PyTorch 程式碼風格探討


Posted by Po-Jen on 2021-05-10

前言

用好的風格寫程式,不僅讓別人的生活更加美麗,也是對未來的自己仁慈 XD

今天要分享一下 pytorch-styleguide 這個 github 上的 repository,並記錄我自己的心得,希望可以吸收消化裡面值得參考的部分。

命名

保持命名的 consistency 真的滿重要的,雖然很基本不過還是會有一些管理不佳的程式碼會存在 naming convention 不同的問題。即便不影響功能,但對於管理跟未來閱讀程式碼都是增加不必要的認知負擔,所以有意識地提醒自己做好這一塊還是滿重要的。

檔案架構

一般來說,當在實作一些比較表現較佳或是較進階的 model,通常都會需要實作自己的一些 neural network、custom loss,甚至會需要實作額外的 C++ extension function(例如寫出更有效率的 GPU code),所以怎麼保持 project 架構的乾淨就很重要。

在檔案分配上,我們會希望盡量模組化、讓各檔案保持單純,所以常見的做法是有幾個基本的檔案:

  • xxx_networks.py:實作某個 neural network
  • layers.py:實作一些基本的 neural network block,以供 xxx_networks.py 使用
  • losses.py:實作 loss functions
  • ops.py:實作自己客製化的 operations
  • dataset.py:實作自己的 dataset class(我是習慣把建立 dataloader 的 function 也放在這裡面)

最後可能會再用一個 train.py 去使用 xxx_networks.py 跟 losses.py 的 class 來寫出 training loop。

接下來舉點例子:

  • layers.py
import torch.nn as nn

class ConvBlock(nn.Module):
    def __init__(self):
        super(ConvBlock, self).__init__()
        self.block = nn.Sequential(
            nn.Conv2d(...), 
            nn.ReLU(), 
            nn.BatchNorm2d(...)
        )  

    def forward(self, x):
        return self.block(x)

class ResnetBlock(nn.Module):
    def __init__(self, dim, padding_type, norm_layer, use_dropout, use_bias):
        super(ResnetBlock, self).__init__()
        self.conv_block = self.build_conv_block(...)

    def build_conv_block(self, ...):
        conv_block = []

        conv_block += [nn.Conv2d(...),
                       norm_layer(...),
                       nn.ReLU()]
        if use_dropout:
            conv_block += [nn.Dropout(...)]

        conv_block += [nn.Conv2d(...),
                       norm_layer(...)]

        return nn.Sequential(*conv_block)

    def forward(self, x):
        out = x + self.conv_block(x)
        return out
  • simple_network.py
import torch.nn as nn
from layers import (
    ConvBlock,
    ResnetBlock
)

class SimpleNetwork(nn.Module):
    def __init__(self, num_resnet_blocks=6):
        super(SimpleNetwork, self).__init__()
        layers = [ConvBlock(...)]
        for i in range(num_resnet_blocks):
            layers += [ResBlock(...)]
        self.net = nn.Sequential(*layers)

    def forward(self, x):
        return self.net(x)
  • losses.py
import torch.nn as nn

class CustomLoss(nn.Module):
    def __init__(self):
        super(CustomLoss, self).__init__()

    def forward(self,x,y):
        loss = torch.mean((x - y)**2)
        return loss
  • train.py
# import statements
import torch
import torch.nn as nn
from itertools import islice
from losses import CustomLoss
from simple_network import SimpleNetwork
from torch.nn.parallel import DistributedDataParallel as DDP


if __name__ == '__main__':
    # Parse arguments
    parser = argparse.ArgumentParser()
    opt = parser.parse_args() 
    ...

    # Setup training data    
    train_dataset = ...
    train_data_loader = data.DataLoader(train_dataset, ...)

    test_dataset = ...
    test_data_loader = data.DataLoader(test_dataset ...)
    ...

    # Instantiate network
    net = SimpleNetwork(...)

    # Create losses (criterion in pytorch)
    criterion = CustomLoss()

    # If running on GPU(可以增進 model 訓練速度)
    use_cuda = torch.cuda.is_available()
    if use_cuda:
        net = net.cuda()

    optim = torch.optim.Adam(net.parameters(), lr=opt.lr)

    # load checkpoint if needed/ wanted
    start_n_iter = 0
    start_epoch = 0
    if opt.resume:
        ckpt = load_checkpoint(opt.path_to_checkpoint) # custom method for loading last checkpoint
        net.load_state_dict(ckpt['net'])
        start_epoch = ckpt['epoch']
        start_n_iter = ckpt['n_iter']
        optim.load_state_dict(ckpt['optim'])
        print("last checkpoint restored")
        ...    

    # Run on multiple node/GPU (PyTorch 的 Distributed Data Parallel 是滿好用的工具,可以做到 multi-node、multi-GPU 的 training,在業界上應該是很常需要使用,畢竟這可以大幅縮短訓練時間,代價是要用到更多機器)
    net = DDP(net)
    ...

    # Start the main loop
    n_iter = start_n_iter
    for epoch in range(start_epoch, opt.epochs):
        # Set models to train mode
        net.train()

        for data in islice(train_data_loader, files_in_an_epoch):
            img, label = data
            if use_cuda:
                img = img.cuda()
                label = label.cuda()
            ...

            # Forward pass
            output = net(img)

            # Calculate loss
            loss = criterion(output, label)

            # Backward pass
            optim.zero_grad()
            loss.backward()
            optim.step()

        # Do a test pass every x epochs and save checkpoint
        if epoch % x == x-1:
            net.eval()

            # 用 torch.no_grad 可以省下不少 memory usage
            with torch.no_grad:
               # Do tests using data from test_dataloader

            # Save checkpoint 
            ...

一些注意事項

  1. 假設你今天使用 multi-node training,PyTorch 的 DDP 是 synchronize gradients,所以如果你的 model 裡面有 batch norm layer,那要注意 running mean/variance 在各個 node 上面可能會不同(因為通常我們會做 dataset sharding,讓各個 node 看到的),這可能會使得 training 時有些許的 instability。
  2. 為了保持 code 的乾淨簡單,上面的 train.py 範例我移掉了 tqdm、tensorboard 等東西,但實際應用時,這些都滿方便的。

總結

今天簡單分享了一些撰寫 PyTorch 程式碼的 tips,這份 guide 裡面還有很多小 tips 我沒有一一寫進來,但其實也沒必要寫,因為各 project 不同的細節還有太多。當你自己投入去做一個頗具規模的 PyTorch project 時,你會發現 PyTorch Forum 跟 PyTorch github repo 裡面的不少討論串是你的好夥伴。

另外網路上有不少的 open source project 也都有類似的架構,有興趣的讀者不妨去看一些自己感興趣的 PyTorch project 學習高手們的寫法。

延伸閱讀

  1. Pytorch Coding Conventions 討論串
  2. A Gentle Introduction to Multi GPU and Multi Node Distributed Training

#PyTorch









Related Posts

資訊安全-密碼

資訊安全-密碼

[Day 03] 觀察者模式,命令模式,轉接器模式,表象模式

[Day 03] 觀察者模式,命令模式,轉接器模式,表象模式

MTR04_0731

MTR04_0731


Sponsored



Newsletter




Comments