dfdx: 形状检查的 Rust 深度学习

注重易用性和安全性的 Rust 深度学习。

仍处于预先发布状态。接下来的几个版本计划会有破坏性更改。

功能一览：

:fire: GPU 加速的张量库，支持多达 6 维的形状！
具有编译时和运行时尺寸的形状（如 Tensor<(usize, Const<10>)> 和 Tensor<Rank2<5, 10>>）。
丰富的张量操作库（包括 matmul、conv2d 等）。
1. 所有张量操作在编译时进行形状和类型检查！！
人性化的神经网络构建块（如 Linear、Conv2D 和 Transformer）。
标准深度学习优化器，如 Sgd、Adam、AdamW、RMSprop 等。

dfdx 可以在 crates.io 上获取！在你的 Cargo.toml 中添加以下内容进行使用：

dfdx = "0.13.0"

在 docs.rs/dfdx 查看文档。

[1] https://en.wikipedia.org/wiki/Automatic_differentiation#Reverse_accumulation

设计目标

全程人性化（包括前端接口和内部）。
尽可能多地在编译时进行检查（即如果有错误就不进行编译）。
最大化性能。
最小化不安全代码[1]
最小化内部代码中使用的 Rc<RefCell>[2]

[1] 目前唯一的不安全调用是用于矩阵乘法。

[2] 只有张量用于存储数据时使用 Arc。使用 Arc 而不是 Box，以减少克隆张量时的分配。

使用 CUDA 进行 GPU 加速

启用 cuda 特性以开始使用 Cuda 设备！需要安装 Nvidia 的 CUDA 工具包。详细信息请参见特性标志文档。

API 预览

查看 examples/ 了解更多详情。

👌 简单的神经网络 API，完全在编译时进行形状检查。

type Mlp = (
    (Linear<10, 32>, ReLU),
    (Linear<32, 32>, ReLU),
    (Linear<32, 2>, Tanh),
);

fn main() {
    let dev: Cuda = Default::default(); // 或 `Cpu`
    let mlp = dev.build_module::<Mlp, f32>();
    let x: Tensor<Rank1<10>, f32, Cpu> = dev.zeros();
    let y: Tensor<Rank1<2>, f32, Cpu> = mlp.forward(x);
    mlp.save("checkpoint.npz")?;
}

📈 人性化的优化器 API

type Model = ...
let mut model = dev.build_module::<Model, f32>();
let mut grads = model.alloc_grads();
let mut sgd = Sgd::new(&model, SgdConfig {
    lr: 1e-2,
    momentum: Some(Momentum::Nesterov(0.9))
});

let loss = ...
grads = loss.backward();

sgd.update(&mut model, &grads);

💡 常量张量可以与普通 Rust 数组相互转换

let t0: Tensor<Rank0, f32, _> = dev.tensor(0.0);
assert_eq!(t0.array(), &0.0);

let t1 /*: Tensor<Rank1<3>, f32, _>*/ = dev.tensor([1.0, 2.0, 3.0]);
assert_eq!(t1.array(), [1.0, 2.0, 3.0]);

let t2: Tensor<Rank2<2, 3>, f32, _> = dev.sample_normal();
assert_ne!(t2.array(), [[0.0; 3]; 2]);

有趣/值得注意的实现细节

模块

pub trait Module<Input> {
    type Output;
    fn forward(&self, input: Input) -> Self::Output;
}

基于这个灵活的特性，我们可以实现：

单个和批处理输入（只需实现多个 impls 即可！）
多输入/多输出（多头模块或 RNNs）
不同的行为取决于是否存在 Tape（不是其他库中的 .train()/.eval() 行为！）。

元组表示前馈（即顺序）模块

由于我们可以为元组实现特性，这在其他语言中是不可能的，它们为顺序执行模块提供了一个非常好的前端。

// 不知道为什么你会这样做，但你可以！
type Model = (ReLU, Sigmoid, Tanh);
let model = dev.build_module::<Model, f32>();

type Model = (Linear<10, 5>, Tanh)
let model = dev.build_module::<Model, f32>();

为包含两个元素的元组实现 Module 的样子：

impl<Input, A, B> Module<Input> for (A, B)
where
    Input: Tensor,
    A: Module<Input>,        // A 是一个可以接受 Input 的模块
    B: Module<A::Output>,    // B 是一个可以接受 A 的输出的模块
{
    type Output = B::Output; // 输出是 B 的输出
    fn forward(&self, x: Input) -> Self::Output {
        let x = self.0.forward(x);
        let x = self.1.forward(x);
        x
    }
}

模块可以为多达 6 个元素的元组实现，但你可以任意嵌套它们！

没有使用 `Rc<RefCells<T>>` - 梯度记录带不保存在单元中！

其他实现可能会直接在张量上存储对梯度记录带的引用，这需要经常改变张量或到处使用 Rc/RefCells。

我们找到了一个优雅的方法来避免这一点，将引用和动态借用检查减少为 0！

由于所有操作的结果恰好只有 1 个子代，我们可以始终将梯度记录带移动到最后一个操作的子代。同时，任何模型参数（所有张量）都不会拥有梯度记录带，因为它们永远不会成为任何操作的结果。这意味着我们确切知道哪个张量拥有梯度记录带，并且拥有它的张量将始终是中间结果，不需要在整个梯度计算过程中维护。

所有这些都为用户提供了前所未有的控制/精度，以记录梯度的张量！

一个高级用例需要在计算图中多次重用张量。这可以通过克隆张量并手动移动梯度记录带来处理。

类型检查反向传播

简要说明：如果你忘记调用 trace() 或 traced()，程序将无法编译！

-let pred = module.forward(x);
+let pred = module.forward(x.traced(grads));
let loss = (y - pred).square().mean();
let gradients = loss.backward();

由于我们确切知道哪个张量拥有梯度记录带，我们可以要求传递到 .backward() 的张量拥有梯度记录带！并且进一步，我们可以要求它被移动到 .backward()，以便它可以销毁记录带并构建梯度！

所有这些都可以在编译时检查 🎉

📄 验证 PyTorch 的兼容性

所有函数和操作都与 PyTorch 中类似代码的行为进行了测试。

许可证

双重许可证以兼容 Rust 项目。

根据 Apache 许可证 2.0 版许可：http://www.apache.org/licenses/LICENSE-2.0 或 MIT 许可证：http://opensource.org/licenses/MIT。根据这些条款，这个文件可能不会被复制、修改或分发。

dfdx