https://github.com/kaslanarian/pydynet

NumPy实现类PyTorch的动态计算图和神经网络框架(MLP, CNN, RNN, Transformer)
https://github.com/kaslanarian/pydynet

autograd cnn cuda cupy deep-learning-framework numpy python pytorch pytorch-implementation rnn transformer

Last synced: 26 minutes ago
JSON representation

NumPy实现类PyTorch的动态计算图和神经网络框架(MLP, CNN, RNN, Transformer)

• Host: GitHub
• URL: https://github.com/kaslanarian/pydynet
• Owner: Kaslanarian
• License: mit
• Created: 2022-05-06T10:38:06.000Z (over 2 years ago)
• Default Branch: main
• Last Pushed: 2024-06-29T04:40:16.000Z (6 months ago)
• Last Synced: 2024-12-22T08:06:25.517Z (26 minutes ago)
• Topics: autograd, cnn, cuda, cupy, deep-learning-framework, numpy, python, pytorch, pytorch-implementation, rnn, transformer
• Language: Python
• Homepage:
• Size: 4.46 MB
• Stars: 78
• Watchers: 3
• Forks: 16
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

        
# PyDyNet：DL Framework (MLP, CNN, RNN, Transformer, ...) implementation using Numpy

前作：[PyNet: Use NumPy to build neuron network](https://github.com/Kaslanarian/PyNet)。在那里我们基于求导规则实现了全连接网络。在这里，我们向当今的深度学习框架看齐，实现属于自己的DL框架。

**PyDyNet已被多个技术公众号和社区分享**：[居然用Numpy实现了一个深度学习框架](https://segmentfault.com/a/1190000042108301).

[![Downloads](https://pepy.tech/badge/pydynet)](https://pepy.tech/project/pydynet)

[![Downloads](https://static.pepy.tech/personalized-badge/pydynet?period=month&units=international_system&left_color=grey&right_color=orange&left_text=downloads/month)](https://pepy.tech/project/pydynet)

![](https://img.shields.io/pypi/l/pydynet)

![](https://img.shields.io/pypi/implementation/numpy)

![](https://img.shields.io/github/stars/Kaslanarian/PyDyNet?style=social)

![](https://img.shields.io/github/forks/Kaslanarian/PyDyNet?style=social)

前期更新日志



- 5.10: ver 0.0.1 修改损失函数的定义方式：加入reduction机制，加入Embedding;

- 5.15: ver 0.0.2 重构了RNN, LSTM和GRU，支持双向;

- 5.16: ver 0.0.2 允许PyDyNet作为第三方库安装；开始手册的撰写(基于Sphinx).

- 5.29: ver 0.0.3 加入了Dataset和Dataloader，现在可以像PyTorch一样定义数据集和分割数据集，具体参考[data.py](/pydynet/data.py)中的`train_loader`函数；

- 5.30: ver 0.0.3 将一维卷积算法退化成基于循环的im2col，新版本NumPy似乎不是很支持strided上数组的魔改；

- 7.22: ver 0.0.4/0.05 增加了Module类和Parameter类，将模块重组、增加多种Pytorch支持的初始化方式；正在撰写新的Manual；

- 7.28: ver 0.0.6 加入no_grad方法，可以像pytorch一样禁止自动微分，比如`@no_grad()`和`with no_grad()`，详见[autograd.py](/pydynet/autograd.py);

- 8.09: ver 0.0.7 基于[cupy](https://cupy.dev/)，PyDyNet现在可以使用显卡加速训练，用法与PyTorch一致，详见[tests](./tests)中`cu*.py`；

- 8.18: ver 0.0.8 加入学习率调整策略，实现了训练过程中自动调节学习率；

- 10.21: ver 0.0.9 加入tensor的split方法，基于此改进了RNN；

- 10.23: ver 0.0.10 重写RNN, LSTM和GRU，支持多层双向；



**2024.6.29**: ver 0.1 增加了LayerNorm和Embedding; 修正了cuda训练的问题; 加入多个可复现测试: (MLP, LeNet, BN & Dropout, RNN, **Transformer**).

## Overview

PyDyNet也是纯NumPy(0.0.7版本后加入CuPy，其用法和NumPy一致)实现的神经网络，语法受PyTorch的启发，大致结构如下：

```mermaid

graph BT

   N(numpy/cupy.ndarray) ----> ds(Dataset) ----> Data(DataLoader)--> Mission

   N --> A(Tensor) --Eager execution--> B(Basic operators: add, exp, etc)

   B -.Autograd-.-> A

   B --> CO(Complex operators:softmax,etc)

   --> f(Function:linear, conv2d, etc) 

   --> M(Basic Module:Linear,Conv2d,etc)

   --> CM(Advanced Module:CNN,RNN,Transformer,...)

   --> Mission(PyDyNet)

   N --> GD(Optimizer:SGD, Adam, etc) ----> LS(lr_scheduler:StepLR, etc)--> Mission

```

虚线表示用户可以通过`no_grad`来关闭自动微分功能. 我们实现了：

1. 将NumPy数组包装成具有梯度等信息的张量(Tensor):

   Example

   


   ```python

   from pydynet import Tensor

   x = Tensor(1., requires_grad=True)

   print(x.data) # 1.

   print(x.ndim, x.shape, x.is_leaf) # 0, (), True

   ```

   

   


2. 将NumPy数组的计算(包括数学运算、切片、形状变换等)抽象成基础算子(Basic operators)，并对部分运算加以重载：

   Example

   


   ```python

   import pydynet as pdn

   x = pdn.Tensor([1, 2, 3])

   y = pdn.exp(x) + x

   z = pdn.sum(x)

   print(z.data) # 36.192...

   ```

   

   


3. 手动编写基础算子的梯度，实现和PyTorch相同的动态图自动微分机制(Autograd)，从而实现反向传播

   Example

   


   ```python

   import pydynet as pdn

   from pydynet import Tensor

   x = Tensor([1., 2., 3.], requires_grad=True)

   y = pdn.log(x) + x

   z = pdn.sum(y)

   z.backward()

   print(x.grad) # [2., 1.5, 1.33333333]

   ```

   

   


4. 基于基础算子实现更高级的算子(Complex operators)，它们不再需要手动编写导数：

   Example

   


   ```python

   import pydynet as pdn

   def simple_sigmoid(x: pdn.Tensor):

       return 1 / (1 + pdn.exp(-x))

   ```

   

   


5. 实现了Mudule，包括激活函数，损失函数等，从而我们可以像下面这样定义神经网络，损失函数项：

   Example

   


   ```python

   import pydynet.nn as nn

   import pydynet.nn.functional as F

   n_input = 64

   n_hidden = 128

   n_output = 10

   class Net(nn.Module):

       def __init__(self) -> None:

           super().__init__()

           self.fc1 = nn.Linear(n_input, n_hidden)

           self.fc2 = nn.Linear(n_hidden, n_output)

       def forward(self, x):

           x = self.fc1(x)

           x = F.sigmoid(x)

           return self.fc2(x)

   net = Net()

   loss = nn.CrossEntropyLoss()

   l = loss(net(X), y)

   l.backward()

   ```

   

   


6. 实现了多种优化器和学习率衰减策略，从而实现神经网络的训练；其中优化器和PyTorch一样支持权值衰减，即正则化：

   Example

   


   ```python

   from pydynet.optim import Adam, StepLR

   ...

   net = Net()

   optimizer = Adam(net.parameters(), lr=0.01)

   lr_scheduler = StepLR(optimizer, step_size=10)

   for epoch in range(EPOCHES):

       for data in data_loader:

           train(...)

           optimizer.step()

       lr_scheduler.step()

   ```

   

   

7. 实现了Dataset和DataLoader对数据集进行加载与划分：

   Example

   


   ```python

   from pydynet.data import Dataset, DataLoader

   

   class TrainSet(Dataset):

       def __init__(self, X, y) -> None:

           self.data = X

           self.target = y

       def __getitem__(self, index):

           return self.data[index], self.target[index]

       def __len__(self):

           return len(self.data)

    data_loader = DataLoader(TrainSet(X, y), batch_size, shuffle)

   ```

   

   

8. Dropout机制，Batch Normalization机制，以及将网络划分成训练阶段和评估阶段；

9. 基于im2col高效实现Conv1d, Conv2d, max_pool1d和max_pool2d，从而实现CNN；

10. 支持多层的**多层双向**RNN，LSTM和GRU；

11. 多种初始化方式，包括Kaiming和Xavier；

12. 基于cupy实现了显卡计算和训练：

    Example

    


    ```python

    from pydynet import Tensor

       

    x = Tensor([1., 2., 3.], device='cuda')

    y = Tensor([1., 2., 3.], device='cuda')

    z = (x * y).sum()

    w = Tensor([1., 2., 3.]) # CPU上的Tensor

    x * w # 报错

    ```

    

    


## Install

```bash

pip install pydynet

```

或本地安装

```bash

git clone https://github.com/Kaslanarian/PyDyNet

cd PyDyNet

python setup.py install

```

## Example

[tests](./tests)中是一些例子。运行`python tests/XXX.py`即可:

### AutoDiff

[autodiff1d.py](tests/autodiff1d.py)利用自动微分，对一个一维凸函数进行梯度下降：



以及一个多元凸函数的例子: [autodiff2d.py](tests/autodiff2d.py)



### MLP & LeNet

[mlp_cnn.py](tests/mlp_cnn.py)使用全连接网络(三层+残差)和LeNet对MNIST进行分类. 训练准确率和测试准确率：



### Dropout & BN

[mlp_dropout_bn.py](tests/mlp_dropout_bn.py)使用三种网络对`fetch_olivetti_faces`人脸(64×64)数据集进行分类并进行性能对比：

1. 三层MLP;

2. 三层MLP + Dropout;

3. 三层MLP + BatchNormalization.

学习效果对比：



### RNN

[rnn_sin.py](tests/rnn_sin.py)中是一个用RNN从$x=\sin(z)$学习$y=\cos(2z)$例子. 最后的训练结果:



### Transformer

[transformer.py](tests/transformer.py)中是一个用Transformer训练文本分类模型的例子. 训练结果:



> 数据集 (CoLA) 链接: 

## cuda加速

在训练batch size为128, 测试batch size为512情况下，模型在CPU和GPU上的训练速度比较:

|         Net         |      Dataset      | CPU time (s) per Epoch | GPU time (s) per Epoch |

| :-----------------: | :---------------: | :--------------------: | :--------------------: |

|     ResidualMLP     | MNIST (80000×574) |      20.256±0.138      |       2.903±.018       |

|        LeNet        | MNIST (80000×574) |     239.664±2.108      |      10.148±0.026      |

| 1-layer Transformer | CoLA (8551×45×64) |      17.503±0.251      |      1.125±0.002       |

设备: Nvidia GeForce RTX 3090.