利用cuDNN内核实现低成本管理

Question

我想用Cudnn训练我的RNN模型：

max_length <- 140 
embedding_dim <- 128

model <- keras_model_sequential()

# define model
model %>% 
  # layer input
  layer_embedding(
    name = "input",
    input_dim = num_words,
    input_length = max_length,
    output_dim = embedding_dim, 
    embeddings_initializer = initializer_random_uniform(minval = -0.05, maxval = 0.05, seed = 2)
  ) %>%
  # layer dropout
  layer_spatial_dropout_1d(
    name = "embedding_dropout",
    rate = 0.2
  ) %>%
  # layer lstm 1
  bidirectional(layer_lstm(
    name = "lstm",
    units = 64,
    unroll = FALSE,
    dropout = 0.2,
    use_bias = TRUE,
    recurrent_dropout = 0,
    return_sequences = TRUE
  )) %>% 
  layer_batch_normalization() %>%
  # layer output
  layer_dense(
    name = "output",
    units = 3,
    activation = "softmax"
  )

当我运行它的时候，我得到了这个变暖：

警告:tensorflow: lstm层不使用cuDNN内核，因为它不符合cuDNN内核标准。在GPU上运行时，它将使用通用GPU内核作为后盾。

我想我已经跟踪了所有的要求，不知道我错过了什么。

SessionInfo：

R version 4.0.0 (2020-04-24)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 18363)

Matrix products: default

locale:
[1] LC_COLLATE=English_United States.1252 
[2] LC_CTYPE=English_United States.1252   
[3] LC_MONETARY=English_United States.1252
[4] LC_NUMERIC=C                          
[5] LC_TIME=English_United States.1252    

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] keras_2.3.0.0

loaded via a namespace (and not attached):
 [1] Rcpp_1.0.4.6     lattice_0.20-41  zeallot_0.1.0    rappdirs_0.3.1  
 [5] grid_4.0.0       R6_2.4.1         jsonlite_1.6.1   magrittr_1.5    
 [9] tfruns_1.4       whisker_0.4      Matrix_1.2-18    reticulate_1.15 
[13] generics_0.0.2   tools_4.0.0      xfun_0.14        compiler_4.0.0  
[17] base64enc_0.1-3  tensorflow_2.2.0 knitr_1.28   

Answer 1

我遇到了同样的问题，并通过手动设置选项将与cuDNN兼容的实现作为指定的这里进行了修复。

基于可用的运行时硬件和约束，该层将选择不同的实现(基于CuDNN或纯TensorFlow)以最大限度地提高性能。如果一个GPU可用，并且该层的所有参数都满足cuDNN内核的要求(详见下文)，该层将使用快速cuDNN实现。

使用cuDNN实现的要求如下：

1. 激活== tanh
2. recurrent_activation ==乙状结肠
3. recurrent_dropout == 0
4. 展开是错误的
5. use_bias是真的
6. 输入，如果使用掩蔽，是严格正确的垫.
7. 在最外层的上下文中启用了急切的执行。

特别是，我必须指定recurrent_activation == sigmoid。安装的Keras/TF i版本默认为recurrent_activation == hard_sigmoid。