资源 | 神经网络框架Chainer发布2.0正式版：CuPy独立

Chainer 是一个灵活的神经网络框架，它的一个主要目标就是展现灵活性，允许我们用简单直观的方式编写出复杂的架构。近日，Chainer 发布了  v2.0.0正式版。

Chainer 项目链接：https://github.com/chainer

大多数现有的深度学习框架都是基于「定义-运行（Define-and-Run）」方式的，即先定义一个网络，然后用户对其输入批量梯度下降。由于网络在前向/反向计算之前已经固定，所有逻辑必须作为数据嵌入到网络架构中。所以，这样的系统（例如 Caffe）中定义的网络架构遵循声明性方法；同时，我们也可以使用命令式语言（例如，Torch、基于 Theano 的框架和 TensorFlow）来产生这样的静态网络定义。

与以上方法相反，Chainer 使用「通过运行定义（Define-by-Run）」的方式，即通过即时正向运算定义网络。更准确地说，Chainer 存储计算历史，而不是编程逻辑。这一方式可以帮助我们充分发挥 Python 中编程逻辑的力量。例如，Chainer 不需要任何技巧就可以将条件和循环加入网络定义中。通过运行定义的方式就是 Chainer 的核心理念。由于逻辑更接近于网络处理过程，这种方式让编写多 GPU 并行运算的优化方法变得简单。

在 Chainer 2.0.0 测试版推出近三个月之后，该框架刚刚推出了 2.0.0 正式版，以下是我们对新版本主要更新内容的整理。

重要更新说明

• CuPy 已从 Chainer 中分离，现在是一个单独的包：https://github.com/cupy/cupy

• 这意味着如果你想让 Chainer 使用 GPU 的话，你需要安装 CuPy。

• 请在使用 GPU 前遵循安装指南：http://docs.chainer.org/en/stable/install.html

• 与 CuPy 分离相关，我们删除了部分旧版本的 CUDA 和 cuDNN 支持。在 Chainer v2.0.0 和 CuPy 1.0.0 中支持的版本为：

• CUDA 7.0 或更高

• cuDNN 4.0 或更高

• Chainer 的 repository 已从 pfnet/chainer 移动到了 chainer/chainer。旧的 URL 仍然可以通过 git 使用，但任何操作都会重新定向到新的。

• 对 Chainer v1.x 用户：

• 有一个升级指南介绍了与 v1 的变化之处：http://docs.chainer.org/en/stable/upgrade.html

• 对贡献者：

• 请再次阅读贡献者指南，其中有多处更新：http://docs.chainer.org/en/stable/contribution.html

• 如贡献者指南所述，我们改变了开发和发布周期。主要开发将在主分支上继续进行，这将应用于 v3（包括 alpha、beta 和正式）版本，v2 的维护将在 v2 分支完成。

• 如果你有一个修改意见，请将其置于主分支中。

发布说明

以下内容仅是在 v2.0.0b1 上的改进。请参阅 v2.0.0a1 与 v2.0.0b1 的发布说明以找到所有与 v1 版本的不同：

• https://github.com/chainer/chainer/releases/tag/v2.0.0a1

• https://github.com/chainer/chainer/releases/tag/v2.0.0b1

新特性和 API 变化

v2.0.0a1

统一配置：配置 Chainer 的以下四个配置现在由 chainer.config 和 chainer.global_config 对象管理

• debug 模式（由 set_debug 配置）

• enable_backprop 模式（由 no_backprop_mode 配置）

• train 模式（由 train 或 test 的多种方法进行参数配置

• type_check 模式（由 Function.type_check_enable 配置）

v2.0.0b1

• 变量方式的更新规则

• 每个参数变量现在都保持优化器的 update_rule 设置。用户可以编辑每个更新规则的超参数，以自定义每个参数的优化配置（例如使用不同的学习率）。每个更新规则还可以有自身的挂钩函数（hook function，例如，仅将权重衰减用于权重矩阵）。

• 应用主动缓冲释放

• 我们改变了计算图和变量的对象结构。变量对象不再是计算图的一部分，而是保存对作为计算图的一部分的 VariableNode 对象的引用。一些功能使变量节点不保留阵列缓冲区，从而减少内存消耗。只有最流行的功能（relu、arithemetics、concat、split_axis）支持这个功能。

• 根据此前的基准测试，它在现代卷积神经网络的运行中节省了 33% 的内存用量。

• 类型检查

• 类型检查的 API 略有改变，当代码通过检查时，此更改会降低类型检查的资源消耗。

• 加入 use_cudnn 模式

• 我们删除了多个函数中的 use_cudnn 参数。是否使用 uDNN 现在由 hainer.config.use_cudnn 负责配置。

• 未初始化的变量和参数

• Variable 现在允许有一个未初始化的数据数组。这一改动简化了未初始化参数链接的改动。

• 更改 Variable 类型以在其复制的实例（包括初始化/未初始化状态）之间共享其实际数据和渐变数组。

• 扩展了 Evaluator 可接受的数据类型

• 过去，我们只能将 NumPy 和 CuPy 对象提供给 chainer.training.extensions.Evaluator 的评估函数，现在没有这个限制了，任意数据类型都是允许的。

v2.0.0

• 加入 L.StatelessGRU，更改了 L.GRU 的应用

• input size/channels 现在是可选择的

• Aggressive Buffer Release

• 有关 buffer release，加入了以下功能：

• transpose_sequence

• select_item

• get_item

• array method

• copy

• flip functions

• cast

• broadcast

• noise functions

• pooling functions

• broadcast (revisited) 

• stack methods

• math functions

• depth2space

• chainer.config.cudnn_deterministic: cuDNN 确定模式

• 删除 L.MLPConvolution2D 中的 wscale 选项

• 在 parameter/link 中增加新的 API，注册到 Link/Chain

• 在报告变量时清除图形

• 加入 Extension.initialize 删除了 invoke_before_training 

• 让 None 可串行化

• 当提出过时参数时，显示错误

• 使用 cleargrads 代替 zerograds 作为默认选项

• 修复 STM 和 GRU 之间不一致的命名

• 为 Variable 加入 requires_grad 性质

• repr 在 Variable 中支持类似于 numpy 的 repr

• 清除 L.Linear 的 API 与偏差参数相关的卷积状链接

• 删除 Optimizer 中已弃用的方法

• 默认情况下启用偏置向量 L.ConvolutionND 和 L.DeconvolutionND

增强

• 在 functions 和 links 中删除不必要的导入

• 检查 v2 中不支持的旧参数以显示错误消息

• 当 volatile 出现时显示错误

其他

• 加入 ResNet50 示例

• 说明文档改善

• 在教程中加入了 chainer.config.train 章节

下载

源代码

• https://github.com/chainer/chainer/archive/v2.0.0.zip

• https://github.com/chainer/chainer/archive/v2.0.0.tar.gz

更多有关GMIS 2017大会的内容，请点击「阅读原文」查看机器之心官网 GMIS 专题↓↓↓