LoDTensor

LoD(Level-of-Detail) Tensor是Paddle的高级特性，是对Tensor的一种扩充。LoDTensor通过牺牲灵活性来提升训练的效率。

注：对于大部分用户来说，无需关注LoDTensor的用法。

变长序列的解决方案

现在主流的训练框架都采用batch的训练方式，即一个batch中包含多个样本。在nlp的任务中，一个batch中包含N个句子，句子的长度可能会不一致，为了解决这种长度不一致问题，Paddle提供了两种解决方案：1）padding，即在句子的结尾（或开头）添加padding id（建议的方式）；2）LoDTensor，tensor中同时保存序列的长度信息。

对于padding的方式，会增加框架的计算量，但是对于大部分nlp任务，可以通过分桶、排序等机制，使得一个batch内的句子长度尽可能接近、能够降低padding id的比例，padding对于训练的计算量影响可以忽略。而且可以通过引入mask（记录哪些位置是padding id）信息，来移除padding id对于训练效果的影响。

但是对于一部分nlp任务来说，一个batch内的句子长度无法做到接近，比如聊天任务，需要计算query和多个答案之间的相似度，答案必须在一个batch中，这些答案的长度差异可能会非常大，最长的几百个token，最短的10几个token，如果采用padding的方式，计算量会增加几十倍，这种场景非常适合LoDTensor。LoDTensor存储了样本的长度信息，不需要增加padding的词，能给大幅减少计算量，从而提高训练的速度。

LoDTensor将长度不一致的维度拼接为一个大的维度，并引入了一个索引数据结构（LoD）来将张量分割成序列。LoDTensor进行了维度拼接之后，rank大小和之前padding的方式不一致，在一些运算（如dot attention）逻辑比padding方式要复杂。

注：如果训练样本无法通过排序、分桶等手段，使得一个batch内的样本的长度非常接近，推荐用户使用LoDTensor；其他情况下，建议用户使用padding的组网方式。

LoD 索引

为了更好的理解LoD的概念，本节提供了几个例子供您参考：

句子组成的 mini-batch

假设一个mini-batch中有3个句子，每个句子中分别包含3个、1个和2个单词。我们可以用(3+1+2)xD维Tensor 加上一些索引信息来表示这个mini-batch:

  1. 3       1   2
  2. | | |   |   | |

上述表示中，每一个 | 代表一个D维的词向量，数字3，1，2构成了 1-level LoD。

递归序列

让我们来看另一个2-level LoD-Tensor的例子：假设存在一个mini-batch中包含3个句子、1个句子和2个句子的文章，每个句子都由不同数量的单词组成，则这个mini-batch的样式可以看作：

  1. 3            1 2
  2. 3   2  4     1 2  3
  3. ||| || ||||  | || |||

表示的LoD信息为：

  1. [[3，1，2]/*level=0*/，[3，2，4，1，2，3]/*level=1*/]

视频的mini-batch

在视觉任务中，时常需要处理视频和图像这些元素是高维的对象，假设现存的一个mini-batch包含3个视频，分别有3个，1个和2个帧，每个帧都具有相同大小：640x480，则这个mini-batch可以被表示为：

  1. 3     1  2
  2. 口口口 口 口口

最底层tensor大小为（3+1+2）x640x480，每一个 口 表示一个640x480的图像

图像的mini-batch

在传统的情况下，比如有N个固定大小的图像的mini-batch，LoD-Tensor表示为:

  1. 1 1 1 1     1
  2. 口口口口 ... 口

在这种情况下，我们不会因为索引值都为1而忽略信息，仅仅把LoD-Tensor看作是一个普通的张量:

  1. 口口口口 ... 口

模型参数

模型参数只是一个普通的张量，在Fluid中它们被表示为一个0-level LoD-Tensor。

LoDTensor的偏移表示

为了快速访问基本序列，Fluid提供了一种偏移表示的方法——保存序列的开始和结束元素，而不是保存长度。

在上述例子中，您可以计算基本元素的长度：

  1. 3 2 4 1 2 3

将其转换为偏移表示：

  1. 0  3  5   9   10  12   15
  2.    =  =   =   =   =    =
  3.    3  2+3 4+5 1+9 2+10 3+12

所以我们知道第一个句子是从单词0到单词3，第二个句子是从单词3到单词5。

类似的，LoD的顶层长度

  1. 3 1 2

可以被转化成偏移形式：

  1. 0 3 4   6
  2.   = =   =
  3.   3 3+1 4+2

因此该LoD-Tensor的偏移表示为：

  1. 0       3    4      6
  2.   3 5 9   10   12 15

LoD-Tensor

一个LoD-Tensor可以被看作是一个树的结构，树叶是基本的序列元素，树枝作为基本元素的标识。

在 Fluid 中 LoD-Tensor 的序列信息有两种表述形式：原始长度和偏移量。在 Paddle 内部采用偏移量的形式表述 LoD-Tensor，以获得更快的序列访问速度；在 python API中采用原始长度的形式表述 LoD-Tensor 方便用户理解和计算，并将原始长度称为： recursive_sequence_lengths 。

以上文提到的一个2-level LoD-Tensor为例：

  1. 3           1  2
  2. 3   2  4    1  2  3
  3. ||| || |||| |  || |||
  • 以偏移量表示此 LoD-Tensor:[ [0,3,4,6] , [0,3,5,9,10,12,15] ]，
  • 以原始长度表达此 Lod-Tensor：recursive_sequence_lengths=[ [3-0 , 4-3 , 6-4] , [3-0 , 5-3 , 9-5 , 10-9 , 12-10 , 15-12] ]。

以文字序列为例： [3,1,2] 可以表示这个mini-batch中有3篇文章，每篇文章分别有3、1、2个句子，[3,2,4,1,2,3] 表示每个句子中分别含有3、2、4、1、2、3个字。

recursive_seq_lens 是一个双层嵌套列表，也就是列表的列表，最外层列表的size表示嵌套的层数，也就是lod-level的大小；内部的每个列表，对应表示每个lod-level下，每个元素的大小。

下面三段代码分别介绍如何创建一个LoD-Tensor，如何将LoD-Tensor转换成Tensor，如何将Tensor转换成LoD-Tensor：

  • 创建 LoD-Tensor
  1. #创建lod-tensor
  2. import paddle.fluid as fluid
  3. import numpy as np
  5. a = fluid.create_lod_tensor(np.array([[1],[1],[1],
  6.                                   [1],[1],
  7.                                   [1],[1],[1],[1],
  8.                                   [1],
  9.                                   [1],[1],
  10.                                   [1],[1],[1]]).astype('int64') ,
  11.                           [[3,1,2] , [3,2,4,1,2,3]],
  12.                           fluid.CPUPlace())
  14. #查看lod-tensor嵌套层数
  15. print (len(a.recursive_sequence_lengths()))
  16. # output：2
  18. #查看最基础元素个数
  19. print (sum(a.recursive_sequence_lengths()[-1]))
  20. # output:15 (3+2+4+1+2+3=15)
  • LoD-Tensor 转 Tensor
  1. import paddle.fluid as fluid
  2. import numpy as np
  4. # 创建一个 LoD-Tensor
  5. a = fluid.create_lod_tensor(np.array([[1.1], [2.2],[3.3],[4.4]]).astype('float32'), [[1,3]], fluid.CPUPlace())
  7. def LodTensor_to_Tensor(lod_tensor):
  8.   # 获取 LoD-Tensor 的 lod 信息
  9.   lod = lod_tensor.lod()
  10.   # 转换成 array
  11.   array = np.array(lod_tensor)
  12.   new_array = []
  13.   # 依照原LoD-Tensor的层级信息，转换成Tensor
  14.   for i in range(len(lod[0]) - 1):
  15.       new_array.append(array[lod[0][i]:lod[0][i + 1]])
  16.   return new_array
  18. new_array = LodTensor_to_Tensor(a)
  20. # 输出结果
  21. print(new_array)
  • Tensor 转 LoD-Tensor
  1. import paddle.fluid as fluid
  2. import numpy as np
  4. def to_lodtensor(data, place):
  5.   # 存储Tensor的长度作为LoD信息
  6.   seq_lens = [len(seq) for seq in data]
  7.   cur_len = 0
  8.   lod = [cur_len]
  9.   for l in seq_lens:
  10.       cur_len += l
  11.       lod.append(cur_len)
  12.   # 对待转换的 Tensor 降维
  13.   flattened_data = np.concatenate(data, axis=0).astype("float32")
  14.   flattened_data = flattened_data.reshape([len(flattened_data), 1])
  15.   # 为 Tensor 数据添加lod信息
  16.   res = fluid.LoDTensor()
  17.   res.set(flattened_data, place)
  18.   res.set_lod([lod])
  19.   return res
  21. # new_array 为上段代码中转换的Tensor
  22. lod_tensor = to_lodtensor(new_array,fluid.CPUPlace())
  24. # 输出 LoD 信息
  25. print("The LoD of the result: {}.".format(lod_tensor.lod()))
  27. # 检验与原Tensor数据是否一致
  28. print("The array : {}.".format(np.array(lod_tensor)))

代码示例

本节代码将根据指定的级别y-lod，扩充输入变量x。本例综合了LoD-Tensor的多个重要概念，跟随代码实现，您将：

  • 直观理解Fluid中 fluid.layers.sequence_expand 的实现过程
  • 掌握如何在Fluid中创建LoD-Tensor
  • 学习如何打印LoDTensor内容

定义计算过程

layers.sequence_expand通过获取 y 的 lod 值对 x 的数据进行扩充，关于 fluid.layers.sequence_expand 的功能说明，请先阅读 sequence_expand 。

序列扩充代码实现：

  1. x = fluid.layers.data(name='x', shape=[1], dtype='float32', lod_level=1)
  2. y = fluid.layers.data(name='y', shape=[1], dtype='float32', lod_level=2)
  3. out = fluid.layers.sequence_expand(x=x, y=y, ref_level=0)

说明：输出LoD-Tensor的维度仅与传入的真实数据维度有关，在定义网络结构阶段为x、y设置的shape值，仅作为占位，并不影响结果。

创建Executor

  1. place = fluid.CPUPlace()
  2. exe = fluid.Executor(place)
  3. exe.run(fluid.default_startup_program())

准备数据

这里我们调用 fluid.create_lod_tensor 创建 sequence_expand 的输入数据，通过定义 y_d 的 LoD 值，对 x_d 进行扩充。其中，输出值只与 y_d 的 LoD 值有关，y_d 的 data 值在这里并不参与计算，维度上与LoD[-1]一致即可。

fluid.create_lod_tensor() 的使用说明请参考 create_lod_tensor 。

实现代码如下：

  1. x_d = fluid.create_lod_tensor(np.array([[1.1],[2.2],[3.3],[4.4]]).astype('float32'), [[1,3]], place)
  2. y_d = fluid.create_lod_tensor(np.array([[1.1],[1.1],[1.1],[1.1],[1.1],[1.1]]).astype('float32'), [[1,3], [2,1,2,1]],place)

执行运算

在Fluid中，LoD>1的Tensor与其他类型的数据一样，使用 feed 定义数据传入顺序。此外，由于输出results是带有LoD信息的Tensor，需在exe.run( )中添加 return_numpy=False 参数，获得LoD-Tensor的输出结果。

  1. results = exe.run(fluid.default_main_program(),
  2.                   feed={'x':x_d, 'y': y_d },
  3.                   fetch_list=[out],return_numpy=False)

查看LoDTensor结果

由于LoDTensor的特殊属性，无法直接print查看内容，常用操作时将LoD-Tensor作为网络的输出fetch出来，然后执行 numpy.array(lod_tensor), 就能转成numpy array：

  1. np.array(results[0])

输出结果为：

  1. array([[1.1],[2.2],[3.3],[4.4],[2.2],[3.3],[4.4],[2.2],[3.3],[4.4]])

查看序列长度

可以通过查看序列长度得到 LoDTensor 的递归序列长度：

  1. results[0].recursive_sequence_lengths()

输出结果为：

  1. [[1L, 3L, 3L, 3L]]

完整代码

您可以运行下列完整代码，观察输出结果：

  1. #加载库
  2. import paddle
  3. import paddle.fluid as fluid
  4. import numpy as np
  5. #定义前向计算
  6. x = fluid.layers.data(name='x', shape=[1], dtype='float32', lod_level=1)
  7. y = fluid.layers.data(name='y', shape=[1], dtype='float32', lod_level=2)
  8. out = fluid.layers.sequence_expand(x=x, y=y, ref_level=0)
  9. #定义运算场所
  10. place = fluid.CPUPlace()
  11. #创建执行器
  12. exe = fluid.Executor(place)
  13. exe.run(fluid.default_startup_program())
  14. #创建LoDTensor
  15. x_d = fluid.create_lod_tensor(np.array([[1.1], [2.2],[3.3],[4.4]]).astype('float32'), [[1,3]], place)
  16. y_d = fluid.create_lod_tensor(np.array([[1.1],[1.1],[1.1],[1.1],[1.1],[1.1]]).astype('float32'), [[1,3], [1,2,1,2]], place)
  17. #开始计算
  18. results = exe.run(fluid.default_main_program(),
  19.                   feed={'x':x_d, 'y': y_d },
  20.                   fetch_list=[out],return_numpy=False)
  21. #输出执行结果
  22. print("The data of the result: {}.".format(np.array(results[0])))
  23. #输出 result 的序列长度
  24. print("The recursive sequence lengths of the result: {}.".format(results[0].recursive_sequence_lengths()))
  25. #输出 result 的 LoD
  26. print("The LoD of the result: {}.".format(results[0].lod()))

FAQ：

问：如何打印variable的lod 信息

答：

  1. 可以使用 executor.run 将你需要查看的 variable fetch 出来，然后打印其 lod 信息，注意运行时设置 executor.run 方法的 return_numpy 参数为 False。
  1. results = exe.run(fluid.default_main_program(),
  2.               feed={'x':x_d, 'y': y_d },
  3.               fetch_list=[out],return_numpy=False)
  4. lod_tensor = results[0]
  5. print (lod_tensor.lod())
  1. 可以使用fluid.layers.Print()
  1. y = fluid.layers.data(name='y', shape=[1], dtype='float32', lod_level=2)
  3. fluid.layers.Print(y)

总结

至此，相信您已经基本掌握了LoD-Tensor的概念，尝试修改上述代码中的 x_d 与 y_d，观察输出结果，有助于您更好的理解这一灵活的结构。

更多LoDTensor的模型应用，可以参考新手入门中的 词向量 、个性化推荐、情感分析 等指导教程。

更高阶的应用案例，请参考 模型库 中的相关内容。