参与魔王 陈萍

输入示例,自动生成代码:TensorFlow官方工具TF-Coder已开源

如何使编程更加便捷?最近,谷歌 TensorFlow 开源了一个帮助开发者写 TensorFlow 代码的程序合成工具 TF-Coder。

  • 项目地址:https://github.com/google-research/tensorflow-coder

  • Google Colab 试用地址:https://colab.research.google.com/github/google-research/tensorflow-coder/blob/master/TF-Coder_Colab.ipynb

  • 论文地址:https://arxiv.org/pdf/2003.09040.pdf


用过 TensorFlow 框架的应该都知道,在操纵张量时,需要跟踪多个维度、张量形状和数据类型兼容性,当然还需要考虑数学正确性。此外,TensorFlow 有数百种操作,找到要使用的正确操作也是一项挑战。

那么,除了直接对张量操纵进行编码以外,如果仅通过一个说明性示例进行演示,就能自动获取相应的代码呢?这个想法听起来很诱人,而 TensorFlow Coder(TF-Coder)使这成为可能!

TF-Coder 的原理是:给出期望张量变换的输入 - 输出示例,TF-Coder 运行组合搜索,找出能够执行此变换的 TensorFlow 表达式,并最终输出对应的 TensorFlow 代码。

给出输入 - 输出示例,TF-Coder 在 1.3 秒内找出解决方案。

TF-Coder 的合成算法如下所示:


下面的动图展示了使用 TF-Coder 解决张量操纵问题的过程:


那么,TF-Coder 工具可以在哪些场景中起到作用呢?

TF-Coder:通过示例进行 TensorFlow 编程

假如你想将包含 M 个元素的向量(下例中指‘rows’)和包含 N 个元素的向量(下例中指‘cols’)依次进行相加,生成一个包含所有成对和的 M x N 矩阵。

使用 TF-Coder,你只需提供一个输入 - 输出示例(M=3,N=4)即可完成该操作,无需逐行进行编程。

例如输入张量为:

inputs = {
    'rows': [10, 20, 30],
    'cols': [1, 2, 3, 4],
}


对应的输出张量为:

output = [[11, 12, 13, 14],
          [21, 22, 23, 24],
          [31, 32, 33, 34]]


基于以上输入 - 输出信息(默认情况下已经输入到 TF-Coder Colab 中),TF-Coder 工具将在一秒内自动找到合适的 TensorFlow 代码:

tf.add(cols, tf.expand_dims(rows, 1))


这个简单的例子旨在说明 TF-Coder 利用示例进行编程的思想。而 TF-Coder 的功能不止于此,它还可用于更难的编程问题中。

TF-Coder 帮你找到正确的函数

假设你正在处理数值特征,如某个物品的价格。数据集中的价格范围很广,例如从低于 10 美元到超出 1000 美元不等。如果这些价格被直接用作特征,则模型可能出现过拟合,在模型评估阶段可能难以处理异常价格。

为了解决上述问题,你可能需要使用 bucketing,来将数字价格转换为类别特征。例如,使用 bucket 边界 [10, 50, 100, 1000] 意味着低于 10 美元的价格应归入 bucket 0,10 美元至 50 美元的价格应归入 bucket 1,依此类推。

在选择 bucket 边界之后,如何使用 TensorFlow 将数值价格映射到 bucket 索引呢?例如,给出以下 bucket 边界和物品价格:

# Input tensors
boundaries = [10, 50, 100, 1000]
prices = [15, 3, 50, 90, 100, 1001]


计算每个项的 bucket 编号:

# Output tensor
bucketed_prices = [1, 0, 2, 2, 3, 4]


尽管 TensorFlow 具备多种 bucketing 操作,但要弄清楚哪种操作适合执行这种 bucketing,也是比较棘手的事情。由于 TF-Coder 可以通过行为识别数百个 Tensor 操作,因此你可以通过提供输入 - 输出示例来查找正确的操作:

# Input-output example
inputs = {
    'boundaries': [10, 50, 100, 1000],
    'prices': [15, 3, 50, 90, 100, 1001],
}
output = [1, 0, 2, 2, 3, 4]


只需几秒钟,TF-Coder 就能输出以下解决方案:

tf.searchsorted(boundaries, prices, side='right')


TF-Coder:用聪明的方式结合函数

现在我们来看另一个问题:计算一个 0-1 张量,它可以找出输入张量每一行中的最大元素。

# Input tensor
scores = [[0.7, 0.2, 0.1],
          [0.4, 0.5, 0.1],
          [0.4, 0.4, 0.2],
          [0.3, 0.4, 0.3],
          [0.0, 0.0, 1.0]]

# Output tensor
top_scores = [[1, 0, 0],
              [0, 1, 0],
              [1, 0, 0],
              [0, 1, 0],
              [0, 0, 1]]


注意,如果一行内相同的最大元素重复出现(如 scores 中的第三行),则标记第一次出现的最大元素,这样 top_scores 的每一行都只有一个 1。

与上一个问题不同,这里不存在可执行该计算的 TensorFlow 函数。在文档中搜索「max」,你可能找到 tf.reduce_max、tf.argmax 和 tf.maximum,但也不清楚到底该用哪一个?tf.reduce_max 输出 [0.7, 0.5, 0.4, 0.4, 1.0],tf.argmax 输出 [0, 1, 0, 1, 2],tf.maximum 不合适,因为它只能容纳两个参数。这些函数似乎都与该示例的期望输出关联不大。

而 TF-Coder 可以帮你解决这类棘手问题。你可以将这个问题写成输入 - 输出示例的形式:

# Input-output example
inputs = {
    'scores': [[0.7, 0.2, 0.1],
               [0.4, 0.5, 0.1],
               [0.4, 0.4, 0.2],
               [0.3, 0.4, 0.3],
               [0.0, 0.0, 1.0]],
}
output = [[1, 0, 0],
          [0, 1, 0],
          [1, 0, 0],
          [0, 1, 0],
          [0, 0, 1]]


TF-Coder 结合使用 tf.one_hot 和 tf.argmax,得到问题的解:

tf.cast(tf.one_hot(tf.argmax(scores, axis=1), 3), tf.int32)


通过对 TensorFlow 操作组合进行详细搜索,TF-Coder 通常能够发现优雅的解决方案,从而简化步骤,加速 TensorFlow 程序。

TF-Coder:用更少的 debug,写出准确的代码

考虑通过将每一行除以该行之和,把整数出现次数列表归一化为概率分布。例如:

# Input tensor
counts = [[0, 1, 0, 0],
          [0, 1, 1, 0],
          [1, 1, 1, 1]]

# Output tensor
normalized = [[0.0, 1.0, 0.0, 0.0],
              [0.0, 0.5, 0.5, 0.0],
              [0.25, 0.25, 0.25, 0.25]]


即使你知道可用的函数(tf.reduce_sum followed by tf.divide),写出正确的代码也并非易事。第一次尝试可能是这样的:

# First attempt
normalized = tf.divide(counts, tf.reduce_sum(counts, axis=1))


但是以上代码是正确吗?我们需要考虑许多潜在的问题:

  • 代码中 axis 的值正确吗?是否应改为 axis=0?

  • counts 和 tf.reduce_sum(counts, axis=1) 的形状与除法兼容吗?需要改变形状或执行转置操作吗?

  • counts 和 tf.reduce_sum(counts, axis=1) 都是 tf.int32 张量。tf.int32 张量可以被除吗?是否需要先将其转换为 float 数据类型?

  • 两个参数的顺序对吗?是否需要调换位置?

  • 输出的类型是 tf.int32、tf.float32,还是别的什么?

  • 是否存在更简单或更好的方式?


而使用 TF-Coder,你只需要给出以下输入 - 输出示例:

# Input-output example
inputs = {
    'counts': [[0, 1, 0, 0],
               [0, 1, 1, 0],
               [1, 1, 1, 1]],
}
output = [[0.0, 1.0, 0.0, 0.0],
          [0.0, 0.5, 0.5, 0.0],
          [0.25, 0.25, 0.25, 0.25]]


TF-Coder 给出解决方案:

tf.cast(tf.divide(counts, tf.expand_dims(tf.reduce_sum(counts, axis=1), axis=1)), tf.float32)


TF-Coder 生成以上解决方案时,可以确保代码在示例输入上运行时能够准确生成示例输出。TF-Coder 的解决方案避免了不必要的步骤。你可以快速找出以上潜在问题的答案:需要采用额外的 tf.expand_dims 步骤,使张量形状与除法兼容;tf.divide 的答案必须是 tf.float32 类型。

通过这种方式,TF-Coder 可以帮助开发者编写简单准确的代码,且无需痛苦的 debug 过程。

局限性

不过,TF-Coder 也有其局限性。目前它可以在一分钟内找到涉及 3 到 4 种运算的解决方案,但短时间内找到涉及 6 种及以上操作的解决方案,对它来说还是太过复杂。此外,TF-Coder 尚不支持复张量、字符串张量或 RaggedTensor。

TF-Coder 支持操作的完整列表,参见:https://colab.research.google.com/github/google-research/tensorflow-coder/blob/master/TF-Coder_Colab.ipynb#scrollTo=Q6uRr4x9WHRC

此外,TF-Coder 只能保证解决方案对给出的输入 - 输出示例有效。该工具会搜索一个与给定输入 - 输出示例相匹配的简单 TensorFlow 表达式,但有时候「过于简单」,不能按预期进行泛化。尽可能让示例无歧义会有所帮助,这一般可以通过向输入和输出张量添加更多数值来实现。
工程TensorFlow
1
相关数据
概率分布技术

概率分布(probability distribution)或简称分布,是概率论的一个概念。广义地,它指称随机变量的概率性质--当我们说概率空间中的两个随机变量具有同样的分布(或同分布)时,我们是无法用概率来区别它们的。

过拟合技术

过拟合是指为了得到一致假设而使假设变得过度严格。避免过拟合是分类器设计中的一个核心任务。通常采用增大数据量和测试样本集的方法对分类器性能进行评价。

暂无评论
暂无评论~