tensorflow 导入导致 numpy 计算错误

Posted 2023-03-12

【中文标题】tensorflow 导入导致 numpy 计算错误

【英文标题】：tensorflow import causing numpy calculation errors

【发布时间】：2018-05-23 08:48:14

【问题描述】：

我正在通过线性回归示例学习 TensorFlow 的基础知识。使用 scikit-learn 执行线性回归效果很好：

import numpy as np
from sklearn.datasets import fetch_california_housing
from sklearn.linear_model import LinearRegression

housing = fetch_california_housing()

lin_reg = LinearRegression()
lin_reg.fit(housing.data, housing.target.reshape(-1, 1))

print(np.r_[lin_reg.intercept_.reshape(-1, 1), lin_reg.coef_.T])

返回以下结果：

[[ -3.69419202e+01]
 [  4.36693293e-01]
 [  9.43577803e-03]
 [ -1.07322041e-01]
 [  6.45065694e-01]
 [ -3.97638942e-06]
 [ -3.78654265e-03]
 [ -4.21314378e-01]
 [ -4.34513755e-01]]

使用 numpy（正规方程）执行同样的操作也可以正常工作：

m, n = housing.data.shape
housing_data_plus_bias = np.c_[np.ones((m, 1)), housing.data]

X = housing_data_plus_bias
y = housing.target.reshape(-1, 1)
theta_numpy = np.linalg.inv(X.T.dot(X)).dot(X.T).dot(y)

print(theta_numpy)

输出：

[[ -3.69419202e+01]
 [  4.36693293e-01]
 [  9.43577803e-03]
 [ -1.07322041e-01]
 [  6.45065694e-01]
 [ -3.97638942e-06]
 [ -3.78654265e-03]
 [ -4.21314378e-01]
 [ -4.34513755e-01]]

但是，当我在运行线性回归之前导入 TensorFlow 时，我会得到可变且不准确的结果：

import tensorflow as tf
import numpy as np
from sklearn.datasets import fetch_california_housing
from sklearn.linear_model import LinearRegression

housing = fetch_california_housing()

lin_reg = LinearRegression()
lin_reg.fit(housing.data, housing.target.reshape(-1, 1))

print(np.r_[lin_reg.intercept_.reshape(-1, 1), lin_reg.coef_.T])

产生以下结果（每次不同的值）：

[[  2.91247440e+32]
 [ -1.62971964e+11]
 [  1.42425463e+14]
 [ -4.82459003e+16]
 [ -1.33258747e+17]
 [ -2.04315813e+29]
 [  5.51179654e+14]
 [  5.92729561e+20]
 [  8.86284674e+21]]

如果我在导入 tensorflow 之前运行任一计算，然后导入 tensorflow 并再次重复计算，我会得到正确的结果。

知道原因是什么以及如何确保在导入 TensorFlow 后从 numpy/scikit-learn 获得正确的结果？

我在 Ubuntu 上使用 tensorflow-gpu 从 Anaconda 4.3.30 运行 Python 3.5.4。

numpy version: 1.12.1
tensorflow version: 1.3.0

【问题讨论】：

Maybe relevant，链接到this tf issue。

感谢@sascha 的领导。这个问题确实似乎与 TensorFlow 和 Anaconda 发行版附带的 MKL 库之间的不良交互有关。如here 所示，使用export MKL_NUM_THREAD="1" 可以让我得到正确的结果。

【参考方案1】：

Anaconda 发行版默认使用英特尔的数学内核库 (MKL)，这似乎会导致 Numpy 和 SciPy 在与 TensorFlow 结合使用时出现多个问题，如 this issue 和其他参考问题中所报告的那样。

从 pip 重新安装 Numpy 和 SciPy 解决了这个问题：

首先，使用 conda 创建一个包含所需包的新环境：

$ conda create --name env_name python=3.5 tensorflow-gpu scikit-learn

激活环境：

$ source activate env_name

使用 pip 重新安装 Numpy 和 SciPy：

$ pip install --ignore-installed --upgrade numpy scipy

这样做的缺点是您无法从 MKL 提供的性能提升中受益。例如，使用 Scikit-Learn 构建的支持向量机需要 6 分钟来训练 MKL，而在没有 MKL 的环境中训练需要 11 分钟。但是，您可以创建另一个具有 MKL（默认）的环境，以便在不需要 TensorFlow 时使用。