFunction(sn::lossType::softMaxToCrossEntropy),
           "Summ")

        .addNode("FC5", sn::FullyConnected(128, sn::calcMode::CUDA), "FC6")
        .addNode("FC6", sn::FullyConnected(10, sn::calcMode::CUDA), "LS3")
        .addNode("LS3", sn::LossFunction(sn::lossType::softMaxToCrossEntropy),
           "Summ")

        .addNode("Summ", sn::Summator(), "Output");
       .............  


В примерах ее нет, можете скопировать отсюда.

На Python код выглядит также
  // создание сети
  snet = snNet.Net()        
  snet.addNode("Input", Input(), "C1 C2 C3") \
        .addNode("C1", Convolution(15, 0, calcMode.CUDA), "P1") \
        .addNode("P1", Pooling(calcMode.CUDA), "FC1") \
        .addNode("C2", Convolution(12, 0, calcMode.CUDA), "P2") \
        .addNode("P2", Pooling(calcMode.CUDA), "FC3") \
        .addNode("C3", Convolution(12, 0, calcMode.CUDA), "P3") \
        .addNode("P3", Pooling(calcMode.CUDA), "FC5") \
        \
        .addNode("FC1", FullyConnected(128, calcMode.CUDA), "FC2") \
        .addNode("FC2", FullyConnected(10, calcMode.CUDA), "LS1") \
        .addNode("LS1", LossFunction(lossType.softMaxToCrossEntropy), "Summ") \
         \       
        .addNode("FC3", FullyConnected(128, calcMode.CUDA), "FC4") \
        .addNode("FC4", FullyConnected(10, calcMode.CUDA), "LS2") \
        .addNode("LS2", LossFunction(lossType.softMaxToCrossEntropy), "Summ") \
        \
        .addNode("FC5", FullyConnected(128, calcMode.CUDA), "FC6") \
        .addNode("FC6", FullyConnected(10, calcMode.CUDA), "LS3") \
        .addNode("LS3", LossFunction(lossType.softMaxToCrossEntropy), "Summ") \
        \ 
        .addNode("Summ", LossFunction(lossType.softMaxToCrossEntropy), "Output")
       .............  


CIFAR-10




Здесь уже пришлось включить batchNorm. Эта сетка учится до 50% точности в течении 1000 итераций, batch 100.

Код такой получился
sn::Net snet;   
snet.addNode("Input", sn::Input(), "C1")
.addNode("C1", sn::Convolution(15, -1, sn::calcMode::CUDA, sn::batchNormType::beforeActive), "C2")
.addNode("C2", sn::Convolution(15, 0, sn::calcMode::CUDA, sn::batchNormType::beforeActive), "P1")
.addNode("P1", sn::Pooling(sn::calcMode::CUDA), "C3")
     
.addNode("C3", sn::Convolution(25, -1, sn::calcMode::CUDA, sn::batchNormType::beforeActive), "C4")
.addNode("C4", sn::Convolution(25, 0, sn::calcMode::CUDA, sn::batchNormType::beforeActive), "P2")
.addNode("P2", sn::Pooling(sn::calcMode::CUDA), "C5")
     
.addNode("C5", sn::Convolution(40, -1, sn::calcMode::CUDA, sn::batchNormType::beforeActive), "C6")
.addNode("C6", sn::Convolution(40, 0, sn::calcMode::CUDA, sn::batchNormType::beforeActive), "P3")
.addNode("P3", sn::Pooling(sn::calcMode::CUDA), "FC1")
    
.addNode("FC1", sn::FullyConnected(2048, sn::calcMode::CUDA, sn::batchNormType::beforeActive), "FC2")
.addNode("FC2", sn::FullyConnected(128, sn::calcMode::CUDA, sn::batchNormType::beforeActive), "FC3")
.addNode("FC3", sn::FullyConnected(10, sn::calcMode::CUDA), "LS")
.addNode("LS", sn::LossFunction(sn::lossType::softMaxToCrossEntropy), "Output");


Думаю, понятно, что можно подставить любые классы картинок.



U-Net tyni


Последний пример. Упростил нативную U-Net для демонстрации.



Чуть поясню: слои DC1… — обратная свертка, слои Concat1… — слои сложения каналов,
Rsz1… — используются для согласования числа каналов на обратном шаге, поскольку со слоя Concat обратно идет ошибка по сумме каналов.

Код на С++.
 sn::Net snet;   
 
    snet.addNode("In", sn::Input(), "C1")
        .addNode("C1", sn::Convolution(10, -1, sn::calcMode::CUDA), "C2")
        .addNode("C2", sn::Convolution(10, 0, sn::calcMode::CUDA), "P1 Crop1")
        .addNode("Crop1", sn::Crop(sn::rect(0, 0, 487, 487)), "Rsz1")
        .addNode("Rsz1", sn::Resize(sn::diap(0, 10), sn::diap(0, 10)), "Conc1")
        .addNode("P1", sn::Pooling(sn::calcMode::CUDA), "C3")

        .addNode("C3", sn::Convolution(10, -1, sn::calcMode::CUDA), "C4")
        .addNode("C4", sn::Convolution(10, 0, sn::calcMode::CUDA), "P2 Crop2")
        .addNode("Crop2", sn::Crop(sn::rect(0, 0, 247, 247)), "Rsz2")
        .addNode("Rsz2", sn::Resize(sn::diap(0, 10), sn::diap(0, 10)), "Conc2")
        .addNode("P2", sn::Pooling(sn::calcMode::CUDA), "C5")

        .addNode("C5", sn::Convolution(10, 0, sn::calcMode::CUDA), "C6")
        .addNode("C6", sn::Convolution(10, 0, sn::calcMode::CUDA), "DC1")
        .addNode("DC1", sn::Deconvolution(10, sn::calcMode::CUDA), "Rsz3")
        .addNode("Rsz3", sn::Resize(sn::diap(0, 10), sn::diap(10, 20)), "Conc2")

        .addNode("Conc2", sn::Concat("Rsz2 Rsz3"), "C7")

        .addNode("C7", sn::Convolution(10, 0, sn::calcMode::CUDA), "C8")
        .addNode("C8", sn::Convolution(10, 0, sn::calcMode::CUDA), "DC2")
        .addNode("DC2", sn::Deconvolution(10, sn::calcMode::CUDA), "Rsz4")
        .addNode("Rsz4", sn::Resize(sn::diap(0, 10), sn::diap(10, 20)), "Conc1")

        .addNode("Conc1", sn::Concat("Rsz1 Rsz4"), "C9")

        .addNode("C9", sn::Convolution(10, 0, sn::calcMode::CUDA), "C10");

    sn::Convolution convOut(1, 0, sn::calcMode::CUDA);
    convOut.act = sn::active::sigmoid;
    snet.addNode("C10", convOut, "Output");


Полный код и изображения находятся здесь.


Математика из открытых источников типа этого.
Все слои тестировал на MNIST, эталоном оценки ошибки служил TF.


Что дальше

Библиотека в ширину расти не будет, то есть никаких opencv, сокетов и тп, чтобы не раздувать.
Интерфейс библиотеки изменяться/расширяться не будет, не скажу что вообще и никогда, но в последнюю очередь.

Только в глубину: сделаю расчет на OpenCL, интерфейс для C#, RNN сеть может быть…
MKL думаю нет смысла добавлять, потому что чуть глубже сеть — быстрее все равно на видеокарте, и карта средней производительности не дефицит совсем.

Импорт/экспорт весов с другими фреймворками — через Python (пока не реализован). Roadmap будет, если интерес возникнет у людей.

Кто может поддержать кодом, прошу. Но есть ограничения, чтобы текущую архитектуру не поломать.

Интерфейс для питона можете расширять до невозможности, так же доки и примеры нужны.

Для установки из Python:

* pip install libskynet — CPU
* pip install libskynet-cu — CUDA9.2 + cuDNN7.3.1

Руководство пользователя wiki.

ПО распространяется свободно, лицензия MIT.

Спасибо.

Теги:
Хабы:
Всего голосов 54: ↑51 и ↓3 +48
Просмотры 42K
Комментарии Комментарии 30

Работа

Data Scientist
107 вакансий