mshadow的原理--MXNet

这文章主要解释了表达式模板的工作原理（也是mshadow的主要原理），文章的前半部分是翻译自exp-template/README.md。我们会解释它为什么会影响编译代码的性能，表达式模板也是C++矩阵运算库的用到的主要技巧，比如Eigen,GSL,boost.uBLAS。

如何写出机器学习的高效代码？

在开始之前，我们先考一个问题，假如更新的规则如下：（这里是为了达到解释的目的，通常更新规则是这样的：weight += - eta * (grad + lambda * weight) ）

weight =  - eta * (grad + lambda * weight);

这里权重与梯度都是长度为n的向量。当你选择C++作为你的编程语言时，我想你主要考虑是效率。下面这个很重要并且用在大多数C/C++程序中：

预先分配必要的内存，在程序运行的过程中没有临时内存

这里是一个例子：

void UpdateWeight (const float *grad, float eta, float lambda,
                   int n, float *weight) {
  for (int i = 0; i < n; ++i) {
    weight[i] =  - eta * (grad[i] + lambda * weight[i]);
  }
}

这个函数用了预先分配的梯度、权重空间来计算，写这样的一个函数十分简单，然而当我们要重复这样写的时候会十分烦恼。所以问题是如果我们写成以下的样子，能得到和上面代码一样的性能吗？

void UpdateWeight (const Vec& grad, float eta, float lambda, Vec& weight) {
  weight = -eta * (grad + lambda * weight);
}

答案是可以的，但这不是最显然的答案。

一个原始的方法

让我们首先来看一下最直接的解决方法：运算符重载。

// Naive solution for vector operation overloading 
struct Vec {
  int len;
  float* dptr;
  Vec(int len) : len(len) { 
    dptr = new float[len];
  }
  Vec(const Vec& src) : len(src.len) {
    dptr = new float[len];
    memcpy(dptr, src.dptr, sizeof(float)*len ); 
  }
  ~Vec(void) {
    delete [] dptr;
  }
};

inline Vec operator+(const Vec &lhs, const Vec &rhs) {
  Vec res(lhs.len);
  for (int i = 0; i < lhs.len; ++i) {
    res.dptr[i] = lhs.dptr[i] + rhs.dptr[i];
  } 
  return res;
}

如果我们用同样的方式增加更多的运算符重载，我们就可以得到我们的想要的直接写等式而不是循环的方法。然而，这种方法明显是低效的，因为中间有临时内存被分配与释放，所以我们能做得更好。

有一种更高效的选择是：我们可以仅重载运算符+=,-=，这两个运算符是不用分配临时内存的，但是这会限制我们写等式。等会我们将会讨论为什么我们需要表达式模板，虽然C++11在本教程的末尾提供了移动赋值运算符和右值引用。

延迟计算

在做运算符+时，为什么我们要分配临时内存呢？这是因为我们不知道将在运算符+中分配的目标，否则我们可以直接将结果存入到目标中，而不是放在临时变量中。

但是如果我们知道目标呢？这个结代码的实现在exp_lazy.cpp中：

// Example Lazy evaluation code
// for simplicity, we use struct and make all members public
#include <cstdio>
struct Vec;
// expression structure holds the expression
struct BinaryAddExp {
  const Vec &lhs;
  const Vec &rhs;
  BinaryAddExp(const Vec &lhs, const Vec &rhs)
  : lhs(lhs), rhs(rhs) {}
};
// no constructor and destructor to allocate and de-allocate memory,
//  allocation done by user
struct Vec {
  int len;
  float* dptr;
  Vec(void) {}
  Vec(float *dptr, int len)
      : len(len), dptr(dptr) {}
  // here is where evaluation happens
  inline Vec &operator=(const BinaryAddExp &src) {
    for (int i = 0; i < len; ++i) {
      dptr[i] = src.lhs.dptr[i] + src.rhs.dptr[i];
    }
    return *this;
  }
};
// no evaluation happens here
inline BinaryAddExp operator+(const Vec &lhs, const Vec &rhs) {
  return BinaryAddExp(lhs, rhs);
}

const int n = 3;
int main(void) {
  float sa[n] = {1, 2, 3};
  float sb[n] = {2, 3, 4};
  float sc[n] = {3, 4, 5};
  Vec A(sa, n), B(sb, n), C(sc, n);
  // run expression
  A = B + C;
  for (int i = 0; i < n; ++i) {
    printf("%d:%f==%f+%f\n", i, A.dptr[i], B.dptr[i], C.dptr[i]);
  }
  return 0;
}

我们实现的思想是在运算符+并没有直接的计算，而是返回一个表达的对象（像抽象语法树），当我们重载运算符=时，我们就可以知道目标和所有的操作时，这样我们就可以直接计算而且不需要临时变量。同样地，我们定义DotDxp和在运算符=上定义延迟计算，并将矩阵（向量）的乘法定向的BLAS库上计算。

更长的表达式与表达式模板

使用延迟计算，我们可以很好地避免了临时变量的分配，但是代码的扩展能力被限制了：

我们只能写出A=B+C，不能写出更出的表达式了。
当我们加入表达式时，我们要重载更多的运算符=来计算每一个等式。

这里我们实现了一个魔法模板程序来解决这两个问题，代码（exp_template.cpp）如下，代码虽然有点长，但可以允许你写更多的等式。

// Example code, expression template, and more length equations
// for simplicity, we use struct and make all members public
#include <cstdio>

// this is expression, all expressions must inheritate it,
//  and put their type in subtype
template<typename SubType>
struct Exp {
  // returns const reference of the actual type of this expression
  inline const SubType& self(void) const {
    return *static_cast<const SubType*>(this);
  }
};

// binary add expression
// note how it is inheritates from Exp
// and put its own type into the template argument
template<typename TLhs, typename TRhs>
struct BinaryAddExp: public Exp<BinaryAddExp<TLhs, TRhs> > {
  const TLhs &lhs;
  const TRhs &rhs;
  BinaryAddExp(const TLhs& lhs, const TRhs& rhs)
      : lhs(lhs), rhs(rhs) {}
  // evaluation function, evaluate this expression at position i
  inline float Eval(int i) const {
    return lhs.Eval(i) + rhs.Eval(i);
  }
};
// no constructor and destructor to allocate
// and de-allocate memory, allocation done by user
struct Vec: public Exp<Vec> {
  int len;
  float* dptr;
  Vec(void) {}
  Vec(float *dptr, int len)
      :len(len), dptr(dptr) {}
  // here is where evaluation happens
  template<typename EType>
  inline Vec& operator= (const Exp<EType>& src_) {
    const EType &src = src_.self();
    for (int i = 0; i < len; ++i) {
      dptr[i] = src.Eval(i);
    }
    return *this;
  }
  // evaluation function, evaluate this expression at position i
  inline float Eval(int i) const {
    return dptr[i];
  }
};
// template add, works for any expressions
template<typename TLhs, typename TRhs>
inline BinaryAddExp<TLhs, TRhs>
operator+(const Exp<TLhs> &lhs, const Exp<TRhs> &rhs) {
  return BinaryAddExp<TLhs, TRhs>(lhs.self(), rhs.self());
}

const int n = 3;
int main(void) {
  float sa[n] = {1, 2, 3};
  float sb[n] = {2, 3, 4};
  float sc[n] = {3, 4, 5};
  Vec A(sa, n), B(sb, n), C(sc, n);
  // run expression, this expression is longer:)
  A = B + C + C;
  for (int i = 0; i < n; ++i) {
    printf("%d:%f == %f + %f + %f\n", i,
           A.dptr[i], B.dptr[i],
           C.dptr[i], C.dptr[i]);
  }
  return 0;
}

关键的思想是模板Exp<SubType>将派生的类作为模板参数，这样就可以将这个模板的自身通过self()转换成SubTpye（就是派生类）。BinaryAddExp现在是一个模板类，可以将表达式复合在一起，就像一个复合模式的模板版本一样。计算通过函数Eval完成，它在BinaryAddExp中以递归的方式完成。

由于内联，当函数在运算符=调用src.Eval(i) 会在编译时被编译成B.dptr[i] + C.dptr[i] + C.dptr[i]。
我们可以像循环一样高效地将等式写成逐元素的方式。

使它更灵活

通过上面的例子，模板编程编译时可以强大地更程序更加灵活，最后的例子比较接近mshadow了，可以请允许用户使用双目运算符（exp_template_op.cpp）。

// Example code, expression template
// with binary operator definition and extension
// for simplicity, we use struct and make all members public
#include <cstdio>

// this is expression, all expressions must inheritate it,
// and put their type in subtype
template<typename SubType>
struct Exp{
  // returns const reference of the actual type of this expression
  inline const SubType& self(void) const {
    return *static_cast<const SubType*>(this);
  }
};

// binary operators
struct mul{
  inline static float Map(float a, float b) {
    return a * b;
  }
};

// binary add expression
// note how it is inheritates from Exp
// and put its own type into the template argument
template<typename OP, typename TLhs, typename TRhs>
struct BinaryMapExp: public Exp<BinaryMapExp<OP, TLhs, TRhs> >{
  const TLhs& lhs;
  const TRhs& rhs;
  BinaryMapExp(const TLhs& lhs, const TRhs& rhs)
      :lhs(lhs), rhs(rhs) {}
  // evaluation function, evaluate this expression at position i
  inline float Eval(int i) const {
    return OP::Map(lhs.Eval(i), rhs.Eval(i));
  }
};
// no constructor and destructor to allocate and de-allocate memory
// allocation done by user
struct Vec: public Exp<Vec>{
  int len;
  float* dptr;
  Vec(void) {}
  Vec(float *dptr, int len)
      : len(len), dptr(dptr) {}
  // here is where evaluation happens
  template<typename EType>
  inline Vec& operator=(const Exp<EType>& src_) {
    const EType &src = src_.self();
    for (int i = 0; i < len; ++i) {
      dptr[i] = src.Eval(i);
    }
    return *this;
  }
  // evaluation function, evaluate this expression at position i
  inline float Eval(int i) const {
    return dptr[i];
  }
};
// template binary operation, works for any expressions
template<typename OP, typename TLhs, typename TRhs>
inline BinaryMapExp<OP, TLhs, TRhs>
F(const Exp<TLhs>& lhs, const Exp<TRhs>& rhs) {
  return BinaryMapExp<OP, TLhs, TRhs>(lhs.self(), rhs.self());
}

template<typename TLhs, typename TRhs>
inline BinaryMapExp<mul, TLhs, TRhs>
operator*(const Exp<TLhs>& lhs, const Exp<TRhs>& rhs) {
  return F<mul>(lhs, rhs);
}

// user defined operation
struct maximum{
  inline static float Map(float a, float b) {
    return a > b ? a : b;
  }
};

const int n = 3;
int main(void) {
  float sa[n] = {1, 2, 3};
  float sb[n] = {2, 3, 4};
  float sc[n] = {3, 4, 5};
  Vec A(sa, n), B(sb, n), C(sc, n);
  // run expression, this expression is longer:)
  A = B * F<maximum>(C, B);
  for (int i = 0; i < n; ++i) {
    printf("%d:%f == %f * max(%f, %f)\n",
           i, A.dptr[i], B.dptr[i], C.dptr[i], B.dptr[i]);
  }
  return 0;
}

总结

到这里为止，你应该明白它工作的基本思想：

延迟计算，使得我们能知道所有的操作数和目标。
复合模板和递归计算，使得我们能够计算逐元素操作的任意复合表达式。
由于模板和内联的设计，我们写出来的表达式像用循环实现更新规则的一样高效。

所以在编写机器学习代码时写表达式，并将精力集中在重要的算法部分上。

在MShadow中的表达式模板

在Mshadow的表达式模板用到的上面我们介绍的关键思想，但有几个小的不同点：

我们将评估代码与表达式构建和组成代码分开：
- 在表达中创建Plan类用来替代Exp类的计算函数Eval，用来计算结果。
- 这允许我们在Plan中放置较少的变量，例如，当我们评估数据时，我们不需要数组长度。
- 一个重要的原因是CUDA内核不能使用const引用来接受类。
- 虽然这种设计选择是有争议的，但我们发现迄今为止还是有用的。
延迟还支持复式的表达式，比如矩阵的乘法
- 除了逐元素的表达式，我们还支持比这样A = dot(B.T(), C)的运算，同样延迟表达是不需要分配临时内存的。
类型检查和数组长度检查。

备注

表达式模板与C++11：在C ++ 11中，移动构造函数可以用来保存重复的分配内存，这样就省去了一些需要的表达模板。然后，仍然要分配最少一次的空间。
- 这只是删除了表达式模板中表达式所需的内存，比如dst = A+B+C，dst并没有包括赋值前所分配的空间。
- 如果我们想保留所有的变量预先分配内存的语法，并且表达式执行时没有内存分配（这是我们在mshadow中所做的），我们仍然需要表达式模板。

Mshadow源码解析

Mshadow采用了表达式模板增强了c++矩阵库的性能，四个主要的数据类型的继承关系如下：

Tensor --> TRValue --> RValueExp --> Exp

基类Exp

可以看到基类是Exp，除了一些基本的数据类型（如int、float等），其它的数据类型都是继承于Exp，Exp的设计特殊之处在于可以将它的派生类作为模板参数，这样就可以将这个模板的自身通过self()（返回的是一个不可修改的实例）或者ptrself()（返回的是一个可修改的指针）转换成SubTpye（就是派生类）

template<typename SubType, typename DType, int exp_type>
struct Exp {
 public:
  /*! \return  subtype instance of current class */
  inline const SubType& self(void) const {
    return *static_cast<const SubType*>(this);
  }
  /*! \return reference of subtype instance of current class */
  inline SubType* ptrself(void) {
    return static_cast<SubType*>(this);
  }
};

RValueExp

RValueExp仅定义了一些赋值函数、重载运算符等，要注意的是它将表达式的类型写成默认的kRValue=0，后面所有的数据定义时表达类型都是这个，真正改变表达式类型的是运算符，比如dot、一些重载的运算符。

template<typename Container, typename DType>
class RValueExp: public Exp<Container, DType, type::kRValue> {
	//...
}

来看一下表达式的定义，可以看到的是等级高的表达式包括了等级低的，总结起来就是
- kRValue = 0，直接对应一个数据类，可以用来分配数据，比。
- kMapper = 1，表达式包含元素张量运算，将表达式映射到相同的形状。
- kChainer = 3，表达式可以被写成与其他表达式的链接，通常它具有定义的函数Eval(i,j)中所定义，这个能从输入的表达式中抽出结果(i,j)并和输出到特定位置中。
- kComplex = 7，用在其它运算中，比如dot。

namespace type {
// type expression type are defined as bitmask
// subtype relationshop kRValue < kMapper < kMapper < kComplex
/*!
 * \brief this expression directly correspnds to a data class,
 *   can be used to assign data
 */
const int kRValue = 0;
/*!
 * \brief expression contains element-wise tensor operations,
 *   map a expression to same shape
 */
const int kMapper = 1;
/*!
 * \brief expression that can be chained with other expressiones
 *    Usually it have function Eval(i,j) defined, which pulls the result (i, j) from input
 *    expression and output the result at certain position.
 */
const int kChainer = 3;
/*! \brief othercase: e.g dot product */
const int kComplex = 7;
}  // namespace type

TRValue

TRValue并没有什么实现的内容，但它是所有可能Teson的超类：

template<typename Container, typename Device, int dimension, typename DType>
struct TRValue: public expr::RValueExp<Container, DType> {
};

Tensor

Tensor是我们的计算基本数据类型，在mshadow中，除了基本类型，其它数据结果最终于都要在回到Tensor中计算，包括继承它了类TensorContainer和用于图模型中更抽象灵活的数据结构TBlob。

template<typename Device, int dimension,
         typename DType MSHADOW_DEFAULT_DTYPE>
struct Tensor: public TRValue<Tensor<Device, dimension, DType>,
                              Device, dimension, DType> {
 public:
  //--------------------------------
  // struct memembers
  //--------------------------------
  /*! \brief whether current type lies in cpu */
  static const bool kDevCPU = Device::kDevCPU;
  /*! \brief dimension of subtype */
  static const int  kSubdim = dimension - 1;
  //--------------------------------
  // struct memembers
  //--------------------------------
  /*! \brief pointer to the data */
  DType *dptr_;
  /*! \brief shape of the tensor */
  Shape<dimension> shape_;
  /*!
   * \brief storing the stride information in x dimension
   *    this is used to deal with pitch allocation in gpu or sse(align x dimension to 64bit) for efficiency
   */
  index_t stride_;
  /*!
   * \brief stream where the computation lies
   * stream is a device dependency concept where each computation
   */
  Stream<Device> *stream_;
  //--------------------------------
  // functions
  //--------------------------------
  ...
}

TensorContainer

TensorContainer继承自Tensor,最大的区别是TensorContainer在创建对象的时候会分配相应的空间，使用时相对比较方便。

template<typename Device, int dimension, typename DType = default_real_t>
class TensorContainer: public Tensor<Device, dimension, DType> {
}

TBlob

对于Tensor来说，它的Shape是不能改变的，但对于深度学习的图模型来说，这显然是不合适的。为了适应这个需求，设计了用于图模型中更抽象灵活的数据结构TBlob。通过TBlob的成员函数能获取它在储存的数据并转于相应的Tensor。

class TBlob {
 public:
  /*! \brief pointer to the data */
  void *dptr_;
  /*! \brief shape of the tensor */
  TShape shape_;
  /*!
   * \brief storing the stride information in x dimension
   */
  index_t stride_;
  /*! \brief device mask of the corresponding device */
  int dev_mask_;
  /*! \brief type flag of the tensor blob */
  int type_flag_;
  ...
}

计算的过程

表达式和对应的计算是分开的，而且用了延迟计算的思想，到赋值运算时会一起计算。新构建一个运算符的表达式有如下步骤：

先定义表达类，要继承于Exp，内建构造函数存储相应的数据。
构建运算符，生成表达类。
重载该表达类的Plan类，生成表达类的Plan对象，内建Eval函数计算Plan对象的值。
重载该表达类的MakePlan类，用来生成该表达类的Plan类。
重载该表达类的ExpInfo类，用来存储该表达类的相关信息。

下面我们用basic.cpp内的一段函数来说明上面的过程及原理：

40	TensorContainer<cpu, 2> lhs(Shape2(2, 3)), rhs(Shape2(2, 3)), ret(Shape2(2,2));
41	lhs = 1.0;
42	rhs = 1.0;
43	ret = implicit_dot(lhs, rhs.T());

第40行：
这个是声明变量，正如上面所说，这里为TensorContainer变量分配了相应的空间。

第41、42行：
这两行说的是同一个东西，我们就以41行lhs = 1.0为例说明（过程有省略，因为调用堆栈比较深）。

操作数1已经是一个完整的对象了，不会再有操作，所以直接调用赋值运算符=
=两边的变量，左边个是常用的类型double或者float（看编译器），右边是TensorContainer对象，所以调用Tensor_container.cpp中的函数：

inline Tensor<Device, dimension, DType> &operator=(DType s) {
	return this->__assign(s);
}

__assign在父类RValueExp（在文件Expresion.h）中定义了，查看数据类型，调用的是以下函数，其中saveto是一个运算符（也可以说成操作符）。要注意的是，这个函数内有一个操作scalar<DType>(s)，这个操作将类型从DTpye转变成ScalarExp<Dtype>，而且运算符的类型变成了KMapper。另外，this->ptrself()指的是lhs，scalar<DType>(s)则是1。

inline Container &__assign(DType s) {
	ExpEngine<sv::saveto, Container, DType>::Eval(this->ptrself(), scalar<DType>(s));
	return *(this->ptrself());
}

调用以下函数（Expr_engine-inl.h），SV是操作符saveto：

template<typename E>
inline static void Eval(RV *dst, const Exp<E, DType, type::kMapper> &exp) {
	MapExp<SV>(dst, exp);
}

调用Tensor_cpu-inl.h的MapExp、Map函数:

template<typename Saver, typename R, int dim, typename DType, typename E, int etype>
inline void MapExp(TRValue<R, cpu, dim, DType> *dst, const expr::Exp<E, DType, etype> &exp) {
	...
	MapExpCPUEngine<expr::PacketCheck<E, MSHADOW_DEFAULT_PACKET>::kPass,Saver, R, dim, DType, E, etype>
	::Map(dst->ptrself(), exp);
}

template<bool pass_check, typename Saver, typename R, int dim, typename DType, typename E, int etype>
struct MapExpCPUEngine {
		inline static void Map(TRValue<R, cpu, dim, DType> *dst, const expr::Exp<E, DType, etype> &exp) {
			MapPlan<Saver>(dst, MakePlan(exp.self()));
	}
};

MapPlan有两次调用，先是调用里面的MapPlan，函数在Expr_engine-inl.h中，并且得到Scalar<DType>对象的Plan对象。然后再调用Tensor_cpu-inl.h的MapPlan

template<typename DType>
inline Plan<ScalarExp<DType>, DType> MakePlan(const ScalarExp<DType> &e) {
	return Plan<ScalarExp<DType>, DType>(e.scalar_);
}

template<typename Saver, typename R, int dim, typename DType, typename E>
inline void MapPlan(TRValue<R, cpu, dim, DType> *dst, const expr::Plan<E, DType> &plan) {
	Shape<2> shape = expr::ShapeCheck<dim, R>::Check(dst->self()).FlatTo2D();
	expr::Plan<R, DType> dplan = expr::MakePlan(dst->self());
#if (MSHADOW_USE_CUDA == 0)
	#pragma omp parallel for
#endif
// temp remove openmp, as default setting throttles CPU
	for (openmp_index_t y = 0; y < shape[0]; ++y) {
		for (index_t x = 0; x < shape[1]; ++x) {
  		// trust your compiler! -_- they will optimize it
  			Saver::template Save<DType>(dplan.REval(y, x), plan.Eval(y, x));
		}
	}
}

再调用plan.Eval(y, x)与dplan.REval(y, x)，两个函数都在Expr_engine-inl.h中：

// scalar
template<typename DType>
class Plan<ScalarExp<DType>, DType> {
	public:
	explicit Plan(DType scalar) : scalar_(scalar) {}
	MSHADOW_XINLINE DType Eval(index_t y, index_t x) const {
		return scalar_;
	}
	private:
	DType scalar_;
};

// tensor plan
template <typename Device, int dim, typename DType>
class Plan<Tensor<Device, dim, DType>, DType> {
	public:
	explicit Plan(const Tensor<Device, dim, DType> &t)
  		: dptr_(t.dptr_), stride_(t.stride_) {}
	// for RValue, the return type should be reference
	MSHADOW_XINLINE DType &REval(index_t y, index_t x) {
		return dptr_[y * stride_ + x];
	}
	// const evaluation
	MSHADOW_XINLINE const DType &Eval(index_t y, index_t x) const {
		return dptr_[y * stride_ + x];
	}

	private:
	DType  *dptr_;
	index_t stride_;
};

最后调用的是Saver::template Save<DType>(dplan.REval(y, x), plan.Eval(y, x))，这个Save操作就是我们之前的saveto，调用在Base.h函数：

/*! \brief save to saver: = */
struct saveto {
	 /*! \brief save b to a using save method */
	template<typename DType>
	MSHADOW_XINLINE static void Save(DType &a, DType b) { // NOLINT(*)
		a = b;
	}
    ...
};

到这里，基本的赋值操作就完成了，你会发现用表达式模板是十不直接的操作。

第43行ret = implicit_dot(lhs, rhs.T())：
这个更加复杂，implicit_dot可以看成一个独立的操作符，如果想写一个新的操作符，可以参考Implicit_gemn.h。这个表达式复杂的原因是有三个运算符——.T()、implicit_dot和ret，要用到递归运算了。无论表达式多么的复杂，我们只要记住，除了赋值运算（其实它也没有Plan类）外一个表达式的结果可以用Plan.Eval来获得的。下面是一些这行代码运算的基本过程：

rhs.T()这个操作在Expression.h中，返回一个TransposeExp表达式（注意的是inline的函数会在编译中展开，这里为了方便理解，只是说了调用）。这里要注意的是TransposeExp表达式的类型是kChainer。

inline const TransposeExp<Container, DType> T(void) const {
	return TransposeExp<Container, DType>(this->self());
}

implicit_dot(lhs, rhs.T())函数在Implicit_gemn.h中，返回一个ImplicitGEMMExp表达式。这里要注意的是implicit_dot表达式的类型是kChainer。

template<typename LhsExp, typename RhsExp, typename DType, int e1, int e2>
inline ImplicitGEMMExp<LhsExp, RhsExp, DType>
implicit_dot(const Exp<LhsExp, DType, e1> &lhs, const Exp<RhsExp, DType, e2> &rhs) {
	TypeCheckPass<ExpInfo<LhsExp>::kDim == 2 && ExpInfo<RhsExp>::kDim == 2>
  		::Error_Expression_Does_Not_Meet_Dimension_Req();
	return ImplicitGEMMExp<LhsExp, RhsExp, DType>(lhs.self(), rhs.self());
}

赋值运算符=与上面所以的步骤有相同之处，只是不同的类型，调用的重载函数是不一样的。上面的调用的第一个MapPlan是调用Implicit_gemn.h中的，返回的是一个ImplicitGEMMExp的Plan类，第二个则是一样的。

template<typename LhsExp, typename RhsExp, typename DType>
inline Plan<ImplicitGEMMExp<LhsExp, RhsExp, DType>, DType>
MakePlan(const ImplicitGEMMExp<LhsExp, RhsExp, DType> &exp) {
      return Plan<ImplicitGEMMExp<LhsExp, RhsExp, DType>, DType>(exp);
}

我们来看程序运行到Saver::template Save<DType>(dplan.REval(y, x), plan.Eval(y, x))时，对于dplan.REval(y, x)和Save我们已经说过了，这次要说的是Plan.Eval(y, x)，来看下是如果进行递归调用的。这个函数在Implicit_gemn.h中：

template<typename LhsExp, typename RhsExp, typename DType>
struct Plan<ImplicitGEMMExp<LhsExp, RhsExp, DType>, DType> {
 public:
  explicit Plan(const ImplicitGEMMExp<LhsExp, RhsExp, DType> &e)
      : lhs_(MakePlan(e.lhs_)),
        rhs_(MakePlan(e.rhs_)),
        prod_size_(e.prod_size_),
        prod_size_lower_align_(packet::LowerAlign<DType, MSHADOW_DEFAULT_PACKET>(e.prod_size_)) {
  }

  MSHADOW_XINLINE DType Eval(index_t y, index_t x) const {
    typedef packet::Packet<DType> Packet;
    Packet sum = Packet::Fill(0);

    const size_t packetSize = Packet::Size();
    DType lhs_temp[packetSize], rhs_temp[packetSize];

    for (index_t i = 0; i < prod_size_lower_align_; i += packetSize) {
      // unroll
      for (index_t j = 0; j < packetSize; ++j) {
        lhs_temp[j] = lhs_.Eval(y, i + j);
      }
      for (index_t j = 0; j < packetSize; ++j) {
        rhs_temp[j] = rhs_.Eval(i + j, x);
      }
      sum = sum + Packet::LoadUnAligned(lhs_temp) * Packet::LoadUnAligned(rhs_temp);
    }
    DType ret_result = sum.Sum();

    for (index_t i =  prod_size_lower_align_; i < prod_size_; ++i) {
      ret_result += lhs_.Eval(y, i) * rhs_.Eval(i, x);
    }
    return ret_result;
  }

 private:
  expr::Plan<LhsExp, DType> lhs_;
  expr::Plan<RhsExp, DType> rhs_;
  const index_t prod_size_;
  const index_t prod_size_lower_align_;
};

在进行计算中，要得到lhs_与rhs_表达式的值，而这两个表达式也是Plan类，之前我们说过：只要记得Plan.Eval是得到表达式的值就行了。所以当调用rhs_.Eval一直递归到计算得到值为止，所以rhs_.Eval最后得到的ret = implicit_dot(lhs, rhs.T())中rhs.T()的值。

余下的过程和上述的过程差不多了。

可以看到上述的操作并没有用临时内存。
对于传统的一些操作符+、-、*、/等，会被统一到TernaryMapExp（三目）、BinaryMapExp（双目）、UnaryMapExp（单目）中，参考加文件Expression.h，它的相关类MakePlan与Plan则定义在Exp_engine-inl.h。

其它

对于gpu的编程有它的一些限制，但设计的类和上而是差的多的。
logging.h是日志系统，打印记录一些系统的信息。
io.h是读写文件的操作，与mshadow相对来说是独立的，只是它适配了一些类型的格式（比如Tensor）读写。

【防止爬虫转载而导致的格式问题——链接】：http://www.cnblogs.com/heguanyou/p/7545344.html

posted @ 2017-09-18 21:28 Thaurun 阅读(2637) 评论(4) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

Thaurun

算法、图像模式识别与人工智能

mshadow的原理--MXNet

mshadow的原理--MXNet

如何写出机器学习的高效代码？

一个原始的方法

延迟计算

更长的表达式与表达式模板

使它更灵活

总结

在MShadow中的表达式模板

备注

Mshadow源码解析

基类Exp

RValueExp

TRValue

Tensor

TensorContainer

TBlob

计算的过程

其它

公告