From 4c33d55a32da9fe38e310c2b1b3f2d7acd83d62f Mon Sep 17 00:00:00 2001 From: Superjom Date: Fri, 21 Jul 2017 16:39:30 +0800 Subject: [PATCH 1/7] add rnn_design.md --- paddle/operators/rnn_design.md | 10 ++++++++++ 1 file changed, 10 insertions(+) create mode 100644 paddle/operators/rnn_design.md diff --git a/paddle/operators/rnn_design.md b/paddle/operators/rnn_design.md new file mode 100644 index 0000000000000..5c1357348967d --- /dev/null +++ b/paddle/operators/rnn_design.md @@ -0,0 +1,10 @@ +# RNN 变长输入设计 + +## 概述 + +## 变长数据格式 + +## 框架支持方法 +### 在OP间传递SeqPos +### InferShape更新outputs的SeqPos +### 内存复用 From 45072ed2cd2ec99d1438a7e0ff88ae275bb2184e Mon Sep 17 00:00:00 2001 From: Superjom Date: Sun, 23 Jul 2017 15:03:42 +0800 Subject: [PATCH 2/7] add more details --- paddle/operators/rnn_design.md | 56 ++++++++++++++++++++++++++++++++-- 1 file changed, 54 insertions(+), 2 deletions(-) diff --git a/paddle/operators/rnn_design.md b/paddle/operators/rnn_design.md index 5c1357348967d..a43e8f734e2f5 100644 --- a/paddle/operators/rnn_design.md +++ b/paddle/operators/rnn_design.md @@ -1,10 +1,62 @@ # RNN 变长输入设计 +对变长序列的学习，现有主流框架比如 tensorflow, pytorch, caffe2, mxnet 等均使用了padding的方式， +即将一个mini-batch内不同长度的序列补0到固定长度参与计算。 -## 概述 +现有Paddle的 `RecurrentLayerGroup` 实现了无padding的变长序列支持，本文也将基于该模块的思路，设计重构后的变长序列支持。 + +## 非padding 变长序列的意义 +由于tensor必须有明确的shape，因此基于tensor 的主流框架在存储变长序列时， +必须用zero-padding的方式将变长序列补全为固定shape的tensor。 + +由于padding是一种框架实现变长序列的妥协， 从用户角度，在使用RNN类模型时自然会比较介意padding的存在， +因此会有pytorch中对非padding方式变长序列支持长篇的讨论[3]。 + +由于padding对内存和计算会有额外的消耗，tensorflow和mxnet均使用了bucketing来就行优化[1][2]， +但不管是padding还是bucket，对于用户都是额外的使用负担。 + +因此，**paddle原生支持变长序列的方式，能直接满足用户对变长序列的最直接的需求，在当前主流平台中可以算是一大优势**。 + +但对变长序列的支持，需要对目前框架做一些修改，下面讨论如何在最小修改下支持变长序列。 ## 变长数据格式 +目前 Paddle 会将一个mini-batch内的数据存储在一维的内存上， +额外使用 `Argument.sequenceStartPositions` 来存储每个句子的信息。 + +基于当前重构现状，我们使用如下设计来存储变长数据格式 + +- 每个参与到 Op 的`inputs/outputs` 的variable 均有一个对应的variable用来存储序列信息（下面我们称此类variable 为 `SeqPosVar`） +- Op 的 `InferShape` 会更新outputs 的`SeqPosVar` +- 为了兼容序列Op（比如RNN）和传统Op（比如FC），序列的所有元素均flatten追加存储到一个mini-batch中 + - 比如，长度分别为2,3,4的三个句子会存储为一个size为9的`mini-batch` + - 额外会有一个`SeqPosVar`，存储句子的结构，比如offest：`0,2,5,9` + +为了支持sub-sequence，Paddle里使用 `Argument.subSequenceStartPositions` 来存储2维的序列信息，更高维度的序列无法支持； +这里为了扩展性，将SeqPosVar定义成如下数据结构来支持N维的序列信息的存储： + +```c++ +struct SeqPos { + int dim{1}; + std::vector seq_offsets; +}; +``` ## 框架支持方法 +类似Paddle现在的做法，为了支持每个参与inputs/outputs的variable必须有对应的SeqPosVar， +**这里需要框架就行一些修改，有一些trick的成分**。 + +框架需要保证每个参与计算的 variable 均有一个对应的`SeqPosVar`，初步设想在 AddOp 时增量创建 `SeqPosVar`， +在scope里对应的key可以为对应variable的加一个固定的后缀，比如 `@seq-pos` + + ### 在OP间传递SeqPos -### InferShape更新outputs的SeqPos +每个Op的`InferShape` 需要额外更新outputs的SeqPosVar，即使不修改序列信息，也要显式从inputs的SeqPosVar复制给outputs的。 + +如果当前Op (比如RNN)需要用到序列信息，则对input添加后缀 `@seq-pos` 获取其对应的 SeqPosVar，操作之。 + ### 内存复用 +由于当计算图固定时，Op是否修改序列信息是确定的，因此SeqPosVar可以用 `shared_ptr` 支持无内存的复制操作来节约这部分内存消耗。 + +## 参考文献 +1. [Tensorflow Bucketing](https://www.tensorflow.org/versions/r0.12/api_docs/python/contrib.training/bucketing) +2. [mxnet Bucketing](http://mxnet.io/how_to/bucketing.html) +3. [variable length input in RNN scenario](https://discuss.pytorch.org/t/about-the-variable-length-input-in-rnn-scenario/345/5) From a0a2f1bf2c1d4903d9732529af4d353e64e701f5 Mon Sep 17 00:00:00 2001 From: Superjom Date: Tue, 25 Jul 2017 10:59:50 +0800 Subject: [PATCH 3/7] update --- paddle/operators/rnn_design.md | 42 ++++++++++++++++++++++++++-------- 1 file changed, 33 insertions(+), 9 deletions(-) diff --git a/paddle/operators/rnn_design.md b/paddle/operators/rnn_design.md index a43e8f734e2f5..d26de78c40ec6 100644 --- a/paddle/operators/rnn_design.md +++ b/paddle/operators/rnn_design.md @@ -24,7 +24,7 @@ 基于当前重构现状，我们使用如下设计来存储变长数据格式 -- 每个参与到 Op 的`inputs/outputs` 的variable 均有一个对应的variable用来存储序列信息（下面我们称此类variable 为 `SeqPosVar`） +- 扩充 Tensor 以支持存储变长序列的信息（这部分信息后续用SeqPosVar表示） - Op 的 `InferShape` 会更新outputs 的`SeqPosVar` - 为了兼容序列Op（比如RNN）和传统Op（比如FC），序列的所有元素均flatten追加存储到一个mini-batch中 - 比如，长度分别为2,3,4的三个句子会存储为一个size为9的`mini-batch` @@ -36,25 +36,49 @@ ```c++ struct SeqPos { int dim{1}; - std::vector seq_offsets; + std::vector> startPoses; }; ``` +其中，startPoses可以用于存储多维的子序列，具体如下： + +- 如果为1维序列，则 `dim=1`， `startPoses.size() = 1` +- 如果为 2 维序列，则 `dim=2`, `startPoses[0]` 存储第一维序列信息，`startPoses[1:]` 存储第二维序列信息 +- 如果为 n 维序列，则 `dim=n`, `startPoses[0]` 存储第一维序列，后续追加第 `2.. n` 维序列 + - 当有完整的 n 维序列的 `SeqPos` 信息时，可以从前往后，粒度从粗到细解析序列 + - 当拆解成 n-1 维序列时， `dim=n-1`，startPoses 去除第 1 维序列信息，为每个次级序列单独抽取出对应的信息组成新的 `SeqPos` + +Tensor 扩展为 +```c++ +struct TensorWithSequence { + Tensor* tensor; + std::shared_ptr seq_pos; +} +``` + ## 框架支持方法 类似Paddle现在的做法，为了支持每个参与inputs/outputs的variable必须有对应的SeqPosVar， **这里需要框架就行一些修改，有一些trick的成分**。 -框架需要保证每个参与计算的 variable 均有一个对应的`SeqPosVar`，初步设想在 AddOp 时增量创建 `SeqPosVar`， -在scope里对应的key可以为对应variable的加一个固定的后缀，比如 `@seq-pos` +现有框架可以在 `Context` 里添加一个与 `Input` 平行的接口 `InputSeq` 来获取序列信息，具体定义如下 +``` +std::shared_ptr InputSeq(const std::string& name); +``` -### 在OP间传递SeqPos -每个Op的`InferShape` 需要额外更新outputs的SeqPosVar，即使不修改序列信息，也要显式从inputs的SeqPosVar复制给outputs的。 +为了能够将SeqPos在Op的调用关系中传递下去，考虑到一些不支持序列的Op（比如FC）可能丢失SeqPos， +框架需要强制所有的OP的InferShape都必须感知并传递SeqPos， +目前最简单的方式是直接在 OperatorBase的InferShape里设置 -如果当前Op (比如RNN)需要用到序列信息，则对input添加后缀 `@seq-pos` 获取其对应的 SeqPosVar，操作之。 +```c++ +void InferShape(const std::shared_ptr& scope) { + CopyInSeqToOut(); + // ... +} -### 内存复用 -由于当计算图固定时，Op是否修改序列信息是确定的，因此SeqPosVar可以用 `shared_ptr` 支持无内存的复制操作来节约这部分内存消耗。 +// if inputs has SeqPos, copy to output. +void CopyInSeqToOut(); +``` ## 参考文献 1. [Tensorflow Bucketing](https://www.tensorflow.org/versions/r0.12/api_docs/python/contrib.training/bucketing) From 1328060abc6222c9b92b6c322262332f73acf1ac Mon Sep 17 00:00:00 2001 From: Superjom Date: Tue, 25 Jul 2017 13:07:56 +0800 Subject: [PATCH 4/7] update2 --- paddle/operators/rnn_design.md | 64 ++++++++++++++++++++++++++++++++++ 1 file changed, 64 insertions(+) diff --git a/paddle/operators/rnn_design.md b/paddle/operators/rnn_design.md index d26de78c40ec6..04abe8f59e0ba 100644 --- a/paddle/operators/rnn_design.md +++ b/paddle/operators/rnn_design.md @@ -80,6 +80,70 @@ void InferShape(const std::shared_ptr& scope) { void CopyInSeqToOut(); ``` +## 根据长度排序 +按照长度排序后，从前往后的时间步的batch size会自然地递减，这是 Net 支持的 + +比如： + +``` +origin: +xxxx +xx +xxx + +-> sorted: +xx +xxx +xxxx +``` + +经过 `SegmentInputs` 之后，每个会有4个时间步，每个时间步的输入如下（纵向排列） + +``` +0 1 2 3 +x x x x +x x x +x x +``` + +为了追踪排序前后序列的变化，这里用 +```c++ +struct SortedSeqItem { + void *start{nullptr}; + void *end{nullptr}; +}; + +std::vector sorted_seqs; +``` +来追踪序列排序后的位置。 + +对比现有设计，只需要修改 `SegmentInputs` 和 `ConcatOutputs` 两个接口，此外添加一个 `SortBySeqLen` 的接口， +就可以支持上述变长序列，下面详细介绍。 +## SegmentInputs +`SegmentInputs` 会依赖 `sorted_seqs` 的信息，将原始的序列按照排序后的序列顺序，从横向切割，转为每个step中的inputs。 + +即下面的转变： +``` +origin: +xxxx +xx +xxx + + | + | + \ / + * +0 1 2 3 +x x x x +x x x +x x +``` +## ConcatOutputs +`ConcatOutputs` 需要 + +- 将每个时间步的输出重新还原为原始输入的序列顺序（以防止Infer阶段顺序打乱） +- 将序列折叠，在batch维度上展开 + ## 参考文献 1. [Tensorflow Bucketing](https://www.tensorflow.org/versions/r0.12/api_docs/python/contrib.training/bucketing) 2. [mxnet Bucketing](http://mxnet.io/how_to/bucketing.html) From a74e7981033b078de477b7b7452e8322c9933575 Mon Sep 17 00:00:00 2001 From: Superjom Date: Thu, 27 Jul 2017 17:14:54 +0800 Subject: [PATCH 5/7] add an appendix to explain sequence info data structure --- paddle/operators/rnn_design.md | 133 +++++++++++++++++++++++++++++---- 1 file changed, 117 insertions(+), 16 deletions(-) diff --git a/paddle/operators/rnn_design.md b/paddle/operators/rnn_design.md index 04abe8f59e0ba..ffeb37563dfdc 100644 --- a/paddle/operators/rnn_design.md +++ b/paddle/operators/rnn_design.md @@ -31,29 +31,80 @@ - 额外会有一个`SeqPosVar`，存储句子的结构，比如offest：`0,2,5,9` 为了支持sub-sequence，Paddle里使用 `Argument.subSequenceStartPositions` 来存储2维的序列信息，更高维度的序列无法支持； -这里为了扩展性，将SeqPosVar定义成如下数据结构来支持N维的序列信息的存储： +这里为了扩展性，将SeqPosVar定义成如下数据结构来支持N维的序列信息的存储 ```c++ -struct SeqPos { - int dim{1}; - std::vector> startPoses; -}; +std::vector > seq_start_positions_; ``` -其中，startPoses可以用于存储多维的子序列，具体如下： - -- 如果为1维序列，则 `dim=1`， `startPoses.size() = 1` -- 如果为 2 维序列，则 `dim=2`, `startPoses[0]` 存储第一维序列信息，`startPoses[1:]` 存储第二维序列信息 -- 如果为 n 维序列，则 `dim=n`, `startPoses[0]` 存储第一维序列，后续追加第 `2.. n` 维序列 - - 当有完整的 n 维序列的 `SeqPos` 信息时，可以从前往后，粒度从粗到细解析序列 - - 当拆解成 n-1 维序列时， `dim=n-1`，startPoses 去除第 1 维序列信息，为每个次级序列单独抽取出对应的信息组成新的 `SeqPos` +附录中演示如何用二维的vector来存储多个 level 的变长序列的start position. Tensor 扩展为 ```c++ -struct TensorWithSequence { - Tensor* tensor; - std::shared_ptr seq_pos; -} +/* + * Tensor storing sequences. + */ +class TensorWithSequence { +public: + Tenser *tensor() { return tensor_; } + + /* + * get an element of current level. + */ + TensorWithSequence Element(int element) const; + + /* + * get an element of n-th level. + * NOTE low performance. + */ + TensorWithSequence Element(int level, int element) const; + + /* + * get number of elements in n-th level. + */ + size_t Elements(int level = 0) const; + + /* + * get the number of levels of sequences. + */ + size_t Levels() const; + + /* + * copy other's pointers to share their data. + */ + void ShareDataFrom(const TensorWithSequence &other); + + /* + * just copy other's sequence info (use shared_ptr to share memory). + */ + void ShareSeqPosFrom(const TensorWithSequence &other); + + /* + * copy others' sequence info for mutation. + */ + void CopySeqPosFrom(const TensorWithSequence &other); + +private: + Tensor *tensor_; + /* + * store start positions of all levels. + * + * data format like + * + * 0-th level start positions + * 1-th level, element 0, start positions + * 1-th level, element 1, start positions + * ... + * 1-th level, element k, start positions + * 2-th level, element 0, start positions + * 2-th level, element 1, start positions + * ... + * 2-th level, element n, start positions + * ... + * + */ + std::vector < std::vector> seq_start_positions_; +}; ``` ## 框架支持方法 @@ -144,6 +195,56 @@ x x - 将每个时间步的输出重新还原为原始输入的序列顺序（以防止Infer阶段顺序打乱） - 将序列折叠，在batch维度上展开 +## 附录 +这里演示多level的变长序列的存储方法，本设计会用两层的`vector` 来存储所有序列的信息，具体数据格式如下 + +```c++ +std::vector < std::vector> seq_start_positions_; +``` +为了方便讨论，可以临时修改为 +```c++ +typedef std::vector element_t; +std::vector seq_start_positions_; +``` + +假设tensor 里按batch存储 instance作为基本单位， +默认序列里的元素都是相邻排列， +因此只需要以instance 为基本单位， +记录 start position就可以分解出每个序列的信息。 + +`seq_start_positions_` 里从上往下存储着 `level 0 ~ level L`的元素，可以认为level越小，表示的序列粒度越大。 +比如存储 `batch of paragraphs` 则有 + +- `level 0` 存储 paragraphs 的 start positions +- `level 1` 存储 sentences 的 start positions + +因为 tensor 里存储着batch of words，所以以上两个level的start positions的单位均为word。 + +具体地，假设有如下例子，比如需要存储 batch of paragraphs，tensor中存储了 batch of words，而序列信息如下 + +- paragraph 0 has 3 sentences: + - sentence 0 has 3 words + - sentence 1 has 4 words + - sentence 2 has 2 words +- paragraph 1 has 2 sentences: + - sentence 0 has 5 words + - sentence 1 has 3 words + +那么`seq_start_positions_` 会有如下内容 + +- 0 9(=3+4+2) +- 0 3 7 +- 0 5 + +其中每行是一个 `element_t`，具体含义如下 + +- `seq_start_positions_[0]` 存储了`0 9` ，表示paragraph 0 在 tensor 中的偏移为 0，对应地， paragraph 1 为 9 (以word 为单位) +- 从 `seq_start_positions_[0]` 中可以知道，当前 `mini-batch` 总共只有 2 个 paragraph，因此后续的两个 `element_t` 分别存储了两个 paragraph 中句子的信息 +- 紧接着`seq_start_positions_[1]` 存储了第0个paragraph 的信息，表明有3个sentence，其在paragraph 0在tensor中对应部分的偏移分别为0,3 和7 +- 紧接着`seq_start_positions_[2]` 存储了第1个paragraph 的信息，表明有2个sentence，其在paragraph 0在tensor中对应部分的偏移分别为0和 5 + +如上证明了`seq_start_positions_`的数据结构适用于 level 为 1（也就是Paddle中subseq），通过归纳法可以证明其适用于 N level 的序列，这里暂不赘述。 + ## 参考文献 1. [Tensorflow Bucketing](https://www.tensorflow.org/versions/r0.12/api_docs/python/contrib.training/bucketing) 2. [mxnet Bucketing](http://mxnet.io/how_to/bucketing.html) From d3213e4ca3e1c56e74583d7e67e8d1c41f1987ef Mon Sep 17 00:00:00 2001 From: Superjom Date: Thu, 27 Jul 2017 17:32:55 +0800 Subject: [PATCH 6/7] fix pr --- paddle/operators/rnn_design.md | 19 +++++++++++-------- 1 file changed, 11 insertions(+), 8 deletions(-) diff --git a/paddle/operators/rnn_design.md b/paddle/operators/rnn_design.md index ffeb37563dfdc..35269b7647a8b 100644 --- a/paddle/operators/rnn_design.md +++ b/paddle/operators/rnn_design.md @@ -2,7 +2,7 @@ 对变长序列的学习，现有主流框架比如 tensorflow, pytorch, caffe2, mxnet 等均使用了padding的方式， 即将一个mini-batch内不同长度的序列补0到固定长度参与计算。 -现有Paddle的 `RecurrentLayerGroup` 实现了无padding的变长序列支持，本文也将基于该模块的思路，设计重构后的变长序列支持。 +现有Paddle包括 `RecurrentLayerGroup` 在内的RNN均实现了无padding的变长序列支持，本文也将基于该模块的思路，设计重构后的变长序列支持。 ## 非padding 变长序列的意义 由于tensor必须有明确的shape，因此基于tensor 的主流框架在存储变长序列时， @@ -11,7 +11,7 @@ 由于padding是一种框架实现变长序列的妥协， 从用户角度，在使用RNN类模型时自然会比较介意padding的存在， 因此会有pytorch中对非padding方式变长序列支持长篇的讨论[3]。 -由于padding对内存和计算会有额外的消耗，tensorflow和mxnet均使用了bucketing来就行优化[1][2]， +由于padding对内存和计算会有额外的消耗，tensorflow和mxnet均使用了bucketing来进行优化[1][2]， 但不管是padding还是bucket，对于用户都是额外的使用负担。 因此，**paddle原生支持变长序列的方式，能直接满足用户对变长序列的最直接的需求，在当前主流平台中可以算是一大优势**。 @@ -143,9 +143,9 @@ xx xxx -> sorted: -xx -xxx xxxx +xxx +xx ``` 经过 `SegmentInputs` 之后，每个会有4个时间步，每个时间步的输入如下（纵向排列） @@ -168,8 +168,11 @@ std::vector sorted_seqs; ``` 来追踪序列排序后的位置。 -对比现有设计，只需要修改 `SegmentInputs` 和 `ConcatOutputs` 两个接口，此外添加一个 `SortBySeqLen` 的接口， +对比现有设计，只需要修改 `InitMemories`, `SegmentInputs` 和 `ConcatOutputs` 两个接口，此外添加一个 `SortBySeqLen` 的接口， 就可以支持上述变长序列，下面详细介绍。 +## InitMemories +由于序列顺序的变化，`boot_memories` 的batch上的element的顺序也需要对应重新排列。 + ## SegmentInputs `SegmentInputs` 会依赖 `sorted_seqs` 的信息，将原始的序列按照排序后的序列顺序，从横向切割，转为每个step中的inputs。 @@ -183,7 +186,7 @@ xxx | | \ / - * + ! 0 1 2 3 x x x x x x x @@ -193,7 +196,7 @@ x x `ConcatOutputs` 需要 - 将每个时间步的输出重新还原为原始输入的序列顺序（以防止Infer阶段顺序打乱） -- 将序列折叠，在batch维度上展开 +- 将每个序列concat 为规则的mini-batch表示 ## 附录 这里演示多level的变长序列的存储方法，本设计会用两层的`vector` 来存储所有序列的信息，具体数据格式如下 @@ -243,7 +246,7 @@ std::vector seq_start_positions_; - 紧接着`seq_start_positions_[1]` 存储了第0个paragraph 的信息，表明有3个sentence，其在paragraph 0在tensor中对应部分的偏移分别为0,3 和7 - 紧接着`seq_start_positions_[2]` 存储了第1个paragraph 的信息，表明有2个sentence，其在paragraph 0在tensor中对应部分的偏移分别为0和 5 -如上证明了`seq_start_positions_`的数据结构适用于 level 为 1（也就是Paddle中subseq），通过归纳法可以证明其适用于 N level 的序列，这里暂不赘述。 +如上证明了`seq_start_positions_`的数据结构适用于 level 为 1（也就是Paddle中subseq）， **通过归纳法可以证明其适用于 N level 的序列，这里暂不赘述** 。 ## 参考文献 1. [Tensorflow Bucketing](https://www.tensorflow.org/versions/r0.12/api_docs/python/contrib.training/bucketing) From 226bf1dded770d394cb41d9254b3b06b3f00d1ea Mon Sep 17 00:00:00 2001 From: Superjom Date: Fri, 28 Jul 2017 14:01:55 +0800 Subject: [PATCH 7/7] update more details --- paddle/operators/rnn_design.md | 273 ++++++++++++++++----------------- 1 file changed, 129 insertions(+), 144 deletions(-) diff --git a/paddle/operators/rnn_design.md b/paddle/operators/rnn_design.md index 35269b7647a8b..3d38b9a0ad225 100644 --- a/paddle/operators/rnn_design.md +++ b/paddle/operators/rnn_design.md @@ -4,7 +4,7 @@ 现有Paddle包括 `RecurrentLayerGroup` 在内的RNN均实现了无padding的变长序列支持，本文也将基于该模块的思路，设计重构后的变长序列支持。 -## 非padding 变长序列的意义 +## 背景介绍 由于tensor必须有明确的shape，因此基于tensor 的主流框架在存储变长序列时， 必须用zero-padding的方式将变长序列补全为固定shape的tensor。 @@ -18,123 +18,146 @@ 但对变长序列的支持，需要对目前框架做一些修改，下面讨论如何在最小修改下支持变长序列。 -## 变长数据格式 +## 多层序列数据格式 `LODTensor` 目前 Paddle 会将一个mini-batch内的数据存储在一维的内存上， 额外使用 `Argument.sequenceStartPositions` 来存储每个句子的信息。 -基于当前重构现状，我们使用如下设计来存储变长数据格式 +Paddle里使用 `Argument.subSequenceStartPositions` 来存储2层的序列信息，更高维度的序列则无法直接支持； -- 扩充 Tensor 以支持存储变长序列的信息（这部分信息后续用SeqPosVar表示） -- Op 的 `InferShape` 会更新outputs 的`SeqPosVar` -- 为了兼容序列Op（比如RNN）和传统Op（比如FC），序列的所有元素均flatten追加存储到一个mini-batch中 - - 比如，长度分别为2,3,4的三个句子会存储为一个size为9的`mini-batch` - - 额外会有一个`SeqPosVar`，存储句子的结构，比如offest：`0,2,5,9` - -为了支持sub-sequence，Paddle里使用 `Argument.subSequenceStartPositions` 来存储2维的序列信息，更高维度的序列无法支持； -这里为了扩展性，将SeqPosVar定义成如下数据结构来支持N维的序列信息的存储 +为了支持 `N-level` 序列的存储，本文将序列信息定义成如下数据结构: ```c++ -std::vector > seq_start_positions_; +std::shared_ptr>> lod_start_pos_; ``` -附录中演示如何用二维的vector来存储多个 level 的变长序列的start position. +或者更明确的定义 -Tensor 扩展为 ```c++ -/* - * Tensor storing sequences. - */ -class TensorWithSequence { +typedef std::vector level_t; +std::vector lod_start_pos; +``` + +这里的每一个 `level_t` 存储一个粒度(level)的偏移信息，和paddle目前做法一致。 + +为了更透明地传递序列信息，我们引入了一种新的tensor 称为 `LODTensor`[4]， +其关于tensor相关的接口都直接继承自 `Tensor`，但另外添加了序列相关接口。 +如此，在操作一个 `LODTensor` 时，普通 `Op` 直接当成 `Tensor` 使用， +而操作序列的 `Op` 会额外操作 `LODTensor` 的变长序列操作的相关接口。 + +`LODTensor` 具体定义如下： + +```c++ +class LODTensor : public Tensor { public: - Tenser *tensor() { return tensor_; } - - /* - * get an element of current level. - */ - TensorWithSequence Element(int element) const; - - /* - * get an element of n-th level. - * NOTE low performance. - */ - TensorWithSequence Element(int level, int element) const; - - /* - * get number of elements in n-th level. - */ - size_t Elements(int level = 0) const; - - /* - * get the number of levels of sequences. - */ - size_t Levels() const; - - /* - * copy other's pointers to share their data. - */ - void ShareDataFrom(const TensorWithSequence &other); - - /* - * just copy other's sequence info (use shared_ptr to share memory). - */ - void ShareSeqPosFrom(const TensorWithSequence &other); - - /* - * copy others' sequence info for mutation. - */ - void CopySeqPosFrom(const TensorWithSequence &other); + size_t Levels() const { return seq_start_positions_.size(); } + size_t Elements(int level = 0) const { + return seq_start_positions_[level].size(); + } + // slice of level[elem_begin: elem_end] + // NOTE low performance in slice seq_start_positions_. + // TODO should call Tensor's Slice. + LODTensor LODSlice(int level, int elem_begin, int elem_end) const; + + // slice with tensor's data shared with this. + LODTensor LODSliceShared(int level, int elem_begin, int elem_end) const; + + // copy other's lod_start_pos_, to share LOD info. + // NOTE the LOD info sould not be changed. + void ShareConstLODFrom(const LODTensor &other) { + lod_start_pos_ = other.lod_start_pos_; + } + // copy other's lod_start_pos_'s content, free to mutate. + void ShareMutableLODFrom(const LODTensor &other) { + lod_start_pos_ = std::make_shared < + std::vector>(other.lod_start_pos_.begin(), + other.lod_start_pos_.end()); + } private: - Tensor *tensor_; - /* - * store start positions of all levels. - * - * data format like - * - * 0-th level start positions - * 1-th level, element 0, start positions - * 1-th level, element 1, start positions - * ... - * 1-th level, element k, start positions - * 2-th level, element 0, start positions - * 2-th level, element 1, start positions - * ... - * 2-th level, element n, start positions - * ... - * - */ - std::vector < std::vector> seq_start_positions_; + std::shared_ptr>> lod_start_pos_; }; ``` -## 框架支持方法 -类似Paddle现在的做法，为了支持每个参与inputs/outputs的variable必须有对应的SeqPosVar， -**这里需要框架就行一些修改，有一些trick的成分**。 +其中， `lod_start_pos_` 使用了 `shared_ptr` 来减少存储和复制的代价， +可以认为 `LODTensor` 是 `Tensor` 的扩展，几乎完全兼容原始 `Tensor` 的使用。 -现有框架可以在 `Context` 里添加一个与 `Input` 平行的接口 `InputSeq` 来获取序列信息，具体定义如下 +## 框架支持 +### 框架现有的 `Tensor` 调用替换为 `LODTensor` +为了实现 `LODTensor` 的传递，框架里很多 `Tensor` 都需要变成 `LODTensor`， +简单实现，直接 **把之前所有的`Tensor` 全部替换成 `LODTensor`，这里可以直接修改 `pybind.cc` 里面创建`Tensor`的接口**。 -``` -std::shared_ptr InputSeq(const std::string& name); -``` +此外，用户有可能需要感知序列的存在（比如序列的可视化需要解析模型中输出的序列），因此一些序列操作的API也需要暴露到 python 层。 + +### `lod_start_pos` 随着Op调用链传递 +框架需要支持下列特性，以实现`lod_start_pos`的传递： + +1. 以 `shared_ptr` 的方式实现传递 + - 不修改 `lod_start_pos` 内容的作为 consumer + - 修改 `lod_start_pos` 的作为 producer + - 约定 consumer 只需要复制传递过来的 `shared_ptr` + - producer 需要创建自己的独立的内存，以存储自己独立的修改，并暴露 `shared_ptr` 给后续 consumer + - 由于传递过程是以复制`shared_ptr`的方式实现，因此框架只需要传递一次 `lod_start_pos` + +2. 对于不感知 `lod_start_pos` 的Op足够透明 +3. 需要修改 `lod_start_pos` 的producer Op可以在 `Run` 时更新自己的 `lod_start_pos` 数据 + +具体的设计分为以下3小节 -为了能够将SeqPos在Op的调用关系中传递下去，考虑到一些不支持序列的Op（比如FC）可能丢失SeqPos， -框架需要强制所有的OP的InferShape都必须感知并传递SeqPos， -目前最简单的方式是直接在 OperatorBase的InferShape里设置 +#### `load_start_pos` 的传递 + +- 对于不需要修改 `lod_start_pos` 的情况，调用 LODTensor的 `ShareConstLODFrom` 接口实现复制 +- 需要修改的，调用`ShareMutableLODFrom` 接口自己分配内存以存储修改 + +#### 框架透明 +传递这一步需要加入到网络跑之前的初始化操作中，并且只需要初始化一次，基于当前框架设计的初步方案如下 + +- 在 Op 的 `attrs` 中添加一项 `do_mutate_lod_info` 的属性，默认为 `false` + - 有需要修改 `lod_start_pos` 的Op需要在定义 `OpProto` 时设置为 `true` +- `OperatorBase` 的 `InferShape` 中会读取 `do_mutate_lod_info` ，并且调用 `LODTensor` 相关的方法实现 `lod_start_pos` 的复制。 +- `OperatorBase` 中添加一个 member `is_lod_inited{false}` 来保证传递只进行一次 + +一些逻辑如下 ```c++ -void InferShape(const std::shared_ptr& scope) { - CopyInSeqToOut(); +class OperatorBase { +public: // ... -} + void InferShape() { + if (!is_load_inited) { + bool do_mutate_lod_info = GetAttr("do_mutate_load_info"); + // find a input having LOD to copy + auto lod_input = ValidLODInput(); + for (auto &output : outputs) { + if (do_mutate_load_info) { + output.ShareMutableLODFrom(lod_input); + } else { + output.ShareConstLODFrom(load_input); + } + } + is_pod_inited = true; + } + + // call op's InferShape + // ... + } -// if inputs has SeqPos, copy to output. -void CopyInSeqToOut(); +private: + // ... + bool is_lod_inited{false}; +}; ``` +如此，`lod_start_pos` 的信息的传递对非OLD的Op的实现是完全透明的。 + +#### `lod_start_pos` 的更新 +上一小节介绍到，对于需要修改 `load_start_pos` 的Op，`OperatorBase` 会分配一块自己的内存以存储修改， +Op在 `Run` 的实现中，操作更新自己的 `load_start_pos` ， +而所有依赖其 outputs 的 op 会通过共享的指针自动获取到其更新。 + ## 根据长度排序 -按照长度排序后，从前往后的时间步的batch size会自然地递减，这是 Net 支持的 +按照长度排序后，从前往后的时间步的batch size会自然地递减，可以直接塞入 Net 做batch计算 -比如： +比如原始的输入： ``` origin: @@ -166,10 +189,21 @@ struct SortedSeqItem { std::vector sorted_seqs; ``` -来追踪序列排序后的位置。 +来追踪序列排序后的位置，并添加一个新的接口 + +```c++ +std::vector SortBySeqLen(const LODTensor& tensor); +``` + +由于输入序列的顺序变化，以下现有的接口需要针对性地修改： + +- InitMemories, memory需要根据 `sorted_seqs` 重新排列 +- SetmentInputs +- ConcatOutputs + +此外，由于 `sorted_seqs` 需要被 `RecurrentGradientOp` 复用，因此会变成 `RecurrentOp` 一个新的output输出， +之后作为 `RecurrentGradientOp` 的一个输入传入。 -对比现有设计，只需要修改 `InitMemories`, `SegmentInputs` 和 `ConcatOutputs` 两个接口，此外添加一个 `SortBySeqLen` 的接口， -就可以支持上述变长序列，下面详细介绍。 ## InitMemories 由于序列顺序的变化，`boot_memories` 的batch上的element的顺序也需要对应重新排列。 @@ -198,57 +232,8 @@ x x - 将每个时间步的输出重新还原为原始输入的序列顺序（以防止Infer阶段顺序打乱） - 将每个序列concat 为规则的mini-batch表示 -## 附录 -这里演示多level的变长序列的存储方法，本设计会用两层的`vector` 来存储所有序列的信息，具体数据格式如下 - -```c++ -std::vector < std::vector> seq_start_positions_; -``` -为了方便讨论，可以临时修改为 -```c++ -typedef std::vector element_t; -std::vector seq_start_positions_; -``` - -假设tensor 里按batch存储 instance作为基本单位， -默认序列里的元素都是相邻排列， -因此只需要以instance 为基本单位， -记录 start position就可以分解出每个序列的信息。 - -`seq_start_positions_` 里从上往下存储着 `level 0 ~ level L`的元素，可以认为level越小，表示的序列粒度越大。 -比如存储 `batch of paragraphs` 则有 - -- `level 0` 存储 paragraphs 的 start positions -- `level 1` 存储 sentences 的 start positions - -因为 tensor 里存储着batch of words，所以以上两个level的start positions的单位均为word。 - -具体地，假设有如下例子，比如需要存储 batch of paragraphs，tensor中存储了 batch of words，而序列信息如下 - -- paragraph 0 has 3 sentences: - - sentence 0 has 3 words - - sentence 1 has 4 words - - sentence 2 has 2 words -- paragraph 1 has 2 sentences: - - sentence 0 has 5 words - - sentence 1 has 3 words - -那么`seq_start_positions_` 会有如下内容 - -- 0 9(=3+4+2) -- 0 3 7 -- 0 5 - -其中每行是一个 `element_t`，具体含义如下 - -- `seq_start_positions_[0]` 存储了`0 9` ，表示paragraph 0 在 tensor 中的偏移为 0，对应地， paragraph 1 为 9 (以word 为单位) -- 从 `seq_start_positions_[0]` 中可以知道，当前 `mini-batch` 总共只有 2 个 paragraph，因此后续的两个 `element_t` 分别存储了两个 paragraph 中句子的信息 -- 紧接着`seq_start_positions_[1]` 存储了第0个paragraph 的信息，表明有3个sentence，其在paragraph 0在tensor中对应部分的偏移分别为0,3 和7 -- 紧接着`seq_start_positions_[2]` 存储了第1个paragraph 的信息，表明有2个sentence，其在paragraph 0在tensor中对应部分的偏移分别为0和 5 - -如上证明了`seq_start_positions_`的数据结构适用于 level 为 1（也就是Paddle中subseq）， **通过归纳法可以证明其适用于 N level 的序列，这里暂不赘述** 。 - ## 参考文献 1. [Tensorflow Bucketing](https://www.tensorflow.org/versions/r0.12/api_docs/python/contrib.training/bucketing) 2. [mxnet Bucketing](http://mxnet.io/how_to/bucketing.html) 3. [variable length input in RNN scenario](https://discuss.pytorch.org/t/about-the-variable-length-input-in-rnn-scenario/345/5) +4. [Level of details](https://en.wikipedia.org/wiki/Level_of_detail)