引言
本文基于前面介绍的计算图知识,开始实现我们自己的深度学习框架。
就像PyTorch用Tensor
来表示张量一样,我们也创建一个自己的Tensor
。
数据类型
由于我们自己的Tensor
也需要进行矩阵运算,因此我们直接封装最常用的矩阵运算工具——NumPy。
首先,我们增加帮助函数来确保用到的数据类型为np.ndarray
。
# 默认数据类型
_type = np.float32
# 可以转换为Numpy数组的类型
Arrayable = Union[float, list, np.ndarray]
def ensure_array(arrayable: Arrayable) -> np.ndarray:
"""
:param arrayable:
:return:
"""
if isinstance(arrayable, np.ndarray):
# 如果本身是ndarray
return arrayable
# 转换为Numpy数组
return np.array(arrayable, dtype=_type)
Tensor初探
所有的代码都尽量添加类型提示(Typing
),已增加代码的可读性。接下来,创建我们自己的Tensor
实现:
class Tensor:
def __init__(self, data: Arrayable, requires_grad: bool = False) -> None:
'''
初始化Tensor对象
Args:
data: 数据
requires_grad: 是否需要计算梯度
'''
# data 是 np.ndarray
self._data = ensure_array(data)
self.requires_grad = requires_grad
# 保存该Tensor的梯度
self._grad = None
if self.requires_grad:
# 初始化梯度
self.zero_grad()
# 用于计算图的内部变量
self._ctx = None
调用ensure_array
确保传过来的是一个Numpy数组。requires_grad
表示是否需要计算梯度。
下面增加一些属性方法(属于上面Tensor
类):
@property
def grad(self):
return self._grad
@property
def data(self) -> np.ndarray:
return self._data
@data.setter
def data(self, new_data: np.ndarray) -> None:
self._data = ensure_array(new_data)
# 重新赋值后就没有梯度了
self._grad = None
通过@property
来确保梯度是只读的,同时让保存的数据data
是可读可写的,当修改data
时,需要清空梯度。因为绑定的数据已经发生了变化。
我们知道Tensor
作为张量,它是有形状(shape)、维度(dimension)等相关属性的,下面我们就来实现:
# ****一些常用属性****
@property
def shape(self) -> Tuple:
'''返回Tensor各维度大小的元素'''
return self.data.shape
@property
def ndim(self) -> int:
'''返回Tensor的维度个数'''
return self.data.ndim
@property
def dtype(self) -> np.dtype:
'''返回Tensor中数据的类型'''
return self.data.dtype
@property
def size(self) -> int:
'''
返回Tensor中元素的个数 等同于np.prod(a.shape)
Returns:
'''
return self.data.size
在Tensor
的初始化方法中,有进行梯度初始化的方法,看一下是如何实现的:
def zero_grad(self) -> None:
'''
将梯度初始化为0
Returns:
'''
self._grad = Tensor(np.zeros_like(self.data, dtype=_type))
为了方便调试,我们实现了了__repr__
方法。同时实现__len_
魔法方法,返回数据的长度。
def __repr__(self) -> str:
return f"Tensor({self.data}, requires_grad={self.requires_grad})"
def __len__(self) -> int:
return len(self.data)
最后,实现两个比较有用的方法。
def assign(self, x) -> "Tensor":
'''将x的值赋予当前Tensor'''
x = ensure_tensor(x)
# 维度必须一致
assert x.shape == self.shape
self.data = x.data
return self
def numpy(self) -> np.ndarray:
"""转换为Numpy数组"""
return self.data
assign
用于给当前Tensor
赋值,因为我们上面让data
是只读了,所以需要额外提供这个方法。
numpy
则是将当前Tensor
对象转换为Numpy数组。
类似ensure_array
,我们也提供了一个确保为Tensor
的帮助方法。
Tensorable = Union["Tensor", float, np.ndarray]
def ensure_tensor(tensoralbe: Tensorable) -> "Tensor":
'''
确保是Tensor对象
'''
if isinstance(tensoralbe, Tensor):
return tensoralbe
return Tensor(tensoralbe)
测试
写完代码进行测试是一个好习惯,我们今天暂且在__main__
里面测试:
if __name__ == '__main__':
t = Tensor(range(10))
print(t)
print(t.shape)
print(t.size)
print(t.dtype)
输出:
Tensor([0. 1. 2. 3. 4. 5. 6. 7. 8. 9.], requires_grad=False)
(10,)
10
float32
总结
本文我们实现了Tensor
对象的基本框架。