共计 10798 个字符，预计需要花费 27 分钟才能阅读完成。
大家好，今日带来的是有对于飞桨框架 v2.4 AP 降级的内容~ 快来看看是不是你所期待的新内容吧！也欢送大家分享本人的认识哦。
2022 年 11 月，飞桨框架 2.4 版本公布。相比飞桨框架 2.3 版本，飞桨框架 v2.4 减少了 167 个功能性 API，新增稠密计算 (paddle.sparse)、图学习(paddle.geometric) 和语音解决 (paddle.audio) 等更多畛域 API，同时也进一步欠缺了 loss 计算、张量计算、分布式和视觉变换等类别的 API。上面咱们将为大家具体介绍每一类新增 API 及其利用场景示例，不便大家疾速理解和上手应用哦~
全面反对支流模型稠密化训练及推理
以后越来越多的场景有稠密计算的需要，例如 3D 点云图像处理和 NLP 中的稠密 Attention 等。神经网络的稠密化能够进步网络的性能，缩小计算量及内存 / 显存的占用，已成为深度学习的钻研热门之一。飞桨 v2.4 新增了如下稠密类 API，反对支流稠密模型的训练和推理，并反对多种稠密 Tensor 格局及稠密 Tensor 与浓密 Tensor 的混合计算，同时其名称和应用形式与惯例浓密 Tensor 的 API 保持一致，不便记忆且容易上手。
稠密根底计算 API：
- 一元计算：
paddle.sparse.sin/sinh/tan/tanh/expm1/log1p/pow/square/sqrt/abs/cast/neg… - 二元计算：
paddle.sparse.add/substract/multiply/divide… - 矩阵和向量计算：
paddle.sparse.matmul/masked_matmul/addmm/mv… - 数据变形：
paddle.sparse.transpose/reshape…
稠密组网 API：
- 网络层：
paddle.sparse.nn.Conv3D/SubmConv3D/MaxPool3D/BatchNorm… - 激活层：
paddle.sparse.nn.ReLU/ReLU6/LeakyReLU/Softmax…
笼罩稠密计算支流利用场景
3D 点云指标检测
CenterPoint 是一种物体检测器，以点云作为输出，将三维物体在 Bird-View 下的中心点作为关键点，基于关键点检测的形式回归物体的尺寸、方向和速度。
飞桨框架 v2.4 残缺提供了这类模型须要的稠密 SubmanifoldConv3D/Conv3D、稠密 BatchNorm 和稠密 ReLU 等 API。模型的训练评估、动转静及推理的各项性能均已齐全实现，欢送试用。实测比业界同类竞品提速 4%，训练精度晋升 0.2%。
- CenterPoint 模型介绍
https://github.com/PaddlePadd…
Sparse Transformer
稠密 Transformer 与经典的浓密 Transformer 相比，能反对更长的输出序列，失去更好的网络性能。
稠密 Attention 的外围计算逻辑为：
飞桨框架 v2.4 提供稠密矩阵乘、稠密 softmax 等运算，可残缺反对 SparseTransformer 的运算。在高稠密度场景下，相比应用 DenseTensor 提速 105.75%，相比同类产品稠密计算提速 4.01%~58.55%，极致节俭显存并晋升性能。
反对多种稠密 Tensor 格局及稠密 Tensor 与浓密 Tensor 的混合计算
飞桨 API 反对最常应用的稠密数据 COO 和 CSR 格局。COO 为稠密数据坐标格局，CSR 为压缩行信息格式。不同格局的稠密数据应用场景不同，其中 SparseConv3D 更适宜解决 COO 格局的数据，SparseTransformer 中有较多取整行的操作，更适宜解决 CSR 格局的数据，能更好升高计算复杂度。尽管这些 API 有不同的格局偏向，然而飞桨稠密 API 在设计时，每个都尽可能反对多种稠密格局，这样在不同模型场景下解决不同的数据格式时都能够应用雷同的 API，不必批改代码，更灵便且更能极致晋升性能。
以 ReLU 激活函数为例，其反对解决不同的稠密 Tensor：
# 稠密 COO Tensor
coo = paddle.sparse.sparse_coo_tensor(indices = [[0, 1, 2],
[1, 2, 0]],
values = [1., 2., 3.],
shape = [3, 3])
out = paddle.sparse.nn.functional.relu(coo)
# 稠密 CSR Tensor
csr = paddle.sparse.sparse_csr_tensor(crows = [0, 1, 2, 3],
cols = [1, 2, 0],
values = [1., 2., 3.],
shape = [3, 3])
out = paddle.sparse.nn.functional.relu(csr)除了反对不同的稠密格局外，对于二元计算及矩阵向量计算等 API，还反对多种稠密格局和惯例的浓密格局 (Dense Tessor) 的混合计算，网络能够局部应用传统组网，局部应用稠密，更不便已有模型的优化：
# COO 与 Dense 矩阵乘，返回浓密 Tensor
coo = paddle.sparse.sparse_coo_tensor(indices = [[0, 1, 2],
[1, 2, 0]],
values = [1., 2., 3.],
shape = [3, 3])
dense = paddle.rand([3, 2])
out = paddle.sparse.matmul(coo, dense)
# CSR 与 Dense 矩阵乘，返回浓密 Tensor
csr = paddle.sparse.sparse_csr_tensor(crows = [0, 1, 2, 3],
cols = [1, 2, 0],
values = [1., 2., 3.],
shape = [3, 3])
dense = paddle.rand([3, 2])
out = paddle.sparse.matmul(csr, dense)
# Dense 与 Dense 矩阵乘，返回稠密 Tensor
x = paddle.rand([3, 5])
y = paddle.rand([5, 4])
mask = paddle.sparse.sparse_csr_tensor(crows = [0, 2, 3, 5],
cols = [1, 3, 2, 0, 1],
values= [1., 2., 3., 4., 5.],
shape = [3, 4])
out = paddle.sparse.masked_matmul(x, y, mask)名称和应用形式与惯例浓密 Tensor 的 API 保持一致，不便记忆且容易上手
个别模型中应用的 API 都是解决浓密数据 (Dense Tensor) 的 API。飞桨 SparseAPI 在设计之初就思考尽可能升高了解老本，与惯例解决浓密数据 (Dense Tensor) 的 API 放弃格调统一，不便用户疾速上手。
以模型中一段 ResNet 稠密网络的代码为例：
import paddle
from paddle import sparse
from paddle.sparse import nn
class SparseBasicBlock(paddle.nn.Layer):
def __init__(
self,
in_channels,
out_channels,
stride=1,
downsample=None,
):
super(SparseBasicBlock, self).__init__()
self.conv1 = nn.SubmConv3D(
in_channels,
out_channels,
kernel_size=3,
stride=stride,
padding=1)
self.bn1 = nn.BatchNorm(out_channels, epsilon=1e-3, momentum=0.01)
self.relu = nn.ReLU()
self.conv2 = nn.SubmConv3D(
out_channels,
out_channels,
kernel_size=3,
stride=stride,
padding=1)
self.bn2 = nn.BatchNorm(out_channels, epsilon=1e-3, momentum=0.01)
self.downsample = downsample
def forward(self, x):
identity = x
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
if self.downsample is not None:
identity = self.downsample(x)
out = sparse.add(out, identity)
out = self.relu(out)
return out能够看到，ResNet 稠密网络的代码和惯例 ResNet 网络代码简直没有差异，只须要通过 paddle.sparse.代替 paddle.即可，源于飞桨 Sparse 系列 API 在整体应用上与 Dense 系列 API 高度一致。如果可能减少 import 门路替换，甚至原网络代码都无需改变。例如通过 frompaddle.sparseimportnn，则可放弃与原来的 nn.* 写法完全一致，更易于上手。
新增图学习类 API，反对高效图学习计算
近几年，图学习相干钻研倒退迅速，在自然语言解决、计算机视觉、举荐零碎、生物化学等畛域具备较为宽泛的利用和倒退。图学习逐步成为机器学习畛域的关键技术，本次飞桨框架 v2.4 新增 paddle.geometric 图学习类 API，提供更好的图学习建模和高效图学习计算体验。
高效图消息传递
现有的大多数图学习框架在进行图模型设计时，通常采纳图消息传递机制的经典范式。飞桨框架 v2.4 新增图学习消息传递 API，反对高效图消息传递。其中，新增的 send_u_recv、send_ue_recv、send_uv 共计 3 个 API，通过实现原子级别的音讯发送与接管，大大减少了冗余的两头显存变量占用，从而带来显著的显存收益。在浓密图场景下，GCN、GAT 等经典图神经网络模型可节俭 50%+ 的显存，并可进一步晋升训练速度约 20%。各个 send_recv 系列 API 反对 sum、mean、max、min 共计 4 个音讯聚合形式，在节点特色与边特色交互时则反对 add、sub、mul、div 共计 4 种计算形式。应用形式示例如下：
import paddle
x = paddle.to_tensor([[0, 2, 3], [1, 4, 5], [2, 6, 7]], dtype="float32")
y = paddle.to_tensor([1, 1, 1, 1], dtype="float32")
indexes = paddle.to_tensor([[0, 1], [1, 2], [2, 1], [0, 0]], dtype="int32")
src_index, dst_index = indexes[:, 0], indexes[:, 1]
out = paddle.geometric.send_ue_recv(x, y, src_index, dst_index, message_op="add", reduce_op="sum")高性能图采样
图采样步骤对于图采样模型特地是在大图场景下是十分有必要的，但同时也是图模型训练的性能瓶颈。本次新增了高性能图采样 API，反对高并发图采样，放慢图采样模型采样和训练效率，经典图模型 Graphsage 的采样速度可晋升 32~142 倍，训练速度可晋升 12~57 倍。除了反对纯 GPU 采样和 CPU 采样之外，还能够反对借助 UVA（Unified Virtual Addressing，对立虚构寻址）技术，将图构造搁置在内存中进行 GPU 采样，该实现形式在大图场景下十分无效。简略示例如下：
import paddle
from paddle.fluid import core
row = np.array([3, 7, 0, 9, 1, 4, 2, 9, 3, 9, 1, 9, 7])
colptr = np.array([0, 2, 4, 5, 6, 7, 9, 11, 11, 13, 13])
row = core.eager.to_uva_tensor(row)
colptr = core.eager.to_uva_tensor(colptr)
nodes = paddle.to_tensor([0, 8, 1, 2])
sample_size = 2
# 街坊采样 API 的输出要求图构造信息为 CSC 格局
neighbors, neighbor_count = paddle.geometric.sample_neighbors(row, colptr, nodes, sample_size=sample_size)
# 生成重编号后的边
reindex_src, reindex_dst, out_nodes = paddle.geometric.reindex_graph(nodes, neighbors, neighbor_count)新增语音畛域类 API
近几年，智能语音畛域疾速迅速，深度学习畛域产生了很多语音训练解决根底能力的需要。本次飞桨框架 v2.4 新增 paddle.audio 类 API 提供了语音根底解决能力，晋升了语音建模和学习便捷性。
高效的特征提取模块
特征提取模块是深度学习语音畛域最根底的模块，特地在大规模数据训练和推理过程中，其速度为一个性能瓶颈。本次新增 MFCC、Spectrogram、LogMelSpectrogram 等特征提取 API，反对 GPU 计算，相比 CPU 实现解决性能晋升 15 倍以上，可大幅晋升语音模型训练 GPU 利用率，达到疾速训练和推理的成果。应用示例如下：
import paddle
from paddle.audio.features import LogMelSpectrogram
#设置音频相干参数
sample_rate = 16000
wav_duration = 0.5
num_channels = 1
num_frames = sample_rate * wav_duration
wav_data = paddle.linspace(-1.0, 1.0, num_frames) * 0.1
waveform = wav_data.tile([num_channels, 1])
#设置特色提起器相干参数
feature_extractor = LogMelSpectrogram(sr=sample_rate, n_fft=512, window = 'hann', power = 1.0)
feats = feature_extractor(waveform)音频解决根底模块
深度学习语音畛域，除了传统的经典模型外，还有很多语音前端解决的试验须要进行，定制化语音特色的需要应运而生。本次新增窗函数、离散余弦变换等特征提取根底 API，不便用户自定义语音特征提取，不便实现定制化需要。应用示例如下：
import paddle
#cosine 窗函数示例
n_fft = 512
cosine_window = paddle.audio.functional.get_window('cosine', n_fft)
#高斯窗函数
std = 7
gaussian_window = paddle.audio.functional.get_window(('gaussian',std), n_fft)
#离散余弦变换示例
n_mfcc = 23
n_mels = 257
dct = paddle.audio.functional.create_dct(n_mfcc, n_mels)语音 IO 模块
对各种语音数据进行读取是音频解决的根底。事实场景中语音的编码格局各式各样，所以须要 IO 模块灵便地反对多种格局。飞桨框架 v2.4 新增语音 IO 模块，提供 2 种音频 I /Obackend，反对 6 种编解码，便捷地实现语音数据的加载。应用示例如下：
import os
import paddle
#设置相干参数，生成示例音频
sample_rate = 16000
wav_duration = 0.5
num_channels = 1
num_frames = sample_rate * wav_duration
wav_data = paddle.linspace(-1.0, 1.0, num_frames) * 0.1
waveform = wav_data.tile([num_channels, 1])
base_dir = os.getcwd()
filepath = os.path.join(base_dir, "test.wav")
#保留和提取音频信息
paddle.audio.save(filepath, waveform, sample_rate)
wav_info = paddle.audio.info(filepath)
#wav_info 中会有 sample_rate, num_frames, num_channels 等信息语音分类数据集
在训练深度学习语音模型的时候，不便地下载解决数据集会为模型训练带来便捷。飞桨框架 v2.4 新增 TESS、ESC50 语音分类数据集。用户不用进行简单的预处理，能够不便地启动训练流程，便捷地实现训练。用户也能够按照此代码，不便定制本人的数据集。应用示例如下：
import paddle
mode = 'dev'
esc50_dataset = paddle.audio.datasets.ESC50(mode=mode,
feat_type='raw')
for idx in range(5):
audio, label = esc50_dataset[idx]
# do something with audio, label
print(audio.shape, label)
# [audio_data_length] , label_id
esc50_dataset = paddle.audio.datasets.ESC50(mode=mode,
feat_type='mfcc',
n_mfcc=40)
for idx in range(5):
audio, label = esc50_dataset[idx]
# do something with mfcc feature, label
print(audio.shape, label)
# [feature_dim, length] , label_id其它新增的 API
除了以上形容的几类新增 API，飞桨框架 v2.4 还对已有的一些 API 类别进行了裁减。
loss 计算 API
为了更不便地反对各种组网的 loss 计算需要，飞桨框架 v2.4 裁减了多个 loss 计算的 API，包含：
- paddle.nn.functional.cosine_embedding_loss依据 label 类型，计算 2 个输出之间的 CosineEmbedding 损失。
- paddle.nn.functional.soft_margin_loss计算输出和 label 间的二分类 softmargin 损失。
- paddle.nn.functional.multi_label_soft_margin_loss计算输出和 label 间的多分类最大熵损失。
- paddle.nn.functional.triplet_margin_loss和 paddle.nn.functional.triplet_margin_with_distance_loss 计算输出与正样本和负样本之间的绝对相似性，后者可自定义间隔计算函数。
张量计算 API
飞桨框架 2.3 之前的版本实现了很多根底的张量计算 API，飞桨框架 2.4 版本基于这些根底 API，通过组合的形式裁减了张量计算 API，不便用户间接应用，包含：
- 新增 paddle.sgn 取复数的单位值和实数的符号。
- 新增 paddle.count_nonzero 沿给定的轴统计输出张量中非零元素的个数。
- 新增 paddle.take 将输出张量视为一维，返回指定索引上的元素汇合。
- 新增 paddle.bucketize 依据给定的一维桶划分，失去输出张量对应的桶索引。
- 新增 paddle.triu_indices 和paddle.tril_indices别离取二维张量 (矩阵) 中上 / 下三角矩阵元素的行列坐标。
- 新增 paddle.heaviside 计算赫维赛德阶跃函数。
- 新增 paddle.nanmedian 和paddle.nanquantile疏忽张量中的 nan 值，别离计算出中位数和分位数值。
分布式 API
新增 10 个分布式通信 API，如 paddle.distributed.communication.stream.all_gather 等，反对在主计算流上做通信，升高了在流切换、事件期待时的性能开销，可能使分布式 GPT3 模型训练提速 11.35%。
视觉变换 API
基于飞桨根底 API，裁减了 paddle.vision.transforms 中视觉变换 API，包含：
- paddle.vision.transforms.affine和 paddle.vision.transforms.RandomAffine 对图像进行仿射变换，后者应用随机产生的仿射变换矩阵参数。
- paddle.vision.transforms.erase和 paddle.vision.transforms.RandomErasing 应用给定的值擦除输出图像中的像素，前者是选定区域，后者是随机区域。
- paddle.vision.transforms.perspective和 paddle.vision.transforms.RandomPerspective 对图像进行透视变换，前者是选定区域，后者是随机区域，两者都能够抉择插值办法。
除了下面的介绍外，飞桨框架 v2.4 还裁减了一些组网类 (如 paddle.nn.ChannelShuffle)、辅助类(如 paddle.iinfo) 等 API，具体列表可 点击下方链接 参考 Release Note。
- Release Note 地址
https://github.com/PaddlePadd…
结语
飞桨框架的建设除了来自百度的工程师外，还有一批酷爱飞桨、酷爱开源的开发者，他们正在用本人的形式参加飞桨框架的建设，与飞桨独特成长。在飞桨框架 v2.4 中，有约三分之一的新增 API 由社区开发者奉献，飞桨的凋敝离不开宽广开发者的应用与反对。
飞桨框架 v2.4 逐步形成了成熟的 API 开发范式，框架的开发难度继续升高。配合官网提供的规范开发环境，飞桨社区开发者能够更加顺畅地实现飞桨 API 开发与奉献。具体体现在：
- 简化 API 开发步骤：飞桨框架 v2.4 实现了根底框架算子体系重构，结构高可复用的 PHI 算子库(Paddle HIgh reusability operator library)，反对基于已有的算子内核以及 Kernel Primitives API 组合实现新的算子，反对插件式接入新硬件或者新减速库。PHI 算子库的成熟，晋升了飞桨 API 的开发效率，并造成了通用的 API 开发流程，使得开发者能够更加简洁流畅地参加飞桨 API 的开发与奉献。
- 公布规范 API 奉献指南：飞桨框架 v2.4 造成了规范的 API 奉献指南，包含奉献流程与操作指南、API 设计文档模板、API 代码模板、API 文档写作标准，为飞桨社区开发者提供清晰的文档指引与辅助，使得开发者能够疾速上手。
- 提供规范开发环境：飞桨 AIStudio 平台推出规范开发环境，为开发者提供飞桨镜像环境、在线 IDE 与专属 GPU 算力，登录即可开发调试，免去环境配置与算力限度，随时随地参加飞桨框架的开发与奉献。
飞桨框架 v2.4 提供了更加丰盛的 API 体系，不仅更好地反对深度学习稠密计算、图学习、语音畛域的疾速迭代和翻新，而且一直扩大对 3D 点云、Sparse Transformer 等场景利用的反对，同时也一直优化飞桨 API 的应用体验，更好地反对业界论文中模型的实现，减速翻新，让基于深度学习的利用开发更简略！