机器学习图像张量（秒秒钟揪出张量形状错误）
机器学习图像张量（秒秒钟揪出张量形状错误）神经网络涉及到一系列的矩阵计算，前面矩阵的列数必需匹配后面矩阵的行数，如果维度不匹配，那后面的运算就都无法运行了。为什么张量形状错误这么重要？这不最近，韩国首尔大学的研究者就开发出了一款“利器”——PyTea。据研究人员介绍，它在训练模型前，能几秒内帮助你静态分析潜在的张量形状错误。那么PyTea是如何做到的，到底靠不靠谱，让我们一探究竟吧。
函擎 发自 凹非寺
量子位 报道 | 公众号 QbitAI
模型吭哧吭哧训练了半天，结果发现张量形状定义错了，这一定没少让你抓狂吧。
那么针对这种情况，是否存在较好的解决方法呢？
这不最近，韩国首尔大学的研究者就开发出了一款“利器”——PyTea。
据研究人员介绍，它在训练模型前，能几秒内帮助你静态分析潜在的张量形状错误。
那么PyTea是如何做到的，到底靠不靠谱，让我们一探究竟吧。
PyTea的出场方式为什么张量形状错误这么重要？
神经网络涉及到一系列的矩阵计算，前面矩阵的列数必需匹配后面矩阵的行数，如果维度不匹配，那后面的运算就都无法运行了。
上图代码就是一个典型的张量形状错误，[B x 120] * [80 x 10]无法进行矩阵运算。
无论是PyTorch，TensorFlow还是Keras在进行神经网络的训练时，大多都遵循图上的流程。
首先定义一系列神经网络层（也就是矩阵），然后合成神经网络模块……
那么为什么需要PyTea呢？
以往我们都是在模型读取大量数据，开始训练，代码运行到错误张量处，才可以发现张量形状定义错误。
由于模型可能十分复杂，训练数据非常庞大，所以发现错误的时间成本会很高，有时候代码放在后台训练，出了问题都不知道……
PyTea就可以有效帮我们避免这个问题，因为它能在运行模型代码之前，就帮我们分析出形状错误。
网友们已经在热烈讨论了。
PyTea是如何运作的，它能否有效地检查出错误呢？
受各种约束条件的影响，代码可能的运行路径有很多，不同的数据会走向不同的路径。
所以PyTea需要静态扫描所有可能的运行路径，跟踪张量变化，推断出每个张量形状精确而保守的范围。
上图就是PyTea的整体架构，一共分为翻译语言，收集约束条件，求解器判断和给出反馈四步。
首先PyTea将原始的Python代码翻译成一种内核语言。PyTea内部表示法（PyTea IR）。
接着PyTea追踪PyTea IR每个可能的执行路径，并收集有关张量形状的约束条件。
判断约束条件是否被满足，分为线上分析和离线分析两步：
- 线上分析 node.js（TypeScript / JavaScript）：查找张量形状数值上的不匹配和误用API函数的情况。如果PyTea发现问题，就会停止在当前位置，然后给用户报错。
- 离线分析 Z3/Python：如果线上分析没有问题，PyTea将收集到的约束条件传给SMT（Satisfiability Modulo Theories）求解器 Z3，求解器负责查看每条路径的约束条件是否都能被满足，如果不能，返回给用户第一条出错路径的约束条件。
如果求解器过久没有反应，PyTea会返回不知道是否存在问题。
然而追踪所有可能的路径是指数级别的任务，对于复杂的神经网络来说，一定会发生路径爆炸这个问题。
比如说在这个例子中，网络的最终结构是由24个相同模块块构成的（第17行），那么可能的路径就有16M之多。
所以路径爆炸是一定要处理的，PyTea是怎么做的？
PyTea选择保守的地对路径剪枝和超时判断来处理这种路径爆炸。
什么样的路径可以被剪枝？
PyTea给出的答案是，如果该前馈函数不改变全局值，并且它的输出值不受分支条件影响，对于每条路径都是相等的，我们就可以忽略许多完全一致的路径，来节约计算资源。
如果路径剪枝还是不行，那么就只能按超时处理了。
原理就介绍这么多了，感觉还是值得一试的，现在代码已经在GitHub上面开源了，快去看看吧！
使用方法依赖库：
安装方法：
运行命令：
参考链接：
[1]https://github.com/ropas/pytea
[2]https://arxiv.org/abs/2112.09037
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
