還能這樣？把 Python 自動翻譯成 C++

作者：byronhe，騰訊 WXG 開發工程師

一、問題背景

隨着深度學習的廣泛應用，在搜索引擎/推薦系統/機器視覺等業務系統中，越來越多的深度學習模型部署到線上服務。

機器學習模型在離線訓練時，一般要將輸入的數據做特征工程預處理，再輸入模型在 TensorFlow PyTorch 等框架上做訓練。

1.常見的特征工程邏輯

常見的特征工程邏輯有：

1. 分箱/分桶 離散化

2. log/exp 對數/冪等 math numpy 常見數學運算

3. 特征縮放/歸一化/截斷

4. 交叉特征生成

5. 分詞匹配程度計算

6. 字符串分隔匹配判斷 tong

7. 缺省值填充等

8. 數據平滑

9. onehot 編碼，hash 編碼等

這些特征工程代碼，當然一般使用深度學習最主要的語言 python 實現。

二、業務痛點

離線訓練完成，模型上線部署后，同樣要用 C++ 重新實現 這些 python 的特征工程邏輯代碼。

我們發現，“用 C++ 重新實現” 這個步驟，給實際業務帶來了大量的問題：

1. 繁瑣，費時費力，極容易出現 python 和 C++ 代碼不一致

2. 不一致會直接影響模型在線上的效果，導致大盤業務指標不如預期，產生各種 bad case

3. 不一致難以發現，無法測試，無法監控，經常要靠用戶投訴反饋，甚至大盤數據異常才能發現

1. 業界方案

針對這些問題，我調研了這些業界方案：

《推薦系統中模型訓練及使用流程的標准化》
https://www.infoq.cn/article/2E6LCqb1GeqFRAjkkjX3

《自主研發、不斷總結經驗，美團搜索推薦機器學習平台》
https://cloud.tencent.com/developer/article/1357309

《京東電商推薦系統實踐》
https://www.infoq.cn/article/1OkKmb_gEYNR3YqC9RcW

“模型線上線下一致性問題對於模型效果非常重要，我們使用特征日志來實時記錄特征，保證特征的一致性。這樣離線處理的時候會把實時的用戶反饋，和特征日志做一個結合生成訓練樣本，然后更新到模型訓練平台上，平台更新之后在推送到線上，這樣整個排序形成了一個閉環。”

總結起來，有幾種思路：

1. 在線特征存儲起來給離線用

2. 在線 C++ 代碼編譯成 so 導出給離線用

3. 根據一份配置生成離線和在線代碼

4. 提取公共代碼，加強代碼復用，等軟件工程手段，減少不一致

2. 自動翻譯方案

(1) .已有方案的缺點

但這些思路都有各種缺點：

1. 所有在線請求的所有特征，這個存儲量數據量很大

2. 算法改代碼需要等待后台開發，降低了算法同學的工作效率

3. 特征處理代碼的復雜度轉移到配置文件中，不一定能充分表達，而且配置格式增加學習成本

4. 就這邊真實離線特征處理代碼來看，大部分代碼都無法抽取出公共代碼做復用。

 

(2). 翻譯器

回到問題出發點考慮，顯而易見，這個問題歸根結底就是需要一個 “ python 到 c++ 的翻譯器 ” 。

那其實 “翻譯器 Transpiler ” ，和編譯器解釋器類似，也是個古老的熱門話題了，比如 WebAssembly, CoffeeScript ，Babel ,
Google Closure Compiler，f2c

於是一番搜索，發現 python 到 C++ 的翻譯器也不少，其中 Pythran 是新興比較熱門的開源項目。

於是一番嘗試后，借助 pythran，我們實現了：

1. 一條命令 全自動把 Python 翻譯成等價 C++

2. 嚴格等價保證改寫，徹底消除不一致

3. 完全去掉重新實現 這塊工作量，后台開發成本降到 0 ，徹底解放生產力

4. 算法同學繼續使用純 python，開發效率無影響，** 無學習成本 **

5. 並能推廣到其他需要 python 改寫成后台 C++ 代碼 的業務場景，解放生產力

三、pythran 的使用流程

(1). 安裝

一條命令安裝：

pip3 install pythran 

(2). 寫 Python 代碼

下面這個 python demo，是 pythran 官方 demo

 

import math import numpy as np def zero(n, m): return [[0]*n for col in range(m)] #pythran export matrix_multiply(float list list, float list list)
def matrix_multiply(m0, m1): new_matrix = zero(len(m0),len(m1[0])) for i in range(len(m0)): for j in range(len(m1[0])): for k in range(len(m1)): new_matrix[i][j] += m0[i][k]*m1[k][j] return new_matrix #pythran export arc_distance(float[], float[], float[], float[])
def arc_distance(theta_1, phi_1, theta_2, phi_2): """ Calculates the pairwise arc distance between all points in vector a and b. """ temp = (np.sin((theta_2-theta_1)/2)**2
           + np.cos(theta_1)*np.cos(theta_2) * np.sin((phi_2-phi_1)/2)**2) distance_matrix = 2 * np.arctan2(np.sqrt(temp), np.sqrt(1-temp)) return distance_matrix #pythran export dprod(int list, int list)
def dprod(l0,l1): """WoW, generator expression, zip and sum."""
    return sum(x * y for x, y in zip(l0, l1)) #pythran export get_age(int )
def get_age(age): if age <= 20: age_x = '0_20'
    elif age <= 25: age_x = '21_25'
    elif age <= 30: age_x = '26_30'
    elif age <= 35: age_x = '31_35'
    elif age <= 40:
  age_x = '36_40'
    elif age <= 45: age_x = '41_45'
    elif age <= 50: age_x = '46_50'
    else: age_x = '50+'
    return age_x

 

(3). Python 轉成 C++

一條命令完成翻譯

pythran -e demo.py -o  demo.hpp 

(4). 寫 C++ 代碼調用

pythran/pythonic/ 目錄下是 python 標准庫的 C++ 等價實現，翻譯出來的 C++ 代碼需要 include 這些頭文件

寫個 C++ 代碼調用

 

#include "demo.hpp" #include "pythonic/numpy/random/rand.hpp" #include <iostream>
 using std::cout; using std::endl; int main() { pythonic::types::list<pythonic::types::list<double>> m0 = {{2.0, 3.0}, {4.0, 5.0}}, m1 = {{1.0, 2.0}, {3.0, 4.0}}; cout << m0 << "*" << m1 << "\n=\n"
       << __pythran_demo::matrix_multiply()(m0, m1) << endl << endl; auto theta_1 = pythonic::numpy::random::rand(3), phi_1 = pythonic::numpy::random::rand(3), theta_2 = pythonic::numpy::random::rand(3), phi_2 = pythonic::numpy::random::rand(3); cout << "arc_distance " << theta_1 << "," << phi_1 << "," << theta_2 << ","
       << phi_2 << "\n=\n"
       << __pythran_demo::arc_distance()(theta_1, phi_1, theta_2, phi_2) << endl << endl; pythonic::types::list<int> l0 = {2, 3}, l1 = {4, 5}; cout << "dprod " << l0 << "," << l1 << "\n=\n"
       << __pythran_demo::dprod()(l0, l1) << endl << endl; cout << "get_age 30 = " << __pythran_demo::get_age()(30) << endl << endl; return 0; }

(5). 編譯運行

g++ -g -std=c++11 main.cpp -fopenmp -march=native -DUSE_XSIMD -I /usr/local/lib/python3.6/site-packages/pythran/ -o pythran_demo

./pythran_demo

四、pythran 的功能與特性

(1). 介紹

按官方定義，Pythran 是一個 AOT (Ahead-Of-Time - 預先編譯) 編譯器。給科學計算的 python 加注解后，pythran 可以把 python 代碼變成接口相同的原生 python 模塊，大幅度提升性能。

並且 pythran 也可以利用 OpenMP 多核和 SIMD 指令集。

支持 python 3 和 Python 2.7 。

pythran 的 manual 挺詳細：
https://pythran.readthedocs.io/en/latest/MANUAL.html

(2). 功能

pythran 並不支持完整的 python， 只支持 python 語言特性的一個子集:

• polymorphic functions 多態函數(翻譯成 C++ 的泛型模板函數)

• lambda

• list comprehension 列表推導式

• map, reduce 等函數

• dictionary, set, list 等數據結構

• exceptions 異常

• file handling 文件處理

• 部分 numpy

不支持的功能：

• classes 類

• polymorphic variables 可變類型變量

(3). 支持的數據類型和函數

pythran export 可以導出函數和全局變量。
支持導出的數據類型，BNF 定義是：

 

    argument_type = basic_type                   | (argument_type+)    # this is a tuple
                  | argument_type list    # this is a list
                  | argument_type set    # this is a set
                  | argument_type []+    # this is a ndarray, C-style
                  | argument_type [::]+    # this is a strided ndarray
                  | argument_type [:,...,:]+ # this is a ndarray, Cython style
                  | argument_type [:,...,3]+ # this is a ndarray, some dimension fixed
                  | argument_type:argument_type dict    # this is a dictionary
     basic_type = bool | byte | int | float | str | None | slice                | uint8 | uint16 | uint32 | uint64 | uintp                | int8 | int16 | int32 | int64 | intp                | float32 | float64 | float128                | complex64 | complex128 | complex256

 

 

 

可以看到基礎類型相當全面，支持各種 整數，浮點數，字符串，復數

復合類型支持 tuple, list, set, dict, numpy.ndarray 等，

對應 C++ 代碼的類型實現在 pythran/pythonic/include/types/ 下面，可以看到比如 dict 實際就是封裝了一下 std::unordered_map
https://pythran.readthedocs.io/en/latest/SUPPORT.html
可以看到支持的 python 基礎庫，其中常用於機器學習的 numpy 支持算比較完善。

五、pythran 的基本原理

和常見的編譯器/解釋器類似， pythran 的架構是分成 3 層：

1. python 代碼解析成抽象語法樹 AST 。用 python 標准庫自帶的的 ast 模塊實現

2. 代碼優化。
   在 AST 上做優化，有多種 transformation pass，比如 deadcode_elimination 死代碼消除，loop_full_unrolling 循環展開 等。還有 Function/Module/Node 級別的 Analysis，用來遍歷 AST 供 transformation 利用。

3. 后端，實現代碼生成。目前有 2 個后端，Cxx / Python， Cxx 后端可以把 AST 轉成 C++ 代碼（ Python 后端用來調試）。

目前看起來 ，pythran 還欠缺的：

1. 字符串處理能力欠缺，缺少 str.encode()/str.decode() 對 utf8 的支持

2. 缺少正則表達式 regex 支持

看文檔要自己加也不麻煩，看業務需要可以加。