Datalore初體驗:JetBrains的雲端機器學習開發環境
來自專欄論智71 人贊了文章
作者:weakish
如果說「古代」的編輯器聖戰是Vi和Emacs,那當今時代的IDE聖戰可能是Eclipse和Intellij了。大多數人都覺得Intellij是後出轉精。不過,Eclipse其實有一個獨特的優勢,Eclipse Che,基於Eclipse的雲端開發環境。Eclipse Che可以方便地統一開發環境,避免不同系統、不同硬體導致的各種兼容問題,同時節省開發人員配置環境的時間。Intellij乃至其他JetBrains系的IDE,則都只有本地版本。
不過,JetBrains今年倒是出了一個雲端開發環境Datalore,不過並不針對Java開發者,而是面向機器學習。
經過三個多月的公測,Datalore的基本功能也比較完善了。所以今天我們將通過一個具體的例子(使用卷積網路分類服飾圖像)來分享下基於Datalore開發機器學習項目的體驗。
首先我們訪問datalore.io,可以使用Google賬號或JetBrains賬號登錄。如果沒有的話,可以註冊一個。
登錄後,點擊New workbook
圖標,新建一個workbook。
如果你接觸過Jupyter Notebook,那麼workbook可以看成是Jupyter Notebook的加強版。如果你沒接觸過,那麼簡單來說,workbook是內嵌代碼的文檔,其中的代碼是可以直接運行的。
workbook是左右雙欄,左邊是源代碼,右邊顯示結果。
我們注意到,左邊默認提供了一些常用操作,包括load dataset
(載入數據集)、standard imports
(標準導入),等等。如果你接觸過JetBrains家的IDE,那麼你應該已經意識到,這是JetBrains系列IDE廣受讚譽的意圖行動(intention actions)功能。
我們首先要做的是引入相應的庫,當把滑鼠懸浮到standard imports
(標準導入)後,會有懸浮提示,告訴我們所謂的標準導入包括numpy、pandas、matplotlib,還有datalore定製的一個繪圖庫。如果你打算做一點數據分析,或者數據可視化的工作,那這個標準導入就很方便。只需點擊一下就可以自動生成導入語句,不用一行一行敲了。
不過我打算試下機器學習,所以就不用這個標準導入了。我將導入TensorFlow:
import tensorflow as tf
咦,我只輸了i、m兩個字母,workbook界面就出現了這個:
是啊,JetBrains出品的東西怎麼少得了自動補全呀?按回車就好,不用一個一個字母敲了。
然後我輸入tensorflow
。咦?沒有補全。感覺不太妙。
果然,tensorflow
顯示為紅色,意味著出問題了。再看右邊,是報錯信息,提示沒有tensorflow
這個模塊。
看來tensorflow
沒有預裝。我們裝一下。菜單選擇Tools
(工具)->Library Manager
(庫管理器),輸入tensorflow
搜索。
滑鼠點下就可以裝了,右邊還有下拉菜單可以選版本。
稍等片刻就裝好了,其間會彈出窗口顯示安裝信息,等看到綠色的Installation complete
(安裝完成)就說明安裝成功了。可以點Close
(關閉)把窗口關了。
由於安裝了新的包,Datalore會提示你需要重啟內核(restart kernel),確認就可以了。然後我們看到,報錯信息消失了。我們可以接著鍵入as tf
了。
然後我們需要載入數據集。點擊load dataset
,可以看到,其中包括了一些常用的數據集。
前面我已經說過,我打算試下機器學習。而且我剛安裝了TensorFlow。那TensorFlow入門最經典的數據集就是MNIST,Datalore也提供了。
不過么……
上面的推特就不逐字逐句翻譯了,大意就是MNIST不能代表現代的計算機視覺任務,學術界不應該老是用MNIST。
所以我也趕下時髦,換個數據集用用。好吧,我只是找了個借口,不管怎麼說,MNIST用來入門還是不錯的。其實我只是看了太多MNIST的入門教程,有點審美疲勞了。
手寫數字看厭了,畢竟數字又不能當飯吃。不如換成衣服、鞋子吧,雖然也不能吃,好歹可以穿啊。
隆重介紹MNIST的時尚版,Fashion-MNIST。
TensorFlow的API寫起來還是有點啰嗦,所以我決定使用Keras。而且,Keras的datasets
模塊自帶獲取和載入Fashion-MNIST的方法。
按照之前描述的方法,通過Library Manager安裝Keras後,載入Fashion-MNIST數據集:
from keras.datasets import fashion_mnist(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
好吧,這行代碼看著稍微有點長,其實在Datalore里打起來非常快,因為很多地方稍微敲一兩個字母就可以一路補全下去。與此同時,我們能在右邊看到,Datalore會自動幫我們下載數據集,並在下載完成後自動載入數據集。
好了。數據集載入好了,下面我們將構建一個模型分類服飾。分類圖像最常用的是卷積神經網路,這也是我們的選擇。圖像的每個像素是由整數表示的(0-255的亮度值),為了提高訓練的效率,我們需要首先將其歸一化:
x_train = x_train.astype(float32) / 255x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)x_test = x_test.astype(float32) / 255x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)
除了歸一化外,我們還順便重整了一下數據的形狀為28, 28, 1
(Fashion-MNIST中的圖像為28x28的灰度圖像)。
和MNIST一樣,Fashion-MNIST中的圖像分屬10類:
在數據集中,標籤(y_train
)是類別變數,具體而言,是取值範圍為0-9的整數。一般而言,為了便於模型利用,我們需要將其轉成one hot編碼。y_test
同理。
y_train = keras.utils.to_categorical(y_train, 10)y_test = keras.utils.to_categorical(y_test, 10)
這裡有一個提高效率的小技巧。在輸完y_train
這行後,按Ctrl + D(Mac OS X下是Command + D),可以複製當前行。之後將複製行中的兩個y_train
改成y_test
就可以了。
設計預處理完畢,接著就是設計模型了。由於本文的主題不是關於如何設計卷積網路,因此我這裡就偷個懶,直接使用Keras自帶的MNIST分類器樣例(examples/mnist_cnn.py),看看這個為MNIST設計的CNN分類器在Fashion-MNIST上的效果如何。
model = Sequential()model.add(Conv2D(32, kernel_size=(3, 3), activation=relu, input_shape=(28, 28, 1)))model.add(Conv2D(64, (3, 3), activation=relu))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(128, activation=relu))model.add(Dropout(0.5))model.add(Dense(10, activation=softmax))
這個CNN網路模型還是比較簡單的。我們有兩個卷積層(均使用3x3的卷積核和ReLU激活),之後加上最大池化層,然後是Dropout層和全連接層,最後,因為需要預測10個分類,所以順理成章地在輸出層中使用了softmax激活。
接下來我們編譯模型,因為是分類問題,所以損失函數很自然地使用了交叉熵。優化使用了Adadelta,這是Matthew D. Zeiler在2012年底提出的一種優化演算法,使用自適應的學習率。
model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adadelta(), metrics=[accuracy])
然後就是訓練和評估,並輸出結果:
model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adadelta(), metrics=[accuracy])model.fit(x_train, y_train, batch_size=128, epochs=20, verbose=1, validation_data=(x_test, y_test))score = model.evaluate(x_test, y_test, verbose=0)print(測試損失, score[0])print(測試精確度, score[1])
由於Datalore目前為免費公測階段,只有t2.medium
規格的AWS主機可用(2核、4 GB內存),因此,大約需要等1小時完成訓練。等以後正式上線了,會有GPU主機可用(p2.xlarge,4 cpu核心、1 gpu核心、61GB 內存,12 GB顯存)。當然,你也可以嘗試去Datalore官方論壇申請GPU主機。
結果:
測試損失 0.22063894088864328測試精確度 0.9295
20個epoch後精確度超過90%,比我預料中的表現要好。
看到這個結果,我有點好奇這個模型在MNIST上的表現有多好。Keras文檔告訴我精確度超過99%,不過,俗話說得好,耳聽為虛,眼見為實。我想親自試一試。
實際上,上面的代碼只需改動兩處,就可以變為分類MNIST。
將開頭兩行中的fashion_mnist
替換為mnist
:
from keras.datasets import mnist(x_train, y_train), (x_test, y_test) = mnist.load_data()
其他的都不用動。就這麼簡單!
不過,在此之前,先讓我們保存一下當前的版本,以備以後繼續使用。
通過菜單Tools
-> Add history checkpoint
,我們可以添加一個checkpoint,比如說,起名為keras-mnist-cnn
.
然後,通過菜單Tools
-> History
,我們可以查看workbook的歷史。其中,第一個checkpoint是創建workbook時的狀態。除此之外,勾選左上角的Show inactivity checkpoints
之後,我們能看到很多Datalore自動保存的checkpoint,你再也不用擔心不小心丟失代碼了。沒錯,如果你接觸過JetBrain系的IDE,這就是其歷史功能。
你不僅可以查看不同的checkpoint,還可以比較不同checkpoint之間的區別:
這個功能在調bug的時候是非常方便的。說到調bug,在Datalore下調bug還是比較方便的。比如,假設我們把模型的輸入形狀改一下,故意改成錯誤的:
這雖然是一個故意編造的簡單錯誤,但確實是可能出現的錯誤。因為有的情況下,頻道是放在最前的。有的時候不小心,就會出現這種失誤。
一旦我們做了這個改動後,Datalore幾乎立刻反應過來。
從上圖我們可以看到:
- 代碼單元左邊框為紅色,提示我們這裡有誤。正常情況下,左邊框為閃爍的綠色(提示正在進行運算)或黃色(提示運算完成)。
- 右側結果為報錯的Trackback.
- 左側代碼的出錯行有紅色波浪線標識。懸浮滑鼠於其上,我們能看到報錯信息,如下圖所示。
其實很多地方,懸浮滑鼠都能給出相應的提示,比如懸浮到y_train
後,會提示這是一個變數(而不是函數),甚至Datalore能推斷其類型numpy.ndarray
。
而單擊一個變數後,Datalore會高亮這一變數的所有用例:
從上圖我們可以看到,Datalore沒有直接簡單粗暴地匹配字元串,最後兩行中,注釋和字元串里的x_test
並沒有高亮。
好了,說了這麼多。讓我們回到之前的MNIST數據集訓練上來。如前所述將兩處fashion_mnist
替換為mnist
後,我們在MNIST數據集上訓練模型,並評估其表現。
最終訓練了一個多小時(和Fashion-MNIST時間差不多,畢竟這兩個數據集的圖像規格是一樣的,都是28x28的灰度圖像),20個epoch後精確度為0.9918,看來Keras文檔所言不虛。
當然,除了代碼之外,workbook里還能寫文檔。文檔使用Markdown格式,加上了LaTeX公式擴展。
另外,線上開發環境的一大優勢就是方便協作。Datalore也不例外。通過菜單File
-> Share
即可邀請別人協作,一起開發。
分享共有3種方式:
- 輸入Datalore用戶名或郵箱,邀請對方協作開發。
- 分享一個鏈接,通過這個鏈接訪問的用戶可以協作開發。
- 同樣是分享一個鏈接,只不過這是一個只讀鏈接,通過這個鏈接訪問的用戶只能查看,無法修改。
最後,附上快捷鍵列表(有些已經在前文中介紹過):
C-空格
(C
在mac os x上是Command鍵,其他平台上是ctrl鍵)可以觸發自動補全。C-d
重複當前行- 在Markdown單元中,按alt + 左右方向鍵可以在單詞間跳轉。
推薦閱讀:
※深入機器學習系列4-KMeans
※第三章 線性模型
※機器翻譯不可不知的Seq2Seq模型
TAG:機器學習 | 深度學習DeepLearning | 數據分析 |