飞桨框架v2.4 API新升级！全面支持稀疏计算、图学习、语音处理等任务

2022年11月，飞桨框架2.4版本发布。相比飞桨框架2.3版本，飞桨框架v2.4增加了167个功能性API，新增稀疏计算(paddle.sparse)、图学习(paddle.geometric)和语音处理(paddle.audio)等更多领域API，同时也进一步完善了loss计算、张量计算、分布式和视觉变换等类别的API。下面详细介绍每一类新增API及其应用场景示例，方便用户快速了解和上手使用。

全面支持主流模型稀疏化训练及推理

当前越来越多的场景有稀疏计算的需求，例如3D点云图像处理和NLP中的稀疏Attention等。神经网络的稀疏化可以提高网络的性能，减少计算量及内存/显存的占用，已成为深度学习的研究热门之一。飞桨v2.4新增了如下稀疏类API，支持主流稀疏模型的训练和推理，并支持多种稀疏Tensor格式及稀疏Tensor与稠密Tensor的混合计算，同时其名称和使用方式与常规稠密Tensor的API保持一致，方便记忆且容易上手。

稀疏基础计算API：

• 一元计算：
  paddle.sparse.sin/sinh/tan/tanh/expm1/log1p/pow/square/sqrt/abs/cast/neg...
  
• 二元计算：
  paddle.sparse.add/substract/multiply/divide...
  
• 矩阵和向量计算：
  paddle.sparse.matmul/masked_matmul/addmm/mv...
  

• 数据变形：

  paddle.sparse.transpose/reshape...
  

稀疏组网API：

• 网络层
  paddle.sparse.nn.Conv3D/SubmConv3D/MaxPool3D/BatchNorm...
  
• 激活层：
  paddle.sparse.nn.ReLU/ReLU6/LeakyReLU/Softmax...
  

覆盖稀疏计算主流应用场景

3D点云目标检测

CenterPoint是一种物体检测器，以点云作为输入，将三维物体在Bird-View下的中心点作为关键点，基于关键点检测的方式回归物体的尺寸、方向和速度。

飞桨框架v2.4完整提供了这类模型需要的稀疏SubmanifoldConv3D/Conv3D、稀疏BatchNorm和稀疏ReLU等API。模型的训练评估、动转静及推理的各项功能均已完全实现，欢迎试用。实测比业界同类竞品提速4%，训练精度提升0.2%。

• CenterPoint模型介绍

https://github.com/PaddlePaddle/Paddle3D/tree/release/1.0/docs/models/centerpoint

Sparse Transformer

稀疏Transformer与经典的稠密Transformer相比，能支持更长的输入序列，得到更好的网络性能。

稀疏Attention的核心计算逻辑为：

飞桨框架v2.4提供稀疏矩阵乘、稀疏softmax等运算，可完整支持SparseTransformer的运算。在高稀疏度场景下，相比使用DenseTensor提速105.75%，相比同类产品稀疏计算提速4.01%~58.55%，极致节省显存并提升性能。

支持多种稀疏Tensor格式及稀疏Tensor与稠密Tensor的混合计算

飞桨API支持最常使用的稀疏数据COO和CSR格式。COO为稀疏数据坐标格式，CSR为压缩行信息格式。不同格式的稀疏数据使用场景不同，其中SparseConv3D更适合处理COO格式的数据，SparseTransformer中有较多取整行的操作，更适合处理CSR格式的数据，能更好降低计算复杂度。虽然这些API有不同的格式倾向，但是飞桨稀疏API在设计时，每个都尽可能支持多种稀疏格式，这样在不同模型场景下处理不同的数据格式时都可以使用相同的API，不用修改代码，更灵活且更能极致提升性能。

以ReLU激活函数为例，其支持处理不同的稀疏Tensor：

# 稀疏COO Tensor
coo = paddle.sparse.sparse_coo_tensor(
        indices = [[0, 1, 2], 
                   [1, 2, 0]],
        values  = [1., 2., 3.],
        shape   = [3, 3])
out = paddle.sparse.nn.functional.relu(coo)

# 稀疏CSR Tensor
csr = paddle.sparse.sparse_csr_tensor(
        crows  = [0, 1, 2, 3],
        cols   = [1, 2, 0],
        values = [1., 2., 3.],
        shape  = [3, 3])
out = paddle.sparse.nn.functional.relu(csr)

除了支持不同的稀疏格式外，对于二元计算及矩阵向量计算等API，还支持多种稀疏格式和常规的稠密格式(Dense Tessor)的混合计算，网络可以部分使用传统组网，部分使用稀疏，更方便已有模型的优化：

# COO与Dense矩阵乘，返回稠密Tensor
coo = paddle.sparse.sparse_coo_tensor(
        indices = [[0, 1, 2], 
                   [1, 2, 0]],
        values  = [1., 2., 3.],
        shape   = [3, 3])
dense = paddle.rand([3, 2])
out = paddle.sparse.matmul(coo, dense)

# CSR与Dense矩阵乘，返回稠密Tensor
csr = paddle.sparse.sparse_csr_tensor(
        crows  = [0, 1, 2, 3],
        cols   = [1, 2, 0],
        values = [1., 2., 3.],
        shape  = [3, 3])
dense = paddle.rand([3, 2])
out = paddle.sparse.matmul(csr, dense)

# Dense与Dense矩阵乘，返回稀疏Tensor
x = paddle.rand([3, 5])
y = paddle.rand([5, 4])
mask = paddle.sparse.sparse_csr_tensor(
        crows = [0, 2, 3, 5],
        cols  = [1, 3, 2, 0, 1],
        values= [1., 2., 3., 4., 5.],
        shape = [3, 4])
out = paddle.sparse.masked_matmul(x, y, mask)

名称和使用方式与常规稠密Tensor的API保持一致，方便记忆且容易上手

一般模型中使用的API都是处理稠密数据(Dense Tensor)的API。飞桨SparseAPI在设计之初就考虑尽可能降低理解成本，与常规处理稠密数据(Dense Tensor)的API保持风格一致，方便用户快速上手。

以模型中一段ResNet稀疏网络的代码为例：

import paddle
from paddle import sparse
from paddle.sparse import nn

class SparseBasicBlock(paddle.nn.Layer):
    def __init__(
            self,
            in_channels,
            out_channels,
            stride=1,
            downsample=None,
    ):
        super(SparseBasicBlock, self).__init__()
        self.conv1 = nn.SubmConv3D(
                        in_channels,
                        out_channels,
                        kernel_size=3,
                        stride=stride,
                        padding=1)
        self.bn1 = nn.BatchNorm(out_channels, epsilon=1e-3, momentum=0.01)
        self.relu = nn.ReLU()
        self.conv2 = nn.SubmConv3D(
                        out_channels,
                        out_channels,
                        kernel_size=3,
                        stride=stride,
                        padding=1)
        self.bn2 = nn.BatchNorm(out_channels, epsilon=1e-3, momentum=0.01)
        self.downsample = downsample

    def forward(self, x):
        identity = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)

        if self.downsample is not None:
            identity = self.downsample(x)

        out = sparse.add(out, identity)
        out = self.relu(out)

        return out

可以看到，ResNet稀疏网络的代码和常规ResNet网络代码几乎没有差别，只需要通过paddle.sparse.*替代paddle.*即可，源于飞桨Sparse系列API在整体使用上与Dense系列API高度一致。如果能够增加import路径替换，甚至原网络代码都无需改动。例如通过frompaddle.sparseimportnn，则可保持与原来的nn.*写法完全一致，更易于上手。

新增图学习类API，支持高效图学习计算

近几年，图学习相关研究发展迅速，在自然语言处理、计算机视觉、推荐系统、生物化学等领域具有较为广泛的应用和发展。图学习逐渐成为机器学习领域的关键技术，本次飞桨框架v2.4新增paddle.geometric图学习类API，提供更好的图学习建模和高效图学习计算体验。

高效图消息传递

现有的大多数图学习框架在进行图模型设计时，通常采用图消息传递机制的经典范式。飞桨框架v2.4新增图学习消息传递API，支持高效图消息传递。其中，新增的send_u_recv、send_ue_recv、send_uv共计3个API，通过实现原子级别的消息发送与接收，大大减少了冗余的中间显存变量占用，从而带来显著的显存收益。在稠密图场景下，GCN、GAT等经典图神经网络模型可节省50%+的显存，并可进一步提升训练速度约20%。各个send_recv系列API支持sum、mean、max、min共计4个消息聚合方式，在节点特征与边特征交互时则支持add、sub、mul、div共计4种计算方式。使用方式示例如下：

import paddle

x = paddle.to_tensor([[0, 2, 3], [1, 4, 5], [2, 6, 7]], dtype="float32")
y = paddle.to_tensor([1, 1, 1, 1], dtype="float32")
indexes = paddle.to_tensor([[0, 1], [1, 2], [2, 1], [0, 0]], dtype="int32")
src_index, dst_index = indexes[:, 0], indexes[:, 1]
out = paddle.geometric.send_ue_recv(x, y, src_index, dst_index, message_op="add", reduce_op="sum")

高性能图采样

图采样步骤对于图采样模型特别是在大图场景下是非常有必要的，但同时也是图模型训练的性能瓶颈。本次新增了高性能图采样API，支持高并发图采样，加快图采样模型采样和训练效率，经典图模型Graphsage的采样速度可提升32~142倍，训练速度可提升12~57倍。除了支持纯GPU采样和CPU采样之外，还可以支持借助UVA（Unified Virtual Addressing，统一虚拟寻址）技术，将图结构放置在内存中进行GPU采样，该实现方式在大图场景下非常有效。简单示例如下：

import paddle
from paddle.fluid import core

row = np.array([3, 7, 0, 9, 1, 4, 2, 9, 3, 9, 1, 9, 7])
colptr = np.array([0, 2, 4, 5, 6, 7, 9, 11, 11, 13, 13])
row = core.eager.to_uva_tensor(row)
colptr = core.eager.to_uva_tensor(colptr)
nodes = paddle.to_tensor([0, 8, 1, 2])
sample_size = 2
# 邻居采样API的输入要求图结构信息为CSC格式
neighbors, neighbor_count = paddle.geometric.sample_neighbors(row, colptr, nodes, sample_size=sample_size)
# 生成重编号后的边
reindex_src, reindex_dst, out_nodes = paddle.geometric.reindex_graph(nodes, neighbors, neighbor_count)

新增语音领域类API

近几年，智能语音领域快速迅速，深度学习领域产生了很多语音训练处理基础能力的需求。本次飞桨框架v2.4新增paddle.audio类API提供了语音基础处理能力，提升了语音建模和学习便捷性。

高效的特征提取模块

特征提取模块是深度学习语音领域最基础的模块，特别在大规模数据训练和推理过程中，其速度为一个性能瓶颈。本次新增MFCC、Spectrogram、LogMelSpectrogram等特征提取API，支持GPU计算，相比CPU实现处理性能提升15倍以上，可大幅提升语音模型训练GPU利用率，达到快速训练和推理的效果。使用示例如下：

import paddle
from paddle.audio.features import LogMelSpectrogram

#设置音频相关参数
sample_rate = 16000
wav_duration = 0.5
num_channels = 1
num_frames = sample_rate * wav_duration
wav_data = paddle.linspace(-1.0, 1.0, num_frames) * 0.1
waveform = wav_data.tile([num_channels, 1])

#设置特征提起器相关参数
feature_extractor = LogMelSpectrogram(sr=sample_rate, n_fft=512, window = 'hann', power = 1.0)
feats = feature_extractor(waveform)

音频处理基础模块

深度学习语音领域，除了传统的经典模型外，还有很多语音前端处理的实验需要进行，定制化语音特征的需求应运而生。本次新增窗函数、离散余弦变换等特征提取基础API，方便用户自定义语音特征提取，方便完成定制化需求。使用示例如下：

import paddle

#cosine窗函数示例
n_fft = 512
cosine_window = paddle.audio.functional.get_window('cosine', n_fft)

#高斯窗函数
std = 7
gaussian_window = paddle.audio.functional.get_window(('gaussian',std), n_fft)

#离散余弦变换示例
n_mfcc = 23
n_mels = 257
dct = paddle.audio.functional.create_dct(n_mfcc, n_mels)

语音IO模块

对各种语音数据进行读取是音频处理的基础。现实场景中语音的编码格式各式各样，所以需要IO模块灵活地支持多种格式。飞桨框架v2.4新增语音IO模块，提供2种音频I/Obackend，支持6种编解码，便捷地实现语音数据的加载。使用示例如下：

import os
import paddle

#设置相关参数，生成示例音频
sample_rate = 16000
wav_duration = 0.5
num_channels = 1
num_frames = sample_rate * wav_duration
wav_data = paddle.linspace(-1.0, 1.0, num_frames) * 0.1
waveform = wav_data.tile([num_channels, 1])
base_dir = os.getcwd()
filepath = os.path.join(base_dir, "test.wav")

#保存和提取音频信息
paddle.audio.save(filepath, waveform, sample_rate)
wav_info = paddle.audio.info(filepath)
#wav_info中会有sample_rate, num_frames, num_channels等信息

语音分类数据集

在训练深度学习语音模型的时候，方便地下载处理数据集会为模型训练带来便捷。飞桨框架v2.4新增TESS、ESC50语音分类数据集。用户不必进行复杂的预处理，可以方便地启动训练流程，便捷地完成训练。用户也可以依照此代码，方便定制自己的数据集。使用示例如下：

import paddle

mode = 'dev'
esc50_dataset = paddle.audio.datasets.ESC50(mode=mode,
                                        feat_type='raw')
for idx in range(5):
    audio, label = esc50_dataset[idx]
    # do something with audio, label
    print(audio.shape, label)
    # [audio_data_length] , label_id

esc50_dataset = paddle.audio.datasets.ESC50(mode=mode,
                                        feat_type='mfcc',
                                        n_mfcc=40)
for idx in range(5):
    audio, label = esc50_dataset[idx]
    # do something with mfcc feature, label
    print(audio.shape, label)
    # [feature_dim, length] , label_id

其它新增的API

除了以上描述的几类新增API，飞桨框架v2.4还对已有的一些API类别进行了扩充。

loss计算API

为了更方便地支持各种组网的loss计算需求，飞桨框架v2.4扩充了多个loss计算的API，包括：

• paddle.nn.functional.cosine_embedding_loss根据label类型，计算2个输入之间的CosineEmbedding损失。
  
• paddle.nn.functional.soft_margin_loss计算输入和label间的二分类softmargin损失。
  
• paddle.nn.functional.multi_label_soft_margin_loss计算输入和label间的多分类最大熵损失。
  
• paddle.nn.functional.triplet_margin_loss和paddle.nn.functional.triplet_margin_with_distance_loss计算输入与正样本和负样本之间的相对相似性，后者可自定义距离计算函数。

张量计算API

飞桨框架2.3之前的版本实现了很多基础的张量计算API，飞桨框架2.4版本基于这些基础API，通过组合的方式扩充了张量计算API，方便用户直接使用，包括：

• 新增paddle.sgn取复数的单位值和实数的符号。
  
• 新增paddle.count_nonzero沿给定的轴统计输入张量中非零元素的个数。
  
• 新增paddle.take将输入张量视为一维，返回指定索引上的元素集合。
  
• 新增paddle.bucketize根据给定的一维桶划分，得到输入张量对应的桶索引。
  
• 新增paddle.triu_indices和paddle.tril_indices分别取二维张量(矩阵)中上/下三角矩阵元素的行列坐标。
  
• 新增paddle.heaviside计算赫维赛德阶跃函数。
  
• 新增paddle.nanmedian和paddle.nanquantile忽略张量中的nan值，分别计算出中位数和分位数值。
  

分布式API

新增10个分布式通信API，如paddle.distributed.communication.stream.all_gather等，支持在主计算流上做通信，降低了在流切换、事件等待时的性能开销，能够使分布式GPT3模型训练提速11.35%。

视觉变换API

基于飞桨基础API，扩充了paddle.vision.transforms中视觉变换API，包括：

• paddle.vision.transforms.affine和paddle.vision.transforms.RandomAffine对图像进行仿射变换，后者使用随机产生的仿射变换矩阵参数。
  
• paddle.vision.transforms.erase和paddle.vision.transforms.RandomErasing使用给定的值擦除输入图像中的像素，前者是选定区域，后者是随机区域。
  
• paddle.vision.transforms.perspective和paddle.vision.transforms.RandomPerspective对图像进行透视变换，前者是选定区域，后者是随机区域，两者都可以选择插值方法。
  

除了上面的介绍外，飞桨框架v2.4还扩充了一些组网类(如paddle.nn.ChannelShuffle)、辅助类(如paddle.iinfo)等API，详细列表可点击下方链接或者阅读链接参考Release Note。

• Release Note地址

https://github.com/PaddlePaddle/Paddle/releases

结语

飞桨框架的建设除了来自百度的工程师外，还有一批热爱飞桨、热爱开源的开发者，他们正在用自己的方式参与飞桨框架的建设，与飞桨共同成长。在飞桨框架v2.4中，有约三分之一的新增API由社区开发者贡献，飞桨的繁荣离不开广大开发者的使用与支持。

飞桨框架v2.4逐步形成了成熟的API开发范式，框架的开发难度持续降低。配合官方提供的标准开发环境，飞桨社区开发者可以更加顺畅地完成飞桨API开发与贡献。具体体现在：

• 简化API开发步骤：飞桨框架v2.4完成了基础框架算子体系重构，构造高可复用的PHI算子库(Paddle HIgh reusability operator library)，支持基于已有的算子内核以及Kernel Primitives API组合实现新的算子，支持插件式接入新硬件或者新加速库。PHI算子库的成熟，提升了飞桨API的开发效率，并形成了通用的API开发流程，使得开发者可以更加简洁流畅地参与飞桨API的开发与贡献。
  
• 发布标准API贡献指南：飞桨框架v2.4形成了标准的API贡献指南，包括贡献流程与操作指南、API设计文档模板、API代码模板、API文档写作规范，为飞桨社区开发者提供清晰的文档指引与辅助，使得开发者可以快速上手。
  
• 提供标准开发环境：飞桨AIStudio平台推出标准开发环境，为开发者提供飞桨镜像环境、在线IDE与专属GPU算力，登录即可开发调试，免去环境配置与算力限制，随时随地参与飞桨框架的开发与贡献。
  

飞桨框架v2.4提供了更加丰富的API体系，不仅更好地支持深度学习稀疏计算、图学习、语音领域的快速迭代和创新，而且不断扩展对3D点云、Sparse Transformer等场景应用的支持，同时也不断优化飞桨API的使用体验，更好地支持业界论文中模型的实现，加速创新，让基于深度学习的应用开发更简单！

关注【飞桨PaddlePaddle】公众号

获取更多技术内容~