提高纯 Numpy/Scipy 卷积神经网络实现的速度

Question

背景

我已经训练了一个卷积神经网络，我希望其他人能够使用它而无需安装 Theano 等库（我发现在 Linux 上安装很简单，但在 Windows 上很难安装）。

我使用 Numpy/Scipy 编写了一个几乎足够快的实现，但如果它快两到三倍会更好。

我尝试过的

90% 的时间花在以下行：

conv_out = np.sum([scipy.signal.convolve2d(x[i],W[f][i],mode='valid') for i in range(num_in)], axis=0)

这条线被调用了 32 次（每个特征图一次），num_in 为 16（前一层的特征数）。所以总的来说这条线很慢，因为它会导致对 convolve2d 例程的 32*16=512 次调用。

x[i]只有25*25，W[f][i]是2*2。

问题

有没有更好的方法在 Numpy/Scipy 中表达这种类型的卷积层，执行速度更快？

（我仅使用此代码来应用学习网络，因此我不需要并行处理大量图像。）

代码

做计时实验的完整代码是：

import numpy as np
import scipy.signal
from time import time

def max_pool(x):
    """Return maximum in groups of 2x2 for a N,h,w image"""
    N,h,w = x.shape
    return np.amax([x[:,(i>>1)&1::2,i&1::2] for i in range(4)],axis=0)

def conv_layer(params,x):
    """Applies a convolutional layer (W,b) followed by 2*2 pool followed by RelU on x"""
    W,biases = params
    num_in = W.shape[1]
    A = []
    for f,bias in enumerate(biases):
        conv_out = np.sum([scipy.signal.convolve2d(x[i],W[f][i],mode='valid') for i in range(num_in)], axis=0)
        A.append(conv_out + bias)
    x = np.array(A)
    x = max_pool(x)
    return np.maximum(x,0)

W = np.random.randn(32,16,2,2).astype(np.float32)
b = np.random.randn(32).astype(np.float32)
I = np.random.randn(16,25,25).astype(np.float32)

t0 = time()
O = conv_layer((W,b),I)
print time()-t0

此时打印 0.084 秒。

更新

使用 mplf 的建议：

d = x[:,:-1,:-1]
c = x[:,:-1,1:]
b = x[:,1:,:-1]
a = x[:,1:,1:]
for f,bias in enumerate(biases):
    conv_out = np.sum([a[i]*W[f,i,0,0]+b[i]*W[f,i,0,1]+c[i]*W[f,i,1,0]+d[i]*W[f,i,1,1] for i in range(num_in)], axis=0)

我得到 0.075 秒，稍微快一点。

Answer 1

环顾四周，似乎 scipy convolve2d 函数未优化且效率低下。从 2014 年 1 月开始有一个未解决的问题 (https://github.com/scipy/scipy/issues/3184)，这个问题似乎与 Improving Numpy Performance 相关。

我建议先尝试Theran 发布的the solution，看看这是否会产生更好的性能。

Answer 2

加速卷积

根据 mplf 的建议，我发现可以同时删除 for 循环和对 convolve2d 的调用：

d = x[:,:-1,:-1].swapaxes(0,1)
c = x[:,:-1,1:].swapaxes(0,1)
b = x[:,1:,:-1].swapaxes(0,1)
a = x[:,1:,1:].swapaxes(0,1)
x = W[:,:,0,0].dot(a) + W[:,:,0,1].dot(b) + W[:,:,1,0].dot(c) + W[:,:,1,1].dot(d) + biases.reshape(-1,1,1)

这比原始代码快 10 倍。

加速最大池

使用这个新代码，最大池阶段现在需要 50% 的时间。这也可以通过使用来加速：

def max_pool(x):
    """Return maximum in groups of 2x2 for a N,h,w image"""
    N,h,w = x.shape
    x = x.reshape(N,h/2,2,w/2,2).swapaxes(2,3).reshape(N,h/2,w/2,4)
    return np.amax(x,axis=3)

这将 max_pool 步骤加快了 10 倍，因此总体而言，程序的速度再次翻倍。