秒秒钟揪出张量形状错误，这个工具能防止 ML 模型训练白忙一场

模型吭哧吭哧训练了半天，结果发现张量形状定义错了，这一定没少让你抓狂吧。那么针对这种情况，是否存在较好的解决方法呢？

这不最近，韩国首尔大学的研究者就开发出了一款“利器”—— PyTea。

据研究人员介绍，它在训练模型前，能几秒内帮助你静态分析潜在的张量形状错误。

那么 PyTea 是如何做到的，到底靠不靠谱，让我们一探究竟吧。

PyTea 的出场方式

为什么张量形状错误这么重要？

神经网络涉及到一系列的矩阵计算，前面矩阵的列数必需匹配后面矩阵的行数，如果维度不匹配，那后面的运算就都无法运行了。

上图代码就是一个典型的张量形状错误，[B x 120] * [80 x 10] 无法进行矩阵运算。

无论是 PyTorch，TensorFlow 还是 Keras 在进行神经网络的训练时，大多都遵循图上的流程。

首先定义一系列神经网络层（也就是矩阵），然后合成神经网络模块……

那么为什么需要 PyTea 呢？

以往我们都是在模型读取大量数据，开始训练，代码运行到错误张量处，才可以发现张量形状定义错误。

由于模型可能十分复杂，训练数据非常庞大，所以发现错误的时间成本会很高，有时候代码放在后台训练，出了问题都不知道……

PyTea 就可以有效帮我们避免这个问题，因为它能在运行模型代码之前，就帮我们分析出形状错误。

网友们已经在热烈讨论了。

PyTea 是如何运作的，它能否有效地检查出错误呢？

受各种约束条件的影响，代码可能的运行路径有很多，不同的数据会走向不同的路径。

所以 PyTea 需要静态扫描所有可能的运行路径，跟踪张量变化，推断出每个张量形状精确而保守的范围。

上图就是 PyTea 的整体架构，一共分为翻译语言，收集约束条件，求解器判断和给出反馈四步。

首先 PyTea 将原始的 Python 代码翻译成一种内核语言。PyTea 内部表示法（PyTea IR）。

接着 PyTea 追踪 PyTea IR 每个可能的执行路径，并收集有关张量形状的约束条件。

判断约束条件是否被满足，分为线上分析和离线分析两步：

线上分析 node.js（TypeScript / JavaScript）：查找张量形状数值上的不匹配和误用 API 函数的情况。如果 PyTea 发现问题，就会停止在当前位置，然后给用户报错。

离线分析 Z3 / Python：如果线上分析没有问题，PyTea 将收集到的约束条件传给 SMT（Satisfiability Modulo Theories）求解器 Z3，求解器负责查看每条路径的约束条件是否都能被满足，如果不能，返回给用户第一条出错路径的约束条件。

如果求解器过久没有反应，PyTea 会返回不知道是否存在问题。

然而追踪所有可能的路径是指数级别的任务，对于复杂的神经网络来说，一定会发生路径爆炸这个问题。

比如说在这个例子中，网络的最终结构是由 24 个相同模块块构成的（第 17 行），那么可能的路径就有 16M 之多。

所以路径爆炸是一定要处理的，PyTea 是怎么做的？

PyTea 选择保守的地对路径剪枝和超时判断来处理这种路径爆炸。

什么样的路径可以被剪枝？

PyTea 给出的答案是，如果该前馈函数不改变全局值，并且它的输出值不受分支条件影响，对于每条路径都是相等的，我们就可以忽略许多完全一致的路径，来节约计算资源。

如果路径剪枝还是不行，那么就只能按超时处理了。

原理就介绍这么多了，感觉还是值得一试的，现在代码已经在 GitHub 上面开源了，快去看看吧！

使用方法

依赖库：

安装方法：

运行命令：

参考链接：

[1]https://github.com/ropas/pytea

[2]https://arxiv.org/abs/2112.09037