如何用C++实现自己的Tensorflow

关注

翻译最新推荐文章于 2026-07-09 22:06:39 发布 3.6w 阅读 AI 写同款· GEO 优化 ›

c++调用tensorflow 目前深度学习越来越火，学习、使用tensorflow的相关工作者也越来越多。但是目前绝大部分的python都是拥有着丰富的python的API，而c++的API不够完善。这就导致绝大多是使用tensorflow的项目都是基于python。如果项目是由c++编写，想调用python下的tensorflow？可参考本教程（tensorflow模型是CNN卷积神经网络）：具体步骤： 1.pyt... 阅读详情

原文：How To Write Your Own Tensorflow in C++
作者：Ray Zhang
翻译：无阻我飞扬

摘要：TensorFlow是由谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理，它完全开源，作者通过自己的一个小项目，阐述了如何用C++实现自己的TensorFlow，这篇文章看起来可能会有点晦涩，你需要对相关知识有所了解。以下是译文。

在我们开始之前，以下是代码：

我和Minh Le一起做了这个项目。

为什么？

如果你是CS专业的人员，可能听过这句“不要使自己陷入_”的话无数次。CS有加密、标准库、解析器等等。我觉得现在还应该包含ML库。

不管事实如何，它仍然是一个值得学习的惊人的教训。人们现在认为TensorFlow和类似的库是理所当然的；把它们当成是一个黑盒子，让其运行。没有多少人知道后台发生了什么。这真是一个非凸的优化问题！不要停止搅拌那堆东西，直到它看起来合适为止（结合下图及机器学习系统知识去理解这句话）。

这里写图片描述

Tensorflow

TensorFlow是由Google开源的一个深度学习库。在TensorFlow的内核，有一个大的组件，将操作串在一起，行成一个叫做 运算符图 的东西。这个运算符图是一个有向图 $G = (V,E)$ ,在某些节点 $u_1,u_2,…,u_n,v \in V$ 和 $e_1,e_2,…,e_n \in E, e_i = (u_i,v)$ 存在某些运算符将 $u_1,…,u_n$ 映射到 $v$ 。

例如，如果我们有x + y = z，那么 $(x,z), (y,z) \in E$ 。

这对于评估算术表达式非常有用。我们可以通过寻找运算符图中的 sinks来得到结果。 Sinks是诸如 $v \in V, \nexists e = (v, u)$ 这样的顶点。换句话说，这些顶点没有到其它顶点的有向边。同样的， sources是 $v \in V, \nexists e = (u, v)$ 。

对我们来说，总是把值放在sources，值会传播到Sinks。

反向模式求导

如果认为我的解释不够好，这里有一些幻灯片。

求导是TensorFlow所需的许多模型的核心要求，因为需要它来运行 梯度下降算法。每个高中毕业的人都知道什么是求导; 它只是获取函数的导数，如果函数是由基本函数组成的复杂组合，那么就做 链式法则。

超级简单的概述

如果有一个这样的函数：

f(x,y) = x * y

那么关于X的求导将产生：

$\frac{df(x,y)}{dx} = y$

关于Y的求导将产生：

$\frac{df(x,y)}{dy} = x$

另外一个例子：

$f(x_1,x_2,...,x_n) = f(\mathbf{x}) = \mathbf{x}^T\mathbf{x}$

这个导数是:

$\frac{df(\mathbf{x})}{dx_i} = 2x_i$

所以梯度就是:

$\nabla_x f(\mathbf{x}) = 2\mathbf{x}$

链式法则，譬如应用于复杂的函数 $f ( g ( h(x) ))$ ：

$\frac{df(g(h(x)))}{dx} = \frac{df(g(h(x)))}{dg(h(x))} \frac{dg(h(x))}{dh(x)} \frac{dh(x)}{x}$

5分钟内反向模式

现在记住运算符图的DAG结构，以及上一个例子中的链式法则。如果要评估，我们可以看到：

x -> h -> g -> f

作为图表。会给出答案f。但是，我们也可以采取反向求解：

dx <- dh <- dg <- df

这看起来像链式法则！需要将导数相乘在一起，以获得最终结果。

下图是一个运算符图的例子：

这里写图片描述

所以这基本上退化成图遍历问题。 有谁发觉拓扑排序和DFS / BFS吗？

所以要支持双向拓扑排序的话，需要包含一组父节点和一组子节点，Sinks是另一个方向的Sources, 反之亦然。

实施

在开学之前，Minh Le和我开始设计这个项目。我们决定使用Eigen 库后台进行线性代数运算。它们有一个称为MatrixXd的矩阵类。我们在这里使用它。

每个变量节点由var类表示：

class var {
// Forward declaration
struct impl;

public:
// For initialization of new vars by ptr
var(std::shared_ptr<impl>);

var(double);
var(const MatrixXd&);
var(op_type, const std::vector<var>&);    
...

// Access/Modify the current node value
MatrixXd getValue() const;
void setValue(const MatrixXd&);
op_type getOp() const;
void setOp(op_type);

// Access internals (no modify)
std::vector<var>& getChildren() const;
std::vector<var> getParents() const;
...
private: 
// PImpl idiom requires forward declaration of the     class:
std::shared_ptr<impl> pimpl;
};

struct var::impl{
public:
impl(const MatrixXd&);
impl(op_type, const std::vector<var>&);
MatrixXd val;
op_type op; 
std::vector<var> children;
std::vector<std::weak_ptr<impl>> parents;
};

在这里，我们采用 pImpl惯用法，这意味着“通过指针来实现”。这在许多方面是非常好的，例如接口解耦实现， 当在堆栈上有一个本地shell接口时，允许在堆栈上实例化。pImpl的副作用是运行时间稍慢，但是编译时间缩短了很多。这让我们通过多个函数调用/返回来保持数据结构的持久性。像这样的树状数据结构应该是持久的。

有几个枚举，告诉我们目前正在执行哪些操作：

enum class op_type {
plus,
minus,
multiply,
divide,
exponent,
log,
polynomial,
dot,
...
none // no operators. leaf.
};

执行该树评价的实际类称为expression：

class expression {
public:
expression(var);
...
// Recursively evaluates the tree.
double propagate();
...
// Computes the derivative for the entire graph.
// Performs a top-down evaluation of the tree.
void backpropagate(std::unordered_map<var, double>& leaves);
...    
private:
var root;
};

在 反向传播的内部，有一些类似于此的代码：

backpropagate(node, dprev):
derivative = differentiate(node)*dprev
for child in node.children:
    backpropagate(child, derivative)

这相当于做一个DFS; 你看到了吗？

为什么选择C ++？

事实上，C ++语言用于此不是特别合适。我们可以花 更少的时间用OCaml等功能性语言来开发。现在我明白了为什么Scala被用于机器学习，主要看你喜欢;）。

然而，C ++有明显的好处：

Eigen

例如，可以直接使用tensorflow的线性代数库，称之为Eigen。这是一个多模板惰性计算的线性代数库。类似于表达式树的样子，构建表达式，只有在需要时才会对表达式进行评估。然而，对于Eigen来说， 在编译的时候就确定何时使用模板，这意味着运行时间的减少。我特别赞赏写Eigen的人，因为审视模板的错误，让我的眼睛充血。

Eigen的代码看起来像：

Matrix A(...), B(...);
auto lazy_multiply = A.dot(B);
typeid(lazy_multiply).name(); // the class name is something like Dot_Matrix_Matrix.
Matrix(lazy_multiply); // functional-style casting forces evaluation of this matrix.

Eigen库是非常强大的，这就是为什么它是tensorflow自我使用的主要后台。这意味着除了这种惰性计算技术之外，还有其他方面的优化。

运算符重载

用Java开发这些库会非常好—没有shared_ptrs, unique_ptrs, weak_ptrs代码；我们可以采取 实际的，能胜任的,GC算法。使用Java开发可以节省许多开发时间，更不用说执行速度也会变得更快。可是，Java不允许运算符重载，因而它们就不能这样：

// These 3 lines code up an entire neural network!
var sigm1 = 1 / (1 + exp(-1 * dot(X, w1)));
var sigm2 = 1 / (1 + exp(-1 * dot(sigm1, w2)));
var loss = sum(-1 * (y * log(sigm2) + (1-y) * log(1-sigm2)));

顺便说一下，上面的是实际代码。这不是很漂亮吗？我认为 这比用于TensorFlow的python包装更漂亮。只想让你知道，这些也都是矩阵。

在Java语言中，这将是极其丑陋的，有着一堆add(), divide()…等等代码。更为重要的是， 用户将被隐式强制使用PEMDAS（括号，指数、乘、除、加、减），这一点上，C++的运算符表现的很好。

性能，而不是Bug

有一些东西，你可以在这个库中实际指定，TensorFlow没有明确的API，或者我不知道。比如，如果想训练某个特定子集的权重，可以只反向传播到感兴趣的具体来源。这对于卷积神经网络的 转移学习非常有用，一些大的网络，如VGG19网络，很容易用TensorFlow实现，其附加的几个额外的层的权重是根据新的域样本进行训练的。

基准

用Python的Tensorflow库，在Iris数据集上对10000个历史纪元进行分类训练，这些历史纪元具有相同的超参数，结果是：

Tensorflow的神经网络 23812.5 ms
Scikit的神经网络库： 22412.2 ms
Autodiff的神经网络，迭代，优化： 25397.2 ms
Autodiff的神经网络，具有迭代，无优化： 29052.4 ms
Autodiff的神经网络，具有递归，无优化： 28121.5 ms

如此看来，令人惊讶的是，Scikit在所有这些中运行最快。这可能是因为我们没有做大量的矩阵乘法运算。也可能是因为tensorflown不得不通过变量初始化采用额外的编译步骤。或者，也许可能不得不在python中运行循环，而不是在C语言中（python循环 真的很糟糕！）。我自己也不确定这到底是因为什么。

我完全意识到这绝对不是一个全面的基准测试，因为它只适用于在特定情况下的单个数据点。不过，这个库的性能并不是最先进的技术，因为我们不希望把自己卷进TensorFlow。

收录于