编写同时在PyTorch和Tensorflow上工作的代码
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
❝“库开发人员不再需要在框架之间进行选择。”
❞
来自德国图宾根人工智能中心的研究人员介绍了一种新的Python框架EagerPy，EagerPy允许开发人员编写独立于PyTorch和TensorFlow等流行框架的代码。
在最近发表的一篇关于EagerPy的文章中，研究人员写道，库开发人员不再关注框架依赖性。他们的新Python框架，急切地解决了它们的重新实现和代码复制障碍。
例如，Foolbox是一个构建在EagerPy之上的Python库。该库是用EagerPy而不是NumPy重写的，以实现在PyTorch和TensorFlow中开发，并且只有一个代码库，没有代码重复。Foolbox是一个对机器学习模型进行对抗性攻击的库。
为了解决框架之间的差异，作者探索了句法偏差。在PyTorch的情况下，使用In-place的梯度需要使用**_grad_()「，而反向传播是使用」backward**()调用的。
然而，TensorFlow提供了一个高级管理器和像「tape.gradient」这样的函数来查询梯度。即使在句法层面，这两个框架也有很大的不同。例如，对于参数，dim vs axis；对于函数，sum vs reduce_sum。
这就是“EagerPy ”发挥作用的地方。它通过提供一个统一的API来解决PyTorch和TensorFlow之间的差异，该API透明地映射到各种底层框架，而无需计算开销。
❝“EagerPy允许你编写自动使用PyTorch、TensorFlow、JAX和NumPy的代码。”
❞
研究人员写道，EagerPy专注于Eager执行，此外，它的方法是透明的，用户可以将与框架无关的EagerPy代码与特定于框架的代码结合起来。
TensorFlow引入的eager执行模块和PyTorch的相似特性使eager执行成为主流，框架更加相似。然而，尽管PyTorch和TensorFlow2之间有这些相似之处，但编写框架无关的代码并不简单。在语法层面，这些框架中用于自动微分的api是不同的。
自动微分是指用算法求解微分方程。它的工作原理是链式规则，也就是说，求解函数的导数可以归结为基本的数学运算（加、减、乘、除）。这些算术运算可以用图形格式表示。EagerPy特别使用了一种函数式的方法来自动区分。
下面是一段来自文档的代码片段：
import eagerpy as ep
x = ep.astensor(x)
def loss_fn(x):
#这个函数接受并返回一个eager张量
return x.square().sum()
print(loss_fn(x))
# PyTorchTensor(tensor(14.))
print(ep.value_and_grad(loss_fn, x))
首先定义第一个函数，然后根据其输入进行微分。然后传递给「ep.value_and_grad」 来得到函数的值及其梯度。
此外，norm函数现在可以与PyTorch、TensorFlow、JAX和NumPy中的原生张量和数组一起使用，与本机代码相比几乎没有任何开销。它也适用于GPU张量。
import torch
norm(torch.tensor([1., 2., 3.]))
import tensorflow as tf
norm(tf.constant([1., 2., 3.]))
总之，EagerPy 旨在提供以下功能：
为快速执行提供统一的API
维护框架的本机性能
完全可链接的API
全面的类型检查支持
研究人员声称，这些属性使得使用这些属性比底层框架特定的api更容易、更安全。尽管有这些变化和改进，但EagerPy 背后的团队还是确保了eagerpy API遵循了NumPy、PyTorch和JAX设置的标准。
使用pip从PyPI安装最新版本：
python3 -m pip install eagerpy
import eagerpy as ep
def norm(x):
x = ep.astensor(x)
result = x.square().sum().sqrt()
return result.raw
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~