在大部分的机器学习过程中，用于训练 (training) 和推理 (inference) 的数据都需要进行数据的预处理，通过预处理将不同的输入数据（例如图像）规整至相同尺寸并进行批（batch）存储。这一步使高性能的深度学习库，例如 TensorFlow，可以并行的处理批存储中的所有输入，且以相同的计算图（computation graph）进行处理。批处理（Batching）利用现代 GPU 和多核 CPU 的单指令流多数据流（SIMD）性能来加速运算执行。但是，当输入数据的尺寸和结构变化时会产生诸多问题，例如在自然语言理解中的解析树（parse tree）、源代码中的抽象语法树（abstract syntax tree）、网页的文档树（DOM tree）等。在这些情况下，不同的输入数据需要不同的计算图，通常这些计算图不能够批存储在一起，导致处理器、存储器以及缓存利用率低。
今天我们发布 TensorFlow Fold 来解决这些困难。TensorFlow Fold 使得处理不同数据尺寸和结构的深度学习模型更容易实现。不仅如此，TensorFlow Fold 将批处理的优势赋予这些模型，使得这些模型在 CPU 上的运行速度有超过 10 倍的提升，在 GPU 上的运行有超过 100 倍的提升（相比于其他实现方式）。这一提升来源于动态批存储（dynamic batching）技术，在我们的论文中有详细介绍（Deep Learning with Dynamic Computation Graphs）。
以上动图演示了动态批处理运行的递归神经网络。带有同样的颜色的运算聚成一批，这使得 TensorFlow 能够更快的运行它们。Embed 运算将单词转换为向量表征。完全连接（fully connected，FC）运算结合词向量，从而形成段落向量表征。网络的输出是一个完整语句的向量表征。尽管上图只演示了一个语句解析树，但在多种任意形状与大小的解析树上，这个网络同样也能运行并实现批处理运算。
TensorFlow Fold 库首先会为每个输入建立一个独立的计算图。
因为单独的输入可能有不同的大小和结构，计算图也可能是这样。动态批处理自动结合这些图，从而获取在输入内以及整个输入进行批处理机会的优势，并且插入额外的指令在批处理操作之间移动数据。（查看技术细节请参考论文）
想要了解更多，也可以查看我们的 github 网址：https://github.com/tensorflow/fold
我们希望 TensorFlow Fold 能够帮助研究人员与从业者在 TensorFlow 中部署动态计算的神经网络。
论文：DEEP LEARNING WITH DYNAMIC COMPUTATION GRAPHS
摘要：在包括自然语言处理（解析树）与化学信息学（分子图）在内的多个领域中，在图结构上进行计算的神经网络是解决问题的天然方式。然而，因为每个输入的计算图有不同的形状与大小，所以网络通常不能直接进行批训练或推断。它们也难以部署到流行的深度学习库中，因为这些库是基于静态数据流图的。我们引入了一种称之为动态批处理（Dynamic Batching) 的技术，它不仅能批处理不同输入图（形状也不类似）之间的运算，也能批处理单个输入图内的不同节点。该技术使得我们能够创造静态图、使用流行的库、模仿任意形状与大小的动态计算图。我们进一步展现了组成区块的高层次库，从而简化了创造动态图模型的过程。使用这一库，我们论证了文献中多种模型的简洁且明智的批处理并行实现。
