---
# System prepended metadata
title: 'Lecture 8 : Deep Learning Software'
tags: [cs231]
---
---
tags: cs231
---
# Lecture 8 : Deep Learning Software
---
## 1.CPU vs. GPU
### CPU
中央處理單元(Center Processing Unit)
- 組成元件
CPU的構造包含控制單元（CU）、算術邏輯單元（ALU）、暫存
器（Register）、快取記憶體（Cache），它們之間透過匯流排
(Bus)來傳遞資料及指令
- 控制單元:負責控制資料和指令的單元
- 算術邏輯單元:在做運算與判斷
- 暫存器:暫時存放資料的記憶體
- 快取記憶體:存放最近被CPU存取過或常用的資料或指令
(CPU內部暫存器上的資料和指令需要和主記憶體做交換，但是暫存器和主記憶體的速度差很多，會造成CPU一直在等待主記憶體傳送和接收資料，浪費CPU的資源。)
- 小補充：
- 怎麼看規格：
- Intel型號：
- i7:效能強度i9>i7>i5>i3
- 四位數:前面的9指第九代，700則是指數字越大規格越好
- X：最強的意思，有X在內的Intel處理器都是效能超強但超貴款
- K：可以超頻，讓效能短期內急速提升，主要用來玩遊戲，價格較高
- H：使用較好的圖形處理器
- U：低電壓，通常用在輕薄筆電
- Y：超低電壓，通常用在二合一平板
- T：電源優化，會比較省電
- Q：四核心
- AMD型號：
- 系列：由低到高 APU / Althlon / Ryzen系列 R3 / R5 / R7 / R9
- 尾碼：X→可超頻，G→有內顯
- 核心數：多核心類似多人，多人就好辦事Ｒ！
- 時脈（處理器基礎頻率 & 最大超頻）:代表處理器一秒鐘可以跑幾個運算單位，時脈越高通常代表處理器效能越強；
- 基礎頻率:處理器一般會呈現出的頻率
- 最大超頻:是指時脈數的高峰上限
- 快取記憶體:其實是因為處理器的速度太快了，它需要快速讀取資料才能維持強效能，但記憶體的讀取速度太慢，因此會設置快取區，將一些會被大量重複使用的資料暫放在裡面，當作高速裝置和慢速裝置之間的緩衝區。最一般的分辨標準就是快取容量越大=越好XD
- 存取速度：快取記憶體>記憶體>硬碟
- 容量大小：硬碟>記憶體>快取記憶體
- 製作成本：快取記憶體>記憶體>硬碟
- CPU的系列 (由低階到高階)
- Intel：Celeron(賽揚)、Pentium(奔騰)、Core i3、i5、i7、i9系列
- AMD：Athlon(速龍)、Ryzen R3、R5、R7、R9 系列
- 等級差不多就是i3=R3、i5=R5，i7=R7, i9=R9，所以很好判斷XD
### GPU
- 我們不一樣
CPU 5%是ALU；GPU 40％是ALU
- CUDA
- 說明：CUDA是一種由NVIDIA推出的通用並行計算架構，AMD的用戶抱歉，你不能用
提供一則去年的[新聞](https://3c.ltn.com.tw/news/38730)
- [CUDA處理流程](https://blog.csdn.net/qq_42596142/article/details/103157468?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.nonecase)
- 1. 初始化，將必要的資料copy到GPU
- 2. 執行配置，調用CUDA kernel function
- 3. CPU、GPU同時計算
- 4. 將運算結果copy到記憶體
- OpenCL:Open Computing Language
即開放計算語言。OpenCL為異構平臺提供了一個編寫程式，尤其是並行程式的開放的框架標準。OpenCL所支持的異構平臺可由多核CPU、GPU或其他型別的處理器組成。講義說 usually slow :(
---
## 2.Tensorflow
### (1)建立常數和變數
``` python
import tensorflow as tf
#建立計算圖
ts_c = tf.constant(2,name='ts_c')
ts_x = tf.Variable(ts_c+5,name='ts_x')
#執行計算圖
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
print('ts_c=',sess.run(ts_c))
print('ts_x=',sess.run(ts_x))
```
### (2)placeholder
希望在執行計算圖的階段才設定數值，就可以用placeholder
``` python
width = tf.placeholder("int32")
height = tf.placeholder("int32")
area=tf.multiply(width,height)
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
# feed_dict 傳入參數
print('area=',sess.run(area,feed_dict={width: 6, height: 8}))
```
### (3)TensorBoard
參考出處：https://blog.csdn.net/sinat_33761963/article/details/62433234
建立tf.placeholder與tf.multiply時，加入name的命名，名稱會show在tensorboard graph
``` python
import tensorflow as tf
width = tf.placeholder("int32",name='width')
height = tf.placeholder("int32",name='height')
area=tf.multiply(width,height,name='area')
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
print('area=',sess.run(area,feed_dict={width: 6,height: 8}))
#將顯示在tensorboard的資料，寫入log檔
tf.summary.merge_all()
train_writer = tf.summary.FileWriter('log/area',sess.graph)
```
啟動tensorboard的指令如下，需要指定log檔目錄
tensorboard會讀取此目錄，並顯示在tensorboard上
``` shell
tensorboard --logdir=log/area
```
``` shell
Starting TensorBoard 41 on port 6006
(You can navigate to http://127.0.1.1:6006)
```
web 介面，我覺得很猛
單擊節點上的“+”字樣，可以看到該節點的內部信息
### (4)設定 cpu gpu 的方法
[官方文件參考連結](https://www.tensorflow.org/guide/gpu?hl=zh-cn)
- tf.device
- gpu
``` python
size=500
with tf.device("/gpu:0"):
W = tf.random_normal([size, size],name='W')
X = tf.random_normal([size, size],name='X')
mul = tf.matmul(W, X,name='mul')
sum_result = tf.reduce_sum(mul,name='sum')
tfconfig = tf.ConfigProto(log_device_placement=True)
with tf.Session(config=tfconfig) as sess:
result = sess.run(sum_result)
```
- ConfigProto() 中參數 log_device_placement=True 會print出執行操作所用的設備
- 如果安裝的是GPU版本的tensorflow，機器上有支持的GPU，也正確安裝了顯卡驅動、CUDA和cuDNN，默認情況下，Session會在GPU上運行，默認在GPU:0上執行：
- cpu
``` python
size=500
with tf.device("/cpu:0"):
W = tf.random_normal([size, size],name='W')
X = tf.random_normal([size, size],name='X')
mul = tf.matmul(W, X,name='mul')
sum_result = tf.reduce_sum(mul,name='sum')
tfconfig = tf.ConfigProto(log_device_placement=True)
with tf.Session(config=tfconfig) as sess:
result = sess.run(sum_result)
```
- tensorflow中不同的GPU使用/gpu:0和/gpu:1區分，而CPU不區分設備號，統一使用 /cpu:0
- 綜合
``` python
# Creates a graph.
c = []
for d in ['/device:gpu:2', '/device:gpu:3']:
with tf.device(d):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3])
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2])
c.append(tf.matmul(a, b))
with tf.device('/cpu:0'):
sum = tf.add_n(c)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(sum))
```
- 透過環境設置設定
- 設定 gpu
``` python
import os
#保證程序中的GPU序號是和硬件中的序號是相同的，不加的話可能會造成不必要的麻煩。
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
# 使用第一, 三塊GPU
os.environ["CUDA_VISIBLE_DEVICES"] = "0, 2"
```
- 禁用GPU
``` python
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
```
---
## 3. PyTorch
pytorch主要元素:
1. PyTorch張量(Tensors)
2. Autograd模塊
3. Optim模塊
4. Nn模塊
### (1)PyTorch張量(Tensors)
1. torch.randn(): create random tensors for data and weights
Torch定義了7種CPU tensor類型, 8種GPU tensor類型：
2. forward pass
矩陣相乘：
torch.mul(a, b) : 矩陣對應相乘，维度必須相等，a(1,2)和b(1,2) -> (1,2)
torch.mm(a, b) : 矩陣相乘，维度不用相等，a(1,2)和b的(2,3) -> (2,3)
取值：
`Torch.clamp(input, min, max, out=None) -> Tensor`
```
min, if x < min
x , if min <= x <= max
max, if x > max
```
3. backward pass
4. 計算梯度和更新權重
5. run on GPU
### (2)Autograd模塊
- 因為pytorch是動態計算圖，所以有autograd自動微分的功能。
- 要進行autograd必需先將tensor數據包成Variable，Varibale和tensor基本一致，所區别在于多了下面幾个属性。
- Variable() : 是tensor的外包装
data:存tensors
grad:存導數
creator : grad_fn 的值可以知道他是不是一個計算結果
https://www.jianshu.com/p/cbce2dd60120
＊也可以不要用pytorch內建，可以自己定義functions
### (3)NN模塊
PyTorch已經包好了一個神經網絡層(layer,激活函數,loss)，可以直接用
類似Tensorflow的Keras
- 直接把w1, w2架構放進nn的layer裡
- 跟他說要哪個激活函數
- 也有loss function
- 把data x放進model
- pred放進loss function
- 算backward
- 更新weight
包好一整包，直接用！
## 4. Optim模塊
- optimizer = torch.optim.Adam() : 加入優化的方法，也有SGD, Adagrad...
- optimizer.zero_grad() : 重新計算每次batch時要將模型的參數梯度初始化為0，清空前面的梯度
- loss.backward() : 計算目前的梯度
- optimizer.step() : 根據目前梯度更新參數
＊一個batch的數據，計算一次梯度，更新一次網絡
＊預設只能調L2
`optimizer = optim.Adam(model.parameters(),lr=learning_rate,weight_decay=0.01)`
*weight_decay (float, optional)(L2 penalty): (default: 0)*
https://pytorch.org/docs/stable/optim.html
＊想加L1：只能自己寫，寫法各式各樣
https://stackoverflow.com/questions/42704283/adding-l1-l2-regularization-in-pytorch
https://stackoverflow.com/questions/44641976/in-pytorch-how-to-add-l1-regularizer-to-activations
## 5. Data loaders
#### Data loaders方便批次處理資料
- Batch_size=8 組資料
- Epoch 10 訓練所有數據10次
## 6. Static and Dynamic graphs
### 靜態計算圖：
Once graph is built, can serialize it and run it without the code that built the graph!
- 只需要建一次圖，每次重複使用，所以執行時不需要程式碼
- 可以找到最佳化圖以後再執行，因為要最佳化所以需要耗費一些成本
- 對於CPU/GPU而言，可以先行配置運算元到能達到最佳利用的配置，完成有效地分散和平行運算，所以從這裡分攤前面的成本
- 沒有彈性，需要用tensorflow專用function來調整（講師說用一個不知道什麼的fun包，看起來會很難懂ㄎㄎ ）
### 動態計算圖：
Graph building and execution are intertwined, so alway need to keep code around!
- 每次執行都建一次圖
- 需保留程式碼，透過追蹤程式的方式來動態執行
- 有彈性，程式碼符合python，簡單明瞭
---
## 問題
| 組別 | 問題 |
|:-------------------:|----------------------|
| 第一組 |1. cuDNN是如何加速運算的？實務上應如何使用？|
| 第二組 |1. 2017年講義第 56 頁，有創 new_w1, new_w2，如果直接放進 sess.run() 中會發生什麼事？為什麼不 w1.assign 到 w1 而是 new_w1？
2.講義 p. 107 頁為何 optimizer.zero_grad()？還有怎麼加入 L1, L2？ |
| 第三組 |報告組|
| 第四組 |1. 我對tensorflow跟GPU迷Ｕ問題
2. 我要翹課again |
---
## 問題回覆
### 第一組
參考出處：https://zhuanlan.zhihu.com/p/83971195
1. cuDNN是如何加速運算的？實務上應如何使用?
- 什麼是CUDA?
CUDA(Compute Unified Device Architecture)，是顯卡廠商NVIDIA推出的運算平台。 CUDA™是一種由NVIDIA推出的通用並行計算架構，該架構使GPU能夠解決複雜的計算問題。
- 什麼是CUDNN?
NVIDIA cuDNN是用於深度神經網絡的GPU加速庫。它強調性能、易用性和低內存開銷。 NVIDIA cuDNN可以集成到更高級別的機器學習框架中，如加州大學伯克利分校的流行caffe軟件。簡單的，插入式設計可以讓開發人員專注於設計和實現神經網絡模型，而不是調整性能，同時還可以在GPU上實現高性能現代並行計算。
- CUDNN怎麼實現加速？
最直接的方式就是利用 cuDNN 這個計算庫。通過將捲積神經網絡的計算變換為對更 GPU 友好的矩陣運算，cuDNN 可以有效提高整個網絡的訓練速度
- 怎麼實現？
先安裝CUDA再去安裝CUDNN
$ tar -xzvf cudnn-9.0-linux-x64-v7.tgz
- 小整理
- CPU適合串行計算，擅長邏輯控制。
- GPU擅長並行高強度並行計算，適用於AI算法的訓練學習
- CUDA 是NVIDIA專門負責管理分配運算單元的框架
- cuDNN是用於深層神經網絡的gpu加速庫
- 在使用GPU訓練模型，可以選擇使用cuDNN加速庫進行加速，當然不使用cudnn時也能夠進行GPU訓練，但是使用cudnn加速後的速度比單純使用GPU訓練時，速度能夠快一倍！
### 第二組
- p.56
tf.group()用於創造一個操作，可以將傳入參數的所有操作進行分組。
``` python
w = tf.Variable(1)
mul = tf.multiply(w, 2)
add = tf.add(w, 2)
group = tf.group(mul, add)
tuple = tf.tuple([mul, add])
# sess.run(group)和sess.run(tuple)都會求Tensor(add)
# Tensor(mul)的值。區別是，tf.group()返回的是`op`
# tf.tuple()返回的是list of tensor。
# 這樣就會導致，sess.run(tuple)的時候，會返回 Tensor(mul),Tensor(add)的值.
# 而 sess.run(group)不會
```
[tensorflow group source code](https://github.com/tensorflow/tensorflow/blob/v2.2.0/tensorflow/python/ops/control_flow_ops.py#L2863-L2921)
``` python
def group(*inputs, **kwargs):
"""Create an op that groups multiple operations.
When this op finishes, all ops in `inputs` have finished. This op has no
output.
See also `tf.tuple` and
`tf.control_dependencies`.
Args:
*inputs: Zero or more tensors to group.
name: A name for this operation (optional).
Returns:
An Operation that executes all its inputs.
Raises:
ValueError: If an unknown keyword argument is provided.
"""
```
- p.107
### 第四組
ㄅㄅ
