Нейросеть для разработчиков C++ +47


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..)


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

Если сеть у вас не глубокая, используйте реализацию CPU + CUDA, памяти потребляет на порядки меньше по сравнению с cuDNN.

Руководство пользователя wiki.

ПО распространяется свободно, лицензия MIT.

Спасибо.

Вы можете помочь и перевести немного средств на развитие сайта



Комментарии (24):

  1. uncle_goga
    /#19234729 / -4

    Интересная вещь, не часто встретишь нейросеть на ++

    • robert_ayrapetyan
      /#19234781 / -3

      Да и еще и написано чисто и понятно. Тоже большая редкость для ++

      • tzps
        /#19235135 / +3

        Почти все современные библиотеки для DL написаны на C++. Но я вроде встречал и С однажды.

        • robert_ayrapetyan
          /#19235651

          А все ядро (линейная алгебра) — на фортране. И что? Там пирог слоев, и пользуют все питон почему-то…

          • roryorangepants
            /#19235837

            Я не согласен с вашей логикой.
            То, что все используют питон, не отменяет того факта, что библиотека написана на плюсах, и ее можно использовать на плюсах. И более того, ее используют и в плюсовой версии тоже.
            Другое дело, что на питоне ресерч вести куда проще.

            • robert_ayrapetyan
              /#19238329

              Не просто ресерч. Питон не просто оббертка, там много доп. логики реализовано. Так то можно и С назвать обберткой над фортрановской либой просто.

    • iroln
      /#19235079 / +8

      Вы просто не в теме.
      Самый популярный tensorflow, внезапно, написан на C++
      Следующий по популярности Caffe написан на C++
      PyTorch, ой, внезапно тоже C++. Как же так?
      И далее:
      https://github.com/tiny-dnn/tiny-dnn
      https://github.com/josephmisiti/awesome-machine-learning#general-purpose-machine-learning-2


      А вы думали, всё на Python пишут? :) Нет, только интерфейсные обертки для удобного применения, прототипирования, визуализации и т. д.

      • robert_ayrapetyan
        /#19235649

        Из серии «а ядро все на фортране». Понятно что не на питоне, только вот человеческий облик только у питоновских обберток. И таки да, вы удивитесь, но все пользуют именно питоновские оббертки, а не фортран и С напрямую.

  2. Tantrido
    /#19234943

    Интересная библиотечка, нужно будет посмотреть, попробовать.

    А сеть сам писал или это всё есть в openBLAS? Тот же вопрос по CUDA и т.п. — сам или всё есть openBLAS?

    У меня тоже есть небольшая библиотечка — актуальна была, лет 10 назад, когда не было CUDA, был однопоток и т.п. Но мне она интересна наличием в ней быстрого CCG алгоритма и GA, в котором ошибка на тестовой выборке меньше, чем на обучающей. Как можно разпараллелить обучение, перевести на CUDA и т.д.? Можешь что-то посоветовать.

    • tzps
      /#19235129

      OpenBLAS — это всего лишь BLAS. Несколько десятков операций линейной алгебры, для операций между векторами и матрицами.

      CUDA — предоставляет свою имплементацию BLAS — cuBLAS, плюс предоставляет приличный набор примитивов для построения нейросетей — cuDNN.

    • Tyiler
      /#19235601

      на CPU и CUDA алгоритмы свои, cuDNN дает готовую реализацию. Как ниже указали «OpenBLAS — это всего лишь BLAS».

      Как можно разпараллелить обучен...

      от задачи плясать надо. с мануала CUDA начать, дальше примеров в сети масса.

  3. barabanus
    /#19235051 / +2

    Cравнение с «PyTorch» на примере MNIST:

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

    Т.е. работает хуже и медленнее?

    • tzps
      /#19235133

      В коде указанном в статье не упоминается нигде важнейший аспект — изначальное распределение весов. А это — один из важнейших аспектов все-таки. Возможно разница в accuracy этим объясняется.

      • Tyiler
        /#19235609

        для инициализации весов — есть параметр, там все современные алгоритмы распределения.
        по умолчанию «He»

    • Tyiler
      /#19235605

      Тест на адекватность расчета, не было цели догнать и перегнать. Математика везде та же самая, все дело в деталях — веса, слои, функция ошибки, аугментация данных и тд

      • Dark_Daiver
        /#19235911

        Неплохо было бы уменьшить разницу, чтобы убедиться что проблема была именно в аугментациях. 3% на MNIST это очень много.

      • roryorangepants
        /#19235927

        То есть вы сравнивали сети не с равными параметрами и настройками обучения?
        Тогда это сравнение не даёт особой информации.
        Попробуйте воспроизвести одну и ту же архитектуру один-в-один в PyTorch / TensorFlow и в вашей библиотеке. Вот такое сравнение было бы интересным.

  4. divanus
    /#19235141 / -5

    Стою на траве я в лыжи обутый, то ли лето пришло, то ли я.
    Точно, я.
    А автору жирый лайкище!

  5. greenkey
    /#19235599

    Интересная штука. Только недавно искал библиотеки по нейросетям, хоть и не для плюсов.

    • roryorangepants
      /#19235829 / +1

      Такое ощущение, что сейчас 2007 год, где библиотеки для глубокого обучения — редкость.
      Сейчас есть десятки огромных библиотек, написанных на плюсах, у которых есть обертки под высокоуровневый язык программирования на ваш вкус.

      • robert_ayrapetyan
        /#19238401

        Так в том-то и дело, что в оббертках куча логики, без которой плюсовые либы не юзабельны для современных практических задач, оттого и мнение такое сложилось.

        • Tyiler
          /#19238829

          немного не в этом дело.
          логику самому можно написать, которой не хватает (подготовка изображений, автокорр-ка lrate и тд).
          Имхо, на самом деле, проблема в том, что у современных ML библиотек интерфейс проектировался(и реализовался) сразу с учетом использования на Python (или на другой скрипт язык). Поэтому, извиняюсь, кишки торчат наружу, те любая внутренняя структура имеет внешний handler, вся внутренняя кухня — engine, optimizer, lossfunc… все болтается в h-ках, которых тоже куча получается, для каждой внутренней сущности.
          Соответственно пользоваться нативно таким винегретом, не разработчику, тяжело.
          Приходится смотреть внутрь. Теперь о том что внутри.
          Внутри С++ во всей красе, те не ограничен ничем — шаблоны в куче с наследованием, структуры магически выводящие описание и типы своих данных, портянки комментов, о том как работает код, авторы будто сами понимают, что без этого комментария вообще никак и т.д.
          А теперь почему так (имхо все продолжается, если что). Потому что пишут люди близкие к науке, не программисты. По хорошему, им надо писать методики для программистов. Если бы был хороший понятный код, не только для питона, то мало кто стал бы писать велики.

  6. ErmIg
    /#19238443

    Перспективы библиотеки конечно довольно туманны, ввиду огромного количества весьма достойных альтернатив. Однако она тоже полезна — лучший способ разобраться в методах машинного обучения — самому написать библиотечку для машинного обучения (проверено на себе). Так что удачи автору!
    P.S. Сам достаточно длительное время посвятил оптимизациям прямого распространения сигнала в неросетях на CPU (проекты Simd и Synet). Если потребуется помощь — обращайтесь.

  7. pipyakin
    /#19238699

    Очень хотелось бы увидеть прикладное применение.