前言
Pytorch发布已经有一段时间了,我们在使用中也发现了其独特的动态图设计,让我们可以高效地进行神经网络的构造、实现我们的想法。那么Pytorch是怎么来的,追根溯源,pytorch可以说是torch的python版,然后增加了很多新的特性,那么pytorch和torch的具体区别是什么,这篇文章大致对两者进行一下简要分析,有一个宏观的了解。
上面的对比图来源于官网,官方认为,这两者最大的区别就是Pytorch重新设计了model模型和intermediate中间变量的关系,在Pytorch中所有计算的中间变量都存在于计算图中,所有的model都可以共享中间变量。而在torch中的中间变量则在每一个模块中,想要调用其他模块的参数就必须首先复制这个模块然后再调用。
当然,Python有很多特性是lua语言不具备的,Python的debug功能比lua强大很多,所以效率也就提升了。
Pytorch与Torch
接下来让我们稍微稍微具体谈一下两者的区别(ps:torch是火炬的意思)。
我们都知道Pytorch采用python语言接口来实现编程,而torch是采用lua语言,Lua是一个什么样的语言,可以这样说,Lua相当于一个小型加强版的C,支持类和面向对象,运行效率极高,与C语言结合“特别默契”,也就是说在Lua中使用C语言非常容易也很舒服。
因此,torch是采用C语言作为底层,然后lua语言为接口的深度学习库。而Pytorch呢,Pytorch其实也是主要采用C语言为接口(相关文章),另外除了C语言那还有C++了,因为Pytorch吸收结合了caffe2,进行了很多代码合并,现在Pytorch的底层虽然大部分还是C语言,但是接口什么的也逐渐向C++过渡。
目前来看,两者的底层库的C语言部分区别还是不大,尽管Pytorch使用了C++接口,但是由于代码的兼容性,使用torch拓展的底层代码在Pytorch中照样可以编译使用。
编写模型方面的区别
我们来简单说一下pytorch和torch在编写模型上一些简单的区别,pytorch在编写模型的时候最大的特点就是利用autograd技术来实现自动求导,也就是不需要我们再去麻烦地写一些反向的计算函数,这点上继承了torch。
举个例子:
pytorch中,我们通过继承nn.Module
设计一个层,然后定义我们平常使用的成员函数:__init__
和forward
,这两个函数相比我们都很熟悉,另外content_hook
是一个hook函数,通常在需要读取中间参数的时候使用:
# 这个层是风格迁移中的内容层 class ContentLoss(nn.Module): def __init__(self, target, weight): super(ContentLoss, self).__init__() self.target = target.detach() self.weight = weight self.loss = 0 def forward(self, input): self.loss = F.mse_loss(input, self.target) * self.weight return input # 这个hook通过register_backward_hook后进行绑定才能使用 # 通过绑定后,这里的函数在这个层进行backward的时候会执行 # 在里面我们可以自定义一些操作实现其他的功能,比如修改grad_input def content_hook(self, module, grad_input, grad_output): return grad_input
而在torch中是这样设计的,我们利用lua语言的特定来设计class,__init
和updateOutput
和上面对应的__init__
和forward
功能相同。其实torch也是有forward
函数实现,但是由于torch的局限性,不建议直接修改forward
,我们需要修改updateOutput
函数来实现forward操作:
local ContentLoss, parent = torch.class('nn.ContentLoss', 'nn.Module') function ContentLoss:__init(strength, target) parent.__init(self) self.strength = strength self.target = target self.loss = 0 self.crit = nn.MSECriterion() end -- 就是得到输入输出output function ContentLoss:updateOutput(input) if input:nElement() == self.target:nElement() then self.loss = self.crit:forward(input, self.target) * self.strength else print('WARNING: Skipping content loss') end self.output = input return self.output end -- 这里的函数在backward的时候会执行 function ContentLoss:updateGradInput(input, gradOutput) if input:nElement() == self.target:nElement() then self.gradInput = self.crit:backward(input, self.target) end self.gradInput:mul(self.strength) self.gradInput:add(gradOutput) return self.gradInput end
我们通过对比Pytorch和Torch自顶层的设计大概分析了一下两者的区别,其实两者的很多功能函数的操作方式和命名都是类似的:
pytorch:
torch:
依赖库区别
Pytorch借助于Python强大的第三方库,已经存在的库可以直接使用,利用我们的图像读取直接使用Python自带的PIL图像库或者python-opencv都可以,其他各种想要实现的功能都可以利用python强大的第三方库实现:
https://oldpan.me/archives/pytorch-transforms-opencv-scikit-image
https://oldpan.me/archives/pytorch-tensor-image-transform
而在torch中同样有很多Lua语言下开发的很多包:
torch可以很方便地拓展cuda和c代码实现更加丰富的自定义层和算法操作。
而pytorch的可以看这里:https://oldpan.me/archives/pytorch-combine-c-and-cuda
后记
暂且说这么多,Pytorch和Torch都很优秀,现在仍然有很多优秀的项目是使用torch来编写,Pytorch和torch的思想都值得我们去借鉴,闲暇之余,我们也可以看看Torch的代码,体验一下其优秀的构架和设计。