秒秒鐘揪出張量形狀錯誤，這個工具能防止ML模型訓(xùn)練白忙一場
首爾大學(xué)最新開發(fā)PyTea
函擎 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
模型吭哧吭哧訓(xùn)練了半天，結(jié)果發(fā)現(xiàn)張量形狀定義錯了，這一定沒少讓你抓狂吧。
那么針對這種情況，是否存在較好的解決方法呢？
這不最近，韓國首爾大學(xué)的研究者就開發(fā)出了一款“利器”——PyTea。
據(jù)研究人員介紹，它在訓(xùn)練模型前，能幾秒內(nèi)幫助你靜態(tài)分析潛在的張量形狀錯誤。
那么PyTea是如何做到的，到底靠不靠譜，讓我們一探究竟吧。
PyTea的出場方式
為什么張量形狀錯誤這么重要？
神經(jīng)網(wǎng)絡(luò)涉及到一系列的矩陣計算，前面矩陣的列數(shù)必需匹配后面矩陣的行數(shù)，如果維度不匹配，那后面的運(yùn)算就都無法運(yùn)行了。
上圖代碼就是一個典型的張量形狀錯誤，[B x 120] * [80 x 10]無法進(jìn)行矩陣運(yùn)算。
無論是PyTorch，TensorFlow還是Keras在進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時，大多都遵循圖上的流程。
首先定義一系列神經(jīng)網(wǎng)絡(luò)層（也就是矩陣），然后合成神經(jīng)網(wǎng)絡(luò)模塊……
那么為什么需要PyTea呢？
以往我們都是在模型讀取大量數(shù)據(jù)，開始訓(xùn)練，代碼運(yùn)行到錯誤張量處，才可以發(fā)現(xiàn)張量形狀定義錯誤。
由于模型可能十分復(fù)雜，訓(xùn)練數(shù)據(jù)非常龐大，所以發(fā)現(xiàn)錯誤的時間成本會很高，有時候代碼放在后臺訓(xùn)練，出了問題都不知道……
PyTea就可以有效幫我們避免這個問題，因?yàn)樗茉谶\(yùn)行模型代碼之前，就幫我們分析出形狀錯誤。
網(wǎng)友們已經(jīng)在熱烈討論了。
PyTea是如何運(yùn)作的，它能否有效地檢查出錯誤呢？
受各種約束條件的影響，代碼可能的運(yùn)行路徑有很多，不同的數(shù)據(jù)會走向不同的路徑。
所以PyTea需要靜態(tài)掃描所有可能的運(yùn)行路徑，跟蹤張量變化，推斷出每個張量形狀精確而保守的范圍。
上圖就是PyTea的整體架構(gòu)，一共分為翻譯語言，收集約束條件，求解器判斷和給出反饋四步。
首先PyTea將原始的Python代碼翻譯成一種內(nèi)核語言。PyTea內(nèi)部表示法（PyTea IR）。
接著PyTea追蹤PyTea IR每個可能的執(zhí)行路徑，并收集有關(guān)張量形狀的約束條件。
判斷約束條件是否被滿足，分為線上分析和離線分析兩步：
- 線上分析 node.js（TypeScript / JavaScript）：查找張量形狀數(shù)值上的不匹配和誤用API函數(shù)的情況。如果PyTea發(fā)現(xiàn)問題，就會停止在當(dāng)前位置，然后給用戶報錯。
- 離線分析 Z3/Python：如果線上分析沒有問題，PyTea將收集到的約束條件傳給SMT（Satisfiability Modulo Theories）求解器 Z3，求解器負(fù)責(zé)查看每條路徑的約束條件是否都能被滿足，如果不能，返回給用戶第一條出錯路徑的約束條件。
如果求解器過久沒有反應(yīng)，PyTea會返回不知道是否存在問題。
然而追蹤所有可能的路徑是指數(shù)級別的任務(wù)，對于復(fù)雜的神經(jīng)網(wǎng)絡(luò)來說，一定會發(fā)生路徑爆炸這個問題。
比如說在這個例子中，網(wǎng)絡(luò)的最終結(jié)構(gòu)是由24個相同模塊塊構(gòu)成的（第17行），那么可能的路徑就有16M之多。
所以路徑爆炸是一定要處理的，PyTea是怎么做的？
PyTea選擇保守的地對路徑剪枝和超時判斷來處理這種路徑爆炸。
什么樣的路徑可以被剪枝？
PyTea給出的答案是，如果該前饋函數(shù)不改變?nèi)种担⑶宜妮敵鲋挡皇芊种l件影響，對于每條路徑都是相等的，我們就可以忽略許多完全一致的路徑，來節(jié)約計算資源。
如果路徑剪枝還是不行，那么就只能按超時處理了。
原理就介紹這么多了，感覺還是值得一試的，現(xiàn)在代碼已經(jīng)在GitHub上面開源了，快去看看吧！
使用方法
依賴庫：
安裝方法：
運(yùn)行命令：
參考鏈接：
[1]https://github.com/ropas/pytea
[2]https://arxiv.org/abs/2112.09037
- 商湯林達(dá)華萬字長文回答AGI：4層破壁，3大挑戰(zhàn)2025-08-12
- 商湯多模態(tài)大模型賦能鐵路勘察設(shè)計，讓70年經(jīng)驗(yàn)“活”起來2025-08-13
- 以“具身智能基座”為核，睿爾曼攜全產(chǎn)品矩陣及新品亮相2025 WRC2025-08-11
- 哇塞，今天北京被機(jī)器人人人人人塞滿了！2025-08-08
相關(guān)閱讀
谷歌將AutoML應(yīng)用到Transformer架構(gòu)，實(shí)現(xiàn)機(jī)器翻譯最佳性能
和以往其他Transformer不同，ET能夠根據(jù)特定任務(wù)進(jìn)行定制，在機(jī)器翻譯領(lǐng)域得到了最先進(jìn)的結(jié)果，并且對語言建模任務(wù)也進(jìn)行了改進(jìn)。
中國軍團(tuán)稱霸KDD：華人博士斬獲最佳論文，清華北大中科大華為等榜上有名
還稱霸了“大數(shù)據(jù)世界杯”以及贊助席
老虎斑馬“雜交”長啥樣？CVPR19論文提出紋理混合器，不同花紋實(shí)現(xiàn)絲滑過渡 | 開源
目前，更多展示、代碼、訓(xùn)練測試數(shù)據(jù)集、已訓(xùn)練好的模型和補(bǔ)充材料都已經(jīng)在項(xiàng)目GitHub上放出了
