কুইক ড্র ডুডল স্বীকৃতি: কিভাবে R, C++ এবং নিউরাল নেটওয়ার্কের সাথে বন্ধুত্ব করা যায়

হে হাবর!

গত পতনে, কাগল হাতে আঁকা ছবি, কুইক ড্র ডুডল রিকগনিশনকে শ্রেণীবদ্ধ করার জন্য একটি প্রতিযোগিতার আয়োজন করেছিল, যেখানে অন্যদের মধ্যে, R-বিজ্ঞানীদের একটি দল অংশ নিয়েছিল: আর্টেম ক্লেভতসোভা, ফিলিপা ম্যানেজার и আন্দ্রে ওগুর্টসভ. আমরা প্রতিযোগিতার বিস্তারিত বর্ণনা করব না; এটি ইতিমধ্যেই করা হয়েছে সাম্প্রতিক প্রকাশনা.

এইবার এটি মেডেল ফার্মিংয়ের সাথে কাজ করেনি, তবে অনেক মূল্যবান অভিজ্ঞতা অর্জন করা হয়েছে, তাই আমি সম্প্রদায়কে কাগলে এবং দৈনন্দিন কাজের বেশ কয়েকটি আকর্ষণীয় এবং দরকারী জিনিস সম্পর্কে বলতে চাই। আলোচিত বিষয়গুলির মধ্যে: ছাড়া কঠিন জীবন OpenCV, JSON পার্সিং (এই উদাহরণগুলি R ব্যবহার করে স্ক্রিপ্ট বা প্যাকেজে C++ কোডের একীকরণ পরীক্ষা করে Rcpp), স্ক্রিপ্টের প্যারামিটারাইজেশন এবং চূড়ান্ত সমাধানের ডকারাইজেশন। সম্পাদনের জন্য উপযুক্ত একটি ফর্মের বার্তা থেকে সমস্ত কোড পাওয়া যায় সংগ্রহস্থল.

সূচিপত্র:

1. দক্ষতার সাথে CSV থেকে MonetDB-তে ডেটা লোড করুন
2. ব্যাচ প্রস্তুত করা হচ্ছে
3. ডাটাবেস থেকে ব্যাচ আনলোড করার জন্য পুনরাবৃত্তিকারী
4. একটি মডেল আর্কিটেকচার নির্বাচন করা
5. স্ক্রিপ্ট প্যারামিটারাইজেশন
6. স্ক্রিপ্টের ডকারাইজেশন
7. Google ক্লাউডে একাধিক GPU ব্যবহার করা
8. পরিবর্তে একটি উপসংহারের

1. দক্ষতার সাথে CSV থেকে MonetDB ডাটাবেসে ডেটা লোড করুন

এই প্রতিযোগিতার ডেটা রেডিমেড ইমেজ আকারে নয়, বরং পয়েন্ট কোঅর্ডিনেট সহ JSON সমন্বিত 340টি CSV ফাইল (প্রতিটি ক্লাসের জন্য একটি ফাইল) আকারে প্রদান করা হয়। এই পয়েন্টগুলিকে লাইনের সাথে সংযুক্ত করে, আমরা 256x256 পিক্সেল পরিমাপের একটি চূড়ান্ত চিত্র পাই। এছাড়াও প্রতিটি রেকর্ডের জন্য একটি লেবেল রয়েছে যা নির্দেশ করে যে ডেটাসেট সংগ্রহের সময় ব্যবহৃত শ্রেণীবিভাগকারীর দ্বারা ছবিটি সঠিকভাবে স্বীকৃত হয়েছিল, ছবির লেখকের বসবাসের দেশের একটি দুই-অক্ষরের কোড, একটি অনন্য শনাক্তকারী, একটি টাইমস্ট্যাম্প এবং একটি শ্রেণীর নাম যা ফাইলের নামের সাথে মেলে। মূল ডেটার একটি সরলীকৃত সংস্করণ সংরক্ষণাগারে 7.4 জিবি ওজনের এবং আনপ্যাক করার পরে প্রায় 20 জিবি, আনপ্যাক করার পরে সম্পূর্ণ ডেটা 240 গিগাবাইট পর্যন্ত নেয়। আয়োজকরা নিশ্চিত করেছেন যে উভয় সংস্করণ একই অঙ্কন পুনরুত্পাদন করেছে, যার অর্থ সম্পূর্ণ সংস্করণটি অপ্রয়োজনীয় ছিল। যাই হোক না কেন, গ্রাফিক ফাইলে বা অ্যারে আকারে 50 মিলিয়ন ছবি সংরক্ষণ করা অবিলম্বে অলাভজনক বলে বিবেচিত হয়েছিল এবং আমরা সংরক্ষণাগার থেকে সমস্ত CSV ফাইল একত্রিত করার সিদ্ধান্ত নিয়েছি। train_simplified.zip প্রতিটি ব্যাচের জন্য প্রয়োজনীয় আকারের ছবিগুলির পরবর্তী প্রজন্মের সাথে ডাটাবেসে "উড়লে"।

একটি ভাল-প্রমাণিত সিস্টেম ডিবিএমএস হিসাবে বেছে নেওয়া হয়েছিল MonetDB, যেমন একটি প্যাকেজ হিসাবে R এর জন্য একটি বাস্তবায়ন MonetDBLite. প্যাকেজটিতে ডাটাবেস সার্ভারের একটি এমবেডেড সংস্করণ রয়েছে এবং এটি আপনাকে একটি R সেশন থেকে সরাসরি সার্ভারটি নিতে এবং সেখানে এটির সাথে কাজ করতে দেয়। একটি ডাটাবেস তৈরি করা এবং এটির সাথে সংযোগ করা একটি কমান্ড দিয়ে সঞ্চালিত হয়:

con <- DBI::dbConnect(drv = MonetDBLite::MonetDBLite(), Sys.getenv("DBDIR"))

আমাদের দুটি টেবিল তৈরি করতে হবে: একটি সমস্ত ডেটার জন্য, অন্যটি ডাউনলোড করা ফাইলগুলির পরিষেবা সংক্রান্ত তথ্যের জন্য (কিছু ভুল হলে দরকারী এবং বেশ কয়েকটি ফাইল ডাউনলোড করার পরে প্রক্রিয়াটি পুনরায় শুরু করতে হবে):

টেবিল তৈরি করা হচ্ছে

if (!DBI::dbExistsTable(con, "doodles")) {
  DBI::dbCreateTable(
    con = con,
    name = "doodles",
    fields = c(
      "countrycode" = "char(2)",
      "drawing" = "text",
      "key_id" = "bigint",
      "recognized" = "bool",
      "timestamp" = "timestamp",
      "word" = "text"
    )
  )
}

if (!DBI::dbExistsTable(con, "upload_log")) {
  DBI::dbCreateTable(
    con = con,
    name = "upload_log",
    fields = c(
      "id" = "serial",
      "file_name" = "text UNIQUE",
      "uploaded" = "bool DEFAULT false"
    )
  )
}

ডাটাবেসে ডেটা লোড করার দ্রুততম উপায় ছিল এসকিউএল - কমান্ড ব্যবহার করে সরাসরি CSV ফাইল কপি করা COPY OFFSET 2 INTO tablename FROM path USING DELIMITERS ',','n','"' NULL AS '' BEST EFFORTযেখানে tablename - টেবিলের নাম এবং path - ফাইলের পথ। আর্কাইভের সাথে কাজ করার সময়, এটি বিল্ট-ইন বাস্তবায়ন আবিষ্কার করা হয়েছিল unzip ইন R আর্কাইভ থেকে অনেক ফাইলের সাথে সঠিকভাবে কাজ করে না, তাই আমরা সিস্টেমটি ব্যবহার করেছি unzip (প্যারামিটার ব্যবহার করে getOption("unzip")).

ডাটাবেসে লেখার জন্য ফাংশন

#' @title Извлечение и загрузка файлов
#'
#' @description
#' Извлечение CSV-файлов из ZIP-архива и загрузка их в базу данных
#'
#' @param con Объект подключения к базе данных (класс `MonetDBEmbeddedConnection`).
#' @param tablename Название таблицы в базе данных.
#' @oaram zipfile Путь к ZIP-архиву.
#' @oaram filename Имя файла внури ZIP-архива.
#' @param preprocess Функция предобработки, которая будет применена извлечённому файлу.
#'   Должна принимать один аргумент `data` (объект `data.table`).
#'
#' @return `TRUE`.
#'
upload_file <- function(con, tablename, zipfile, filename, preprocess = NULL) {
  # Проверка аргументов
  checkmate::assert_class(con, "MonetDBEmbeddedConnection")
  checkmate::assert_string(tablename)
  checkmate::assert_string(filename)
  checkmate::assert_true(DBI::dbExistsTable(con, tablename))
  checkmate::assert_file_exists(zipfile, access = "r", extension = "zip")
  checkmate::assert_function(preprocess, args = c("data"), null.ok = TRUE)

  # Извлечение файла
  path <- file.path(tempdir(), filename)
  unzip(zipfile, files = filename, exdir = tempdir(), 
        junkpaths = TRUE, unzip = getOption("unzip"))
  on.exit(unlink(file.path(path)))

  # Применяем функция предобработки
  if (!is.null(preprocess)) {
    .data <- data.table::fread(file = path)
    .data <- preprocess(data = .data)
    data.table::fwrite(x = .data, file = path, append = FALSE)
    rm(.data)
  }

  # Запрос к БД на импорт CSV
  sql <- sprintf(
    "COPY OFFSET 2 INTO %s FROM '%s' USING DELIMITERS ',','n','"' NULL AS '' BEST EFFORT",
    tablename, path
  )
  # Выполнение запроса к БД
  DBI::dbExecute(con, sql)

  # Добавление записи об успешной загрузке в служебную таблицу
  DBI::dbExecute(con, sprintf("INSERT INTO upload_log(file_name, uploaded) VALUES('%s', true)",
                              filename))

  return(invisible(TRUE))
}

ডাটাবেসে লেখার আগে টেবিলটিকে রূপান্তর করতে হলে, যুক্তিতে পাস করাই যথেষ্ট preprocess ফাংশন যা ডেটা রূপান্তরিত করবে।

ডাটাবেসে ক্রমানুসারে ডেটা লোড করার জন্য কোড:

ডাটাবেসে তথ্য লেখা

# Список файлов для записи
files <- unzip(zipfile, list = TRUE)$Name

# Список исключений, если часть файлов уже была загружена
to_skip <- DBI::dbGetQuery(con, "SELECT file_name FROM upload_log")[[1L]]
files <- setdiff(files, to_skip)

if (length(files) > 0L) {
  # Запускаем таймер
  tictoc::tic()
  # Прогресс бар
  pb <- txtProgressBar(min = 0L, max = length(files), style = 3)
  for (i in seq_along(files)) {
    upload_file(con = con, tablename = "doodles", 
                zipfile = zipfile, filename = files[i])
    setTxtProgressBar(pb, i)
  }
  close(pb)
  # Останавливаем таймер
  tictoc::toc()
}

# 526.141 sec elapsed - копирование SSD->SSD
# 558.879 sec elapsed - копирование USB->SSD

ব্যবহৃত ড্রাইভের গতির বৈশিষ্ট্যের উপর নির্ভর করে ডেটা লোডিং সময় পরিবর্তিত হতে পারে। আমাদের ক্ষেত্রে, একটি SSD-এর মধ্যে বা একটি ফ্ল্যাশ ড্রাইভ (সোর্স ফাইল) থেকে SSD (DB) পড়তে এবং লিখতে 10 মিনিটেরও কম সময় লাগে৷

একটি পূর্ণসংখ্যা শ্রেণীর লেবেল এবং একটি সূচক কলাম সহ একটি কলাম তৈরি করতে আরও কয়েক সেকেন্ড সময় লাগে (ORDERED INDEX) লাইন নম্বর সহ যার দ্বারা ব্যাচ তৈরি করার সময় পর্যবেক্ষণগুলি নমুনা করা হবে:

অতিরিক্ত কলাম এবং সূচক তৈরি করা

message("Generate lables")
invisible(DBI::dbExecute(con, "ALTER TABLE doodles ADD label_int int"))
invisible(DBI::dbExecute(con, "UPDATE doodles SET label_int = dense_rank() OVER (ORDER BY word) - 1"))

message("Generate row numbers")
invisible(DBI::dbExecute(con, "ALTER TABLE doodles ADD id serial"))
invisible(DBI::dbExecute(con, "CREATE ORDERED INDEX doodles_id_ord_idx ON doodles(id)"))

ফ্লাইতে একটি ব্যাচ তৈরির সমস্যা সমাধানের জন্য, আমাদের টেবিল থেকে এলোমেলো সারি বের করার সর্বোচ্চ গতি অর্জন করতে হবে doodles. এর জন্য আমরা 3টি কৌশল ব্যবহার করেছি। প্রথমটি ছিল পর্যবেক্ষণ আইডি সংরক্ষণ করে এমন ধরনের মাত্রার মাত্রা কমানো। আসল ডেটা সেটে, আইডি সংরক্ষণ করার জন্য প্রয়োজনীয় প্রকার bigint, কিন্তু পর্যবেক্ষণের সংখ্যা তাদের শনাক্তকারীকে, অর্ডিন্যাল সংখ্যার সমান, প্রকারের মধ্যে মাপসই করা সম্ভব করে তোলে int. এই ক্ষেত্রে অনুসন্ধান অনেক দ্রুত। দ্বিতীয় কৌশলটি ব্যবহার করা হয়েছিল ORDERED INDEX — আমরা এই সিদ্ধান্তে এসেছি অভিজ্ঞতাগতভাবে, সমস্ত উপলব্ধের মধ্য দিয়ে চলেছি অপশন. তৃতীয়টি ছিল প্যারামিটারাইজড প্রশ্ন ব্যবহার করা। পদ্ধতির সারমর্ম হল কমান্ডটি একবার কার্যকর করা PREPARE একই ধরণের প্রশ্নের একটি গুচ্ছ তৈরি করার সময় একটি প্রস্তুত অভিব্যক্তির পরবর্তী ব্যবহারের সাথে, কিন্তু বাস্তবে একটি সাধারণের সাথে তুলনা করার ক্ষেত্রে একটি সুবিধা রয়েছে SELECT পরিসংখ্যানগত ত্রুটির সীমার মধ্যে পরিণত হয়েছে।

ডেটা আপলোড করার প্রক্রিয়াটি 450 MB এর বেশি RAM খরচ করে না। অর্থাৎ, বর্ণিত পদ্ধতির সাহায্যে আপনি প্রায় যেকোনো বাজেট হার্ডওয়্যারে দশ গিগাবাইট ওজনের ডেটাসেটগুলিকে স্থানান্তর করতে পারবেন, যার মধ্যে কিছু একক-বোর্ড ডিভাইস রয়েছে, যা বেশ চমৎকার।

যা বাকি থাকে তা হল (এলোমেলো) ডেটা পুনরুদ্ধারের গতি পরিমাপ করা এবং বিভিন্ন আকারের ব্যাচের নমুনা নেওয়ার সময় স্কেলিং মূল্যায়ন করা:

ডাটাবেস বেঞ্চমার্ক

library(ggplot2)

set.seed(0)
# Подключение к базе данных
con <- DBI::dbConnect(MonetDBLite::MonetDBLite(), Sys.getenv("DBDIR"))

# Функция для подготовки запроса на стороне сервера
prep_sql <- function(batch_size) {
  sql <- sprintf("PREPARE SELECT id FROM doodles WHERE id IN (%s)",
                 paste(rep("?", batch_size), collapse = ","))
  res <- DBI::dbSendQuery(con, sql)
  return(res)
}

# Функция для извлечения данных
fetch_data <- function(rs, batch_size) {
  ids <- sample(seq_len(n), batch_size)
  res <- DBI::dbFetch(DBI::dbBind(rs, as.list(ids)))
  return(res)
}

# Проведение замера
res_bench <- bench::press(
  batch_size = 2^(4:10),
  {
    rs <- prep_sql(batch_size)
    bench::mark(
      fetch_data(rs, batch_size),
      min_iterations = 50L
    )
  }
)
# Параметры бенчмарка
cols <- c("batch_size", "min", "median", "max", "itr/sec", "total_time", "n_itr")
res_bench[, cols]

#   batch_size      min   median      max `itr/sec` total_time n_itr
#        <dbl> <bch:tm> <bch:tm> <bch:tm>     <dbl>   <bch:tm> <int>
# 1         16   23.6ms  54.02ms  93.43ms     18.8        2.6s    49
# 2         32     38ms  84.83ms 151.55ms     11.4       4.29s    49
# 3         64   63.3ms 175.54ms 248.94ms     5.85       8.54s    50
# 4        128   83.2ms 341.52ms 496.24ms     3.00      16.69s    50
# 5        256  232.8ms 653.21ms 847.44ms     1.58      31.66s    50
# 6        512  784.6ms    1.41s    1.98s     0.740       1.1m    49
# 7       1024  681.7ms    2.72s    4.06s     0.377      2.16m    49

ggplot(res_bench, aes(x = factor(batch_size), y = median, group = 1)) +
  geom_point() +
  geom_line() +
  ylab("median time, s") +
  theme_minimal()

DBI::dbDisconnect(con, shutdown = TRUE)

2. ব্যাচ প্রস্তুতি

সম্পূর্ণ ব্যাচ প্রস্তুতি প্রক্রিয়া নিম্নলিখিত পদক্ষেপ নিয়ে গঠিত:

1. বিন্দুর স্থানাঙ্ক সহ স্ট্রিংগুলির ভেক্টর ধারণকারী বেশ কয়েকটি JSON পার্স করা হচ্ছে।
2. প্রয়োজনীয় আকারের একটি চিত্রের বিন্দুগুলির স্থানাঙ্কের উপর ভিত্তি করে রঙিন লাইন আঁকা (উদাহরণস্বরূপ, 256×256 বা 128×128)।
3. ফলস্বরূপ চিত্রগুলিকে একটি টেনসরে রূপান্তর করা হচ্ছে।

পাইথন কার্নেলের মধ্যে প্রতিযোগিতার অংশ হিসাবে, সমস্যাটি প্রাথমিকভাবে ব্যবহার করে সমাধান করা হয়েছিল OpenCV. R-এর সবচেয়ে সহজ এবং সবচেয়ে সুস্পষ্ট অ্যানালগগুলির মধ্যে একটি দেখতে এইরকম হবে:

R-এ JSON থেকে টেনসর রূপান্তর বাস্তবায়ন করা

r_process_json_str <- function(json, line.width = 3, 
                               color = TRUE, scale = 1) {
  # Парсинг JSON
  coords <- jsonlite::fromJSON(json, simplifyMatrix = FALSE)
  tmp <- tempfile()
  # Удаляем временный файл по завершению функции
  on.exit(unlink(tmp))
  png(filename = tmp, width = 256 * scale, height = 256 * scale, pointsize = 1)
  # Пустой график
  plot.new()
  # Размер окна графика
  plot.window(xlim = c(256 * scale, 0), ylim = c(256 * scale, 0))
  # Цвета линий
  cols <- if (color) rainbow(length(coords)) else "#000000"
  for (i in seq_along(coords)) {
    lines(x = coords[[i]][[1]] * scale, y = coords[[i]][[2]] * scale, 
          col = cols[i], lwd = line.width)
  }
  dev.off()
  # Преобразование изображения в 3-х мерный массив
  res <- png::readPNG(tmp)
  return(res)
}

r_process_json_vector <- function(x, ...) {
  res <- lapply(x, r_process_json_str, ...)
  # Объединение 3-х мерных массивов картинок в 4-х мерный в тензор
  res <- do.call(abind::abind, c(res, along = 0))
  return(res)
}

ড্রয়িং স্ট্যান্ডার্ড R টুল ব্যবহার করে সঞ্চালিত হয় এবং RAM-তে সংরক্ষিত একটি অস্থায়ী PNG-তে সংরক্ষিত হয় (লিনাক্সে, অস্থায়ী R ডিরেক্টরিগুলি ডিরেক্টরিতে অবস্থিত। /tmp, RAM এ মাউন্ট করা হয়েছে)। এই ফাইলটি তারপর 0 থেকে 1 পর্যন্ত সংখ্যা সহ একটি ত্রিমাত্রিক অ্যারে হিসাবে পড়া হয়৷ এটি গুরুত্বপূর্ণ কারণ একটি আরও প্রচলিত BMP হেক্স রঙের কোড সহ একটি কাঁচা অ্যারেতে পড়া হবে৷

আসুন ফলাফল পরীক্ষা করা যাক:

zip_file <- file.path("data", "train_simplified.zip")
csv_file <- "cat.csv"
unzip(zip_file, files = csv_file, exdir = tempdir(), 
      junkpaths = TRUE, unzip = getOption("unzip"))
tmp_data <- data.table::fread(file.path(tempdir(), csv_file), sep = ",", 
                              select = "drawing", nrows = 10000)
arr <- r_process_json_str(tmp_data[4, drawing])
dim(arr)
# [1] 256 256   3
plot(magick::image_read(arr))

ব্যাচ নিজেই নিম্নলিখিত হিসাবে গঠিত হবে:

res <- r_process_json_vector(tmp_data[1:4, drawing], scale = 0.5)
str(res)
 # num [1:4, 1:128, 1:128, 1:3] 1 1 1 1 1 1 1 1 1 1 ...
 # - attr(*, "dimnames")=List of 4
 #  ..$ : NULL
 #  ..$ : NULL
 #  ..$ : NULL
 #  ..$ : NULL

এই বাস্তবায়নটি আমাদের কাছে সর্বোত্তম বলে মনে হয়েছিল, যেহেতু বড় ব্যাচ গঠনে একটি অশালীনভাবে দীর্ঘ সময় লাগে এবং আমরা একটি শক্তিশালী লাইব্রেরি ব্যবহার করে আমাদের সহকর্মীদের অভিজ্ঞতার সুবিধা নেওয়ার সিদ্ধান্ত নিয়েছি। OpenCV. সেই সময়ে R-এর জন্য কোনও রেডিমেড প্যাকেজ ছিল না (এখন নেই), তাই প্রয়োজনীয় কার্যকারিতার একটি ন্যূনতম বাস্তবায়ন C++ এ লেখা হয়েছিল R কোড ব্যবহার করে একীকরণের সাথে Rcpp.

সমস্যা সমাধানের জন্য, নিম্নলিখিত প্যাকেজ এবং লাইব্রেরি ব্যবহার করা হয়েছিল:

1. OpenCV ইমেজ এবং অঙ্কন লাইন সঙ্গে কাজ করার জন্য. ব্যবহৃত প্রি-ইনস্টল করা সিস্টেম লাইব্রেরি এবং হেডার ফাইল, সেইসাথে ডাইনামিক লিঙ্কিং।

2. এক্সটেনসর বহুমাত্রিক অ্যারে এবং টেনসরের সাথে কাজ করার জন্য। আমরা একই নামের R প্যাকেজে অন্তর্ভুক্ত হেডার ফাইল ব্যবহার করেছি। লাইব্রেরি আপনাকে বহুমাত্রিক অ্যারেগুলির সাথে কাজ করতে দেয়, উভয় সারি প্রধান এবং কলাম প্রধান ক্রমে।

3. ndjson JSON পার্স করার জন্য। এই লাইব্রেরি ব্যবহার করা হয় এক্সটেনসর স্বয়ংক্রিয়ভাবে যদি এটি প্রকল্পে উপস্থিত থাকে।

4. RcppThread JSON থেকে একটি ভেক্টরের মাল্টি-থ্রেডেড প্রক্রিয়াকরণ সংগঠিত করার জন্য। এই প্যাকেজ দ্বারা প্রদত্ত হেডার ফাইল ব্যবহার করা হয়েছে. আরো জনপ্রিয় থেকে Rcpp সমান্তরাল প্যাকেজ, অন্যান্য জিনিসের মধ্যে, একটি অন্তর্নির্মিত লুপ বাধা প্রক্রিয়া আছে।

এটি যে মূল্যবান এক্সটেনসর এটি একটি গডসেন্ড হিসাবে পরিণত হয়েছে: এটির ব্যাপক কার্যকারিতা এবং উচ্চ কার্যকারিতা ছাড়াও, এর বিকাশকারীরা বেশ প্রতিক্রিয়াশীল হয়ে উঠেছে এবং অবিলম্বে এবং বিশদভাবে প্রশ্নের উত্তর দিয়েছে। তাদের সাহায্যে, ওপেনসিভি ম্যাট্রিক্সের এক্সটেনসর টেনসরে রূপান্তর বাস্তবায়ন করা সম্ভব হয়েছিল, সেইসাথে 3-মাত্রিক ইমেজ টেনসরগুলিকে সঠিক মাত্রার (ব্যাচ নিজেই) 4-মাত্রিক টেনসরে একত্রিত করার উপায়।

Rcpp, xtensor এবং RcppThread শেখার জন্য উপকরণ

https://thecoatlessprofessor.com/programming/unofficial-rcpp-api-documentation

https://docs.opencv.org/4.0.1/d7/dbd/group__imgproc.html

https://xtensor.readthedocs.io/en/latest/

https://xtensor.readthedocs.io/en/latest/file_loading.html#loading-json-data-into-xtensor

https://cran.r-project.org/web/packages/RcppThread/vignettes/RcppThread-vignette.pdf

সিস্টেম ফাইলগুলি এবং সিস্টেমে ইনস্টল করা লাইব্রেরির সাথে গতিশীল লিঙ্কিং ব্যবহার করে এমন ফাইলগুলি কম্পাইল করতে, আমরা প্যাকেজে প্রয়োগ করা প্লাগইন পদ্ধতি ব্যবহার করেছি Rcpp. স্বয়ংক্রিয়ভাবে পাথ এবং পতাকা খুঁজে পেতে, আমরা একটি জনপ্রিয় লিনাক্স ইউটিলিটি ব্যবহার করেছি pkg-config.

OpenCV লাইব্রেরি ব্যবহারের জন্য Rcpp প্লাগইন বাস্তবায়ন

Rcpp::registerPlugin("opencv", function() {
  # Возможные названия пакета
  pkg_config_name <- c("opencv", "opencv4")
  # Бинарный файл утилиты pkg-config
  pkg_config_bin <- Sys.which("pkg-config")
  # Проврека наличия утилиты в системе
  checkmate::assert_file_exists(pkg_config_bin, access = "x")
  # Проверка наличия файла настроек OpenCV для pkg-config
  check <- sapply(pkg_config_name, 
                  function(pkg) system(paste(pkg_config_bin, pkg)))
  if (all(check != 0)) {
    stop("OpenCV config for the pkg-config not found", call. = FALSE)
  }

  pkg_config_name <- pkg_config_name[check == 0]
  list(env = list(
    PKG_CXXFLAGS = system(paste(pkg_config_bin, "--cflags", pkg_config_name), 
                          intern = TRUE),
    PKG_LIBS = system(paste(pkg_config_bin, "--libs", pkg_config_name), 
                      intern = TRUE)
  ))
})

প্লাগইনের অপারেশনের ফলস্বরূপ, সংকলন প্রক্রিয়া চলাকালীন নিম্নলিখিত মানগুলি প্রতিস্থাপিত হবে:

Rcpp:::.plugins$opencv()$env

# $PKG_CXXFLAGS
# [1] "-I/usr/include/opencv"
#
# $PKG_LIBS
# [1] "-lopencv_shape -lopencv_stitching -lopencv_superres -lopencv_videostab -lopencv_aruco -lopencv_bgsegm -lopencv_bioinspired -lopencv_ccalib -lopencv_datasets -lopencv_dpm -lopencv_face -lopencv_freetype -lopencv_fuzzy -lopencv_hdf -lopencv_line_descriptor -lopencv_optflow -lopencv_video -lopencv_plot -lopencv_reg -lopencv_saliency -lopencv_stereo -lopencv_structured_light -lopencv_phase_unwrapping -lopencv_rgbd -lopencv_viz -lopencv_surface_matching -lopencv_text -lopencv_ximgproc -lopencv_calib3d -lopencv_features2d -lopencv_flann -lopencv_xobjdetect -lopencv_objdetect -lopencv_ml -lopencv_xphoto -lopencv_highgui -lopencv_videoio -lopencv_imgcodecs -lopencv_photo -lopencv_imgproc -lopencv_core"

JSON পার্স করার এবং মডেলে ট্রান্সমিশনের জন্য একটি ব্যাচ তৈরি করার জন্য বাস্তবায়ন কোড স্পয়লারের অধীনে দেওয়া হয়েছে। প্রথমে, হেডার ফাইলগুলি অনুসন্ধান করতে একটি স্থানীয় প্রকল্প ডিরেক্টরি যোগ করুন (ndjson এর জন্য প্রয়োজন):

Sys.setenv("PKG_CXXFLAGS" = paste0("-I", normalizePath(file.path("src"))))

C++ এ টেনসর রূপান্তর থেকে JSON বাস্তবায়ন

// [[Rcpp::plugins(cpp14)]]
// [[Rcpp::plugins(opencv)]]
// [[Rcpp::depends(xtensor)]]
// [[Rcpp::depends(RcppThread)]]

#include <xtensor/xjson.hpp>
#include <xtensor/xadapt.hpp>
#include <xtensor/xview.hpp>
#include <xtensor-r/rtensor.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <Rcpp.h>
#include <RcppThread.h>

// Синонимы для типов
using RcppThread::parallelFor;
using json = nlohmann::json;
using points = xt::xtensor<double,2>;     // Извлечённые из JSON координаты точек
using strokes = std::vector<points>;      // Извлечённые из JSON координаты точек
using xtensor3d = xt::xtensor<double, 3>; // Тензор для хранения матрицы изоображения
using xtensor4d = xt::xtensor<double, 4>; // Тензор для хранения множества изображений
using rtensor3d = xt::rtensor<double, 3>; // Обёртка для экспорта в R
using rtensor4d = xt::rtensor<double, 4>; // Обёртка для экспорта в R

// Статические константы
// Размер изображения в пикселях
const static int SIZE = 256;
// Тип линии
// См. https://en.wikipedia.org/wiki/Pixel_connectivity#2-dimensional
const static int LINE_TYPE = cv::LINE_4;
// Толщина линии в пикселях
const static int LINE_WIDTH = 3;
// Алгоритм ресайза
// https://docs.opencv.org/3.1.0/da/d54/group__imgproc__transform.html#ga5bb5a1fea74ea38e1a5445ca803ff121
const static int RESIZE_TYPE = cv::INTER_LINEAR;

// Шаблон для конвертирования OpenCV-матрицы в тензор
template <typename T, int NCH, typename XT=xt::xtensor<T,3,xt::layout_type::column_major>>
XT to_xt(const cv::Mat_<cv::Vec<T, NCH>>& src) {
  // Размерность целевого тензора
  std::vector<int> shape = {src.rows, src.cols, NCH};
  // Общее количество элементов в массиве
  size_t size = src.total() * NCH;
  // Преобразование cv::Mat в xt::xtensor
  XT res = xt::adapt((T*) src.data, size, xt::no_ownership(), shape);
  return res;
}

// Преобразование JSON в список координат точек
strokes parse_json(const std::string& x) {
  auto j = json::parse(x);
  // Результат парсинга должен быть массивом
  if (!j.is_array()) {
    throw std::runtime_error("'x' must be JSON array.");
  }
  strokes res;
  res.reserve(j.size());
  for (const auto& a: j) {
    // Каждый элемент массива должен быть 2-мерным массивом
    if (!a.is_array() || a.size() != 2) {
      throw std::runtime_error("'x' must include only 2d arrays.");
    }
    // Извлечение вектора точек
    auto p = a.get<points>();
    res.push_back(p);
  }
  return res;
}

// Отрисовка линий
// Цвета HSV
cv::Mat ocv_draw_lines(const strokes& x, bool color = true) {
  // Исходный тип матрицы
  auto stype = color ? CV_8UC3 : CV_8UC1;
  // Итоговый тип матрицы
  auto dtype = color ? CV_32FC3 : CV_32FC1;
  auto bg = color ? cv::Scalar(0, 0, 255) : cv::Scalar(255);
  auto col = color ? cv::Scalar(0, 255, 220) : cv::Scalar(0);
  cv::Mat img = cv::Mat(SIZE, SIZE, stype, bg);
  // Количество линий
  size_t n = x.size();
  for (const auto& s: x) {
    // Количество точек в линии
    size_t n_points = s.shape()[1];
    for (size_t i = 0; i < n_points - 1; ++i) {
      // Точка начала штриха
      cv::Point from(s(0, i), s(1, i));
      // Точка окончания штриха
      cv::Point to(s(0, i + 1), s(1, i + 1));
      // Отрисовка линии
      cv::line(img, from, to, col, LINE_WIDTH, LINE_TYPE);
    }
    if (color) {
      // Меняем цвет линии
      col[0] += 180 / n;
    }
  }
  if (color) {
    // Меняем цветовое представление на RGB
    cv::cvtColor(img, img, cv::COLOR_HSV2RGB);
  }
  // Меняем формат представления на float32 с диапазоном [0, 1]
  img.convertTo(img, dtype, 1 / 255.0);
  return img;
}

// Обработка JSON и получение тензора с данными изображения
xtensor3d process(const std::string& x, double scale = 1.0, bool color = true) {
  auto p = parse_json(x);
  auto img = ocv_draw_lines(p, color);
  if (scale != 1) {
    cv::Mat out;
    cv::resize(img, out, cv::Size(), scale, scale, RESIZE_TYPE);
    cv::swap(img, out);
    out.release();
  }
  xtensor3d arr = color ? to_xt<double,3>(img) : to_xt<double,1>(img);
  return arr;
}

// [[Rcpp::export]]
rtensor3d cpp_process_json_str(const std::string& x, 
                               double scale = 1.0, 
                               bool color = true) {
  xtensor3d res = process(x, scale, color);
  return res;
}

// [[Rcpp::export]]
rtensor4d cpp_process_json_vector(const std::vector<std::string>& x, 
                                  double scale = 1.0, 
                                  bool color = false) {
  size_t n = x.size();
  size_t dim = floor(SIZE * scale);
  size_t channels = color ? 3 : 1;
  xtensor4d res({n, dim, dim, channels});
  parallelFor(0, n, [&x, &res, scale, color](int i) {
    xtensor3d tmp = process(x[i], scale, color);
    auto view = xt::view(res, i, xt::all(), xt::all(), xt::all());
    view = tmp;
  });
  return res;
}

এই কোড ফাইলে স্থাপন করা উচিত src/cv_xt.cpp এবং কমান্ড দিয়ে কম্পাইল করুন Rcpp::sourceCpp(file = "src/cv_xt.cpp", env = .GlobalEnv); কাজের জন্যও প্রয়োজন nlohmann/json.hpp থেকে ভান্ডার. কোডটি বিভিন্ন ফাংশনে বিভক্ত:

• to_xt — একটি চিত্র ম্যাট্রিক্স রূপান্তর করার জন্য একটি টেমপ্লেটেড ফাংশন (cv::Mat) একটি টেনসরে xt::xtensor;

• parse_json — ফাংশনটি একটি JSON স্ট্রিং পার্স করে, পয়েন্টের স্থানাঙ্ক বের করে, একটি ভেক্টরে প্যাক করে;

• ocv_draw_lines — বিন্দুর ফলাফল ভেক্টর থেকে, বহু রঙের রেখা আঁকে;

• process — উপরের ফাংশনগুলিকে একত্রিত করে এবং ফলস্বরূপ চিত্রটি স্কেল করার ক্ষমতাও যোগ করে;

• cpp_process_json_str - ফাংশন উপর মোড়ানো process, যা একটি R- অবজেক্টে ফলাফল রপ্তানি করে (বহুমাত্রিক অ্যারে);

• cpp_process_json_vector - ফাংশন উপর মোড়ানো cpp_process_json_str, যা আপনাকে মাল্টি-থ্রেডেড মোডে একটি স্ট্রিং ভেক্টর প্রক্রিয়া করতে দেয়।

বহু রঙের রেখা আঁকতে, HSV রঙের মডেল ব্যবহার করা হয়েছিল, তারপরে RGB-তে রূপান্তর করা হয়েছিল। আসুন ফলাফল পরীক্ষা করা যাক:

arr <- cpp_process_json_str(tmp_data[4, drawing])
dim(arr)
# [1] 256 256   3
plot(magick::image_read(arr))

R এবং C++ এ বাস্তবায়নের গতির তুলনা

res_bench <- bench::mark(
  r_process_json_str(tmp_data[4, drawing], scale = 0.5),
  cpp_process_json_str(tmp_data[4, drawing], scale = 0.5),
  check = FALSE,
  min_iterations = 100
)
# Параметры бенчмарка
cols <- c("expression", "min", "median", "max", "itr/sec", "total_time", "n_itr")
res_bench[, cols]

#   expression                min     median       max `itr/sec` total_time  n_itr
#   <chr>                <bch:tm>   <bch:tm>  <bch:tm>     <dbl>   <bch:tm>  <int>
# 1 r_process_json_str     3.49ms     3.55ms    4.47ms      273.      490ms    134
# 2 cpp_process_json_str   1.94ms     2.02ms    5.32ms      489.      497ms    243

library(ggplot2)
# Проведение замера
res_bench <- bench::press(
  batch_size = 2^(4:10),
  {
    .data <- tmp_data[sample(seq_len(.N), batch_size), drawing]
    bench::mark(
      r_process_json_vector(.data, scale = 0.5),
      cpp_process_json_vector(.data,  scale = 0.5),
      min_iterations = 50,
      check = FALSE
    )
  }
)

res_bench[, cols]

#    expression   batch_size      min   median      max `itr/sec` total_time n_itr
#    <chr>             <dbl> <bch:tm> <bch:tm> <bch:tm>     <dbl>   <bch:tm> <int>
#  1 r                   16   50.61ms  53.34ms  54.82ms    19.1     471.13ms     9
#  2 cpp                 16    4.46ms   5.39ms   7.78ms   192.      474.09ms    91
#  3 r                   32   105.7ms 109.74ms 212.26ms     7.69        6.5s    50
#  4 cpp                 32    7.76ms  10.97ms  15.23ms    95.6     522.78ms    50
#  5 r                   64  211.41ms 226.18ms 332.65ms     3.85      12.99s    50
#  6 cpp                 64   25.09ms  27.34ms  32.04ms    36.0        1.39s    50
#  7 r                  128   534.5ms 627.92ms 659.08ms     1.61      31.03s    50
#  8 cpp                128   56.37ms  58.46ms  66.03ms    16.9        2.95s    50
#  9 r                  256     1.15s    1.18s    1.29s     0.851     58.78s    50
# 10 cpp                256  114.97ms 117.39ms 130.09ms     8.45       5.92s    50
# 11 r                  512     2.09s    2.15s    2.32s     0.463       1.8m    50
# 12 cpp                512  230.81ms  235.6ms 261.99ms     4.18      11.97s    50
# 13 r                 1024        4s    4.22s     4.4s     0.238       3.5m    50
# 14 cpp               1024  410.48ms 431.43ms 462.44ms     2.33      21.45s    50

ggplot(res_bench, aes(x = factor(batch_size), y = median, 
                      group =  expression, color = expression)) +
  geom_point() +
  geom_line() +
  ylab("median time, s") +
  theme_minimal() +
  scale_color_discrete(name = "", labels = c("cpp", "r")) +
  theme(legend.position = "bottom") 

আপনি দেখতে পাচ্ছেন, গতি বৃদ্ধি খুবই তাৎপর্যপূর্ণ হয়ে উঠেছে, এবং R কোডকে সমান্তরাল করে C++ কোডের সাথে ধরা সম্ভব নয়।

3. ডাটাবেস থেকে ব্যাচ আনলোড করার জন্য পুনরাবৃত্তিকারী

R-এর র‍্যামের সাথে মানানসই ডেটা প্রক্রিয়াকরণের জন্য একটি সু-যোগ্য খ্যাতি রয়েছে, যখন পাইথনটি পুনরাবৃত্তিমূলক ডেটা প্রসেসিং দ্বারা আরও বৈশিষ্ট্যযুক্ত, যা আপনাকে সহজে এবং স্বাভাবিকভাবে আউট-অফ-কোর গণনাগুলি (বাহ্যিক মেমরি ব্যবহার করে গণনা) বাস্তবায়ন করতে দেয়। বর্ণিত সমস্যার প্রেক্ষাপটে আমাদের জন্য একটি ক্লাসিক এবং প্রাসঙ্গিক উদাহরণ হল গভীর নিউরাল নেটওয়ার্ক যা গ্রেডিয়েন্ট ডিসেন্ট পদ্ধতিতে প্রশিক্ষিত হয় এবং প্রতিটি ধাপে গ্রেডিয়েন্টের আনুমানিক একটি ছোট অংশ পর্যবেক্ষণ বা মিনি-ব্যাচ ব্যবহার করে।

পাইথনে লেখা ডিপ লার্নিং ফ্রেমওয়ার্কগুলিতে বিশেষ ক্লাস রয়েছে যা ডেটার উপর ভিত্তি করে পুনরাবৃত্তিকারীগুলিকে প্রয়োগ করে: টেবিল, ফোল্ডারে ছবি, বাইনারি ফর্ম্যাট ইত্যাদি। আপনি তৈরি বিকল্পগুলি ব্যবহার করতে পারেন বা নির্দিষ্ট কাজের জন্য নিজের লিখতে পারেন। R-এ আমরা পাইথন লাইব্রেরির সমস্ত বৈশিষ্ট্যের সুবিধা নিতে পারি keras একই নামের প্যাকেজ ব্যবহার করে এর বিভিন্ন ব্যাকএন্ড সহ, যা প্যাকেজের উপরে কাজ করে রেটিকুলেট. পরেরটি একটি পৃথক দীর্ঘ নিবন্ধের দাবি রাখে; এটি আপনাকে শুধুমাত্র R থেকে পাইথন কোড চালানোর অনুমতি দেয় না, তবে আপনাকে R এবং Python সেশনের মধ্যে বস্তু স্থানান্তর করার অনুমতি দেয়, স্বয়ংক্রিয়ভাবে সমস্ত প্রয়োজনীয় ধরনের রূপান্তর সম্পাদন করে।

আমরা MonetDBLite ব্যবহার করে RAM এ সমস্ত ডেটা সঞ্চয় করার প্রয়োজনীয়তা থেকে পরিত্রাণ পেয়েছি, সমস্ত "নিউরাল নেটওয়ার্ক" কাজ পাইথনের আসল কোড দ্বারা সঞ্চালিত হবে, আমাদের কেবল ডেটার উপরে একটি পুনরাবৃত্তিকারী লিখতে হবে, যেহেতু কিছুই প্রস্তুত নেই। R বা Python হয় এই ধরনের পরিস্থিতির জন্য। এটির জন্য মূলত শুধুমাত্র দুটি প্রয়োজনীয়তা রয়েছে: এটি অবশ্যই একটি অন্তহীন লুপে ব্যাচগুলি ফিরিয়ে আনতে হবে এবং পুনরাবৃত্তিগুলির মধ্যে এটির অবস্থা সংরক্ষণ করতে হবে (আর এর পরবর্তীটি বন্ধ ব্যবহার করে সবচেয়ে সহজ উপায়ে প্রয়োগ করা হয়েছে)। পূর্বে, পুনরাবৃত্তিকারীর ভিতরে R অ্যারেগুলিকে সুস্পষ্টভাবে নম্পি অ্যারেতে রূপান্তর করার প্রয়োজন ছিল, তবে প্যাকেজের বর্তমান সংস্করণ keras এটা নিজে করে।

প্রশিক্ষণ এবং বৈধতা ডেটার জন্য পুনরাবৃত্তিকারী নিম্নলিখিত হিসাবে পরিণত হয়েছে:

প্রশিক্ষণ এবং বৈধতা ডেটার জন্য পুনরাবৃত্তিকারী

train_generator <- function(db_connection = con,
                            samples_index,
                            num_classes = 340,
                            batch_size = 32,
                            scale = 1,
                            color = FALSE,
                            imagenet_preproc = FALSE) {
  # Проверка аргументов
  checkmate::assert_class(con, "DBIConnection")
  checkmate::assert_integerish(samples_index)
  checkmate::assert_count(num_classes)
  checkmate::assert_count(batch_size)
  checkmate::assert_number(scale, lower = 0.001, upper = 5)
  checkmate::assert_flag(color)
  checkmate::assert_flag(imagenet_preproc)

  # Перемешиваем, чтобы брать и удалять использованные индексы батчей по порядку
  dt <- data.table::data.table(id = sample(samples_index))
  # Проставляем номера батчей
  dt[, batch := (.I - 1L) %/% batch_size + 1L]
  # Оставляем только полные батчи и индексируем
  dt <- dt[, if (.N == batch_size) .SD, keyby = batch]
  # Устанавливаем счётчик
  i <- 1
  # Количество батчей
  max_i <- dt[, max(batch)]

  # Подготовка выражения для выгрузки
  sql <- sprintf(
    "PREPARE SELECT drawing, label_int FROM doodles WHERE id IN (%s)",
    paste(rep("?", batch_size), collapse = ",")
  )
  res <- DBI::dbSendQuery(con, sql)

  # Аналог keras::to_categorical
  to_categorical <- function(x, num) {
    n <- length(x)
    m <- numeric(n * num)
    m[x * n + seq_len(n)] <- 1
    dim(m) <- c(n, num)
    return(m)
  }

  # Замыкание
  function() {
    # Начинаем новую эпоху
    if (i > max_i) {
      dt[, id := sample(id)]
      data.table::setkey(dt, batch)
      # Сбрасываем счётчик
      i <<- 1
      max_i <<- dt[, max(batch)]
    }

    # ID для выгрузки данных
    batch_ind <- dt[batch == i, id]
    # Выгрузка данных
    batch <- DBI::dbFetch(DBI::dbBind(res, as.list(batch_ind)), n = -1)

    # Увеличиваем счётчик
    i <<- i + 1

    # Парсинг JSON и подготовка массива
    batch_x <- cpp_process_json_vector(batch$drawing, scale = scale, color = color)
    if (imagenet_preproc) {
      # Шкалирование c интервала [0, 1] на интервал [-1, 1]
      batch_x <- (batch_x - 0.5) * 2
    }

    batch_y <- to_categorical(batch$label_int, num_classes)
    result <- list(batch_x, batch_y)
    return(result)
  }
}

ফাংশনটি ডাটাবেসের সাথে সংযোগ সহ একটি ভেরিয়েবল ইনপুট হিসাবে নেয়, ব্যবহৃত লাইনের সংখ্যা, ক্লাসের সংখ্যা, ব্যাচের আকার, স্কেল (scale = 1 256x256 পিক্সেলের রেন্ডারিং চিত্রের সাথে মিলে যায়, scale = 0.5 — 128x128 পিক্সেল), রঙ নির্দেশক (color = FALSE ব্যবহার করার সময় গ্রেস্কেলে রেন্ডারিং নির্দিষ্ট করে color = TRUE প্রতিটি স্ট্রোক একটি নতুন রঙে আঁকা হয়) এবং ইমেজনেটে ​​প্রাক-প্রশিক্ষিত নেটওয়ার্কগুলির জন্য একটি প্রিপ্রসেসিং সূচক। ব্যবধান [0, 1] থেকে ব্যবধান [-1, 1] পর্যন্ত পিক্সেল মান স্কেল করার জন্য পরেরটির প্রয়োজন, যা সরবরাহকারীকে প্রশিক্ষণ দেওয়ার সময় ব্যবহৃত হয়েছিল keras মডেল

বাহ্যিক ফাংশনে রয়েছে আর্গুমেন্ট টাইপ চেকিং, একটি টেবিল data.table থেকে এলোমেলোভাবে মিশ্র লাইন সংখ্যা সঙ্গে samples_index এবং ব্যাচ সংখ্যা, কাউন্টার এবং ব্যাচের সর্বাধিক সংখ্যা, সেইসাথে ডাটাবেস থেকে ডেটা আনলোড করার জন্য একটি SQL এক্সপ্রেশন। অতিরিক্তভাবে, আমরা ভিতরে ফাংশনের একটি দ্রুত অ্যানালগ সংজ্ঞায়িত করেছি keras::to_categorical(). আমরা প্রশিক্ষণের জন্য প্রায় সমস্ত ডেটা ব্যবহার করেছি, বৈধতার জন্য অর্ধ শতাংশ রেখেছি, তাই যুগের আকার প্যারামিটার দ্বারা সীমাবদ্ধ ছিল steps_per_epoch যখন ডাকা হয় keras::fit_generator(), এবং শর্ত if (i > max_i) শুধুমাত্র বৈধতা পুনরাবৃত্তিকারীর জন্য কাজ করেছে।

অভ্যন্তরীণ ফাংশনে, সারি সূচীগুলি পরবর্তী ব্যাচের জন্য পুনরুদ্ধার করা হয়, ব্যাচ কাউন্টার বৃদ্ধির সাথে ডাটাবেস থেকে রেকর্ডগুলি আনলোড করা হয়, JSON পার্সিং (ফাংশন cpp_process_json_vector(), C++ এ লেখা এবং ছবির সাথে সম্পর্কিত অ্যারে তৈরি করা। তারপরে ক্লাস লেবেল সহ এক-হট ভেক্টর তৈরি করা হয়, পিক্সেল মান সহ অ্যারে এবং লেবেলগুলিকে একটি তালিকায় একত্রিত করা হয়, যা রিটার্ন মান। কাজের গতি বাড়ানোর জন্য, আমরা টেবিলে সূচী তৈরি করতে ব্যবহার করেছি data.table এবং লিঙ্কের মাধ্যমে পরিবর্তন - এই প্যাকেজ "চিপস" ছাড়া ডেটা.ট্যাবল R-এ কোনও উল্লেখযোগ্য পরিমাণ ডেটা নিয়ে কার্যকরভাবে কাজ করা কল্পনা করা বেশ কঠিন।

একটি Core i5 ল্যাপটপে গতি পরিমাপের ফলাফল নিম্নরূপ:

ইটারেটর বেঞ্চমার্ক

library(Rcpp)
library(keras)
library(ggplot2)

source("utils/rcpp.R")
source("utils/keras_iterator.R")

con <- DBI::dbConnect(drv = MonetDBLite::MonetDBLite(), Sys.getenv("DBDIR"))

ind <- seq_len(DBI::dbGetQuery(con, "SELECT count(*) FROM doodles")[[1L]])
num_classes <- DBI::dbGetQuery(con, "SELECT max(label_int) + 1 FROM doodles")[[1L]]

# Индексы для обучающей выборки
train_ind <- sample(ind, floor(length(ind) * 0.995))
# Индексы для проверочной выборки
val_ind <- ind[-train_ind]
rm(ind)
# Коэффициент масштаба
scale <- 0.5

# Проведение замера
res_bench <- bench::press(
  batch_size = 2^(4:10),
  {
    it1 <- train_generator(
      db_connection = con,
      samples_index = train_ind,
      num_classes = num_classes,
      batch_size = batch_size,
      scale = scale
    )
    bench::mark(
      it1(),
      min_iterations = 50L
    )
  }
)
# Параметры бенчмарка
cols <- c("batch_size", "min", "median", "max", "itr/sec", "total_time", "n_itr")
res_bench[, cols]

#   batch_size      min   median      max `itr/sec` total_time n_itr
#        <dbl> <bch:tm> <bch:tm> <bch:tm>     <dbl>   <bch:tm> <int>
# 1         16     25ms  64.36ms   92.2ms     15.9       3.09s    49
# 2         32   48.4ms 118.13ms 197.24ms     8.17       5.88s    48
# 3         64   69.3ms 117.93ms 181.14ms     8.57       5.83s    50
# 4        128  157.2ms 240.74ms 503.87ms     3.85      12.71s    49
# 5        256  359.3ms 613.52ms 988.73ms     1.54       30.5s    47
# 6        512  884.7ms    1.53s    2.07s     0.674      1.11m    45
# 7       1024     2.7s    3.83s    5.47s     0.261      2.81m    44

ggplot(res_bench, aes(x = factor(batch_size), y = median, group = 1)) +
    geom_point() +
    geom_line() +
    ylab("median time, s") +
    theme_minimal()

DBI::dbDisconnect(con, shutdown = TRUE)

আপনার যদি পর্যাপ্ত পরিমাণে RAM থাকে তবে আপনি এই একই RAM এ স্থানান্তর করে ডাটাবেসের ক্রিয়াকলাপকে গুরুত্ব সহকারে দ্রুত করতে পারেন (আমাদের কাজের জন্য 32 জিবি যথেষ্ট)। লিনাক্সে, পার্টিশনটি ডিফল্টরূপে মাউন্ট করা হয় /dev/shm, RAM ক্ষমতার অর্ধেক পর্যন্ত দখল করে। আপনি সম্পাদনা করে আরও হাইলাইট করতে পারেন /etc/fstabএকটি রেকর্ড পেতে tmpfs /dev/shm tmpfs defaults,size=25g 0 0. রিবুট করতে ভুলবেন না এবং কমান্ডটি চালিয়ে ফলাফলটি পরীক্ষা করুন df -h.

পরীক্ষার ডেটার জন্য পুনরাবৃত্তিকারী অনেক সহজ দেখায়, যেহেতু পরীক্ষার ডেটাসেট সম্পূর্ণরূপে RAM-তে ফিট করে:

পরীক্ষার তথ্যের জন্য পুনরাবৃত্তিকারী

test_generator <- function(dt,
                           batch_size = 32,
                           scale = 1,
                           color = FALSE,
                           imagenet_preproc = FALSE) {

  # Проверка аргументов
  checkmate::assert_data_table(dt)
  checkmate::assert_count(batch_size)
  checkmate::assert_number(scale, lower = 0.001, upper = 5)
  checkmate::assert_flag(color)
  checkmate::assert_flag(imagenet_preproc)

  # Проставляем номера батчей
  dt[, batch := (.I - 1L) %/% batch_size + 1L]
  data.table::setkey(dt, batch)
  i <- 1
  max_i <- dt[, max(batch)]

  # Замыкание
  function() {
    batch_x <- cpp_process_json_vector(dt[batch == i, drawing], 
                                       scale = scale, color = color)
    if (imagenet_preproc) {
      # Шкалирование c интервала [0, 1] на интервал [-1, 1]
      batch_x <- (batch_x - 0.5) * 2
    }
    result <- list(batch_x)
    i <<- i + 1
    return(result)
  }
}

4. মডেল আর্কিটেকচার নির্বাচন

প্রথম ব্যবহৃত স্থাপত্য ছিল মোবাইলনেট v1, যার বৈশিষ্ট্য আলোচনা করা হয়েছে এই বার্তা এটা মান হিসাবে অন্তর্ভুক্ত করা হয় keras এবং, তদনুসারে, R-এর জন্য একই নামের প্যাকেজে উপলব্ধ। কিন্তু একক-চ্যানেল চিত্রগুলির সাথে এটি ব্যবহার করার চেষ্টা করার সময়, একটি অদ্ভুত জিনিস দেখা গেল: ইনপুট টেনসরের সর্বদা মাত্রা থাকতে হবে (batch, height, width, 3), অর্থাৎ চ্যানেলের সংখ্যা পরিবর্তন করা যাবে না। পাইথনে এই ধরনের কোন সীমাবদ্ধতা নেই, তাই আমরা মূল নিবন্ধটি অনুসরণ করে (কেরাস সংস্করণে ড্রপআউট ছাড়া) এই আর্কিটেকচারটির নিজস্ব বাস্তবায়ন ছুটে এসেছি এবং লিখেছিলাম:

মোবাইলনেট v1 আর্কিটেকচার

library(keras)

top_3_categorical_accuracy <- custom_metric(
    name = "top_3_categorical_accuracy",
    metric_fn = function(y_true, y_pred) {
         metric_top_k_categorical_accuracy(y_true, y_pred, k = 3)
    }
)

layer_sep_conv_bn <- function(object, 
                              filters,
                              alpha = 1,
                              depth_multiplier = 1,
                              strides = c(2, 2)) {

  # NB! depth_multiplier !=  resolution multiplier
  # https://github.com/keras-team/keras/issues/10349

  layer_depthwise_conv_2d(
    object = object,
    kernel_size = c(3, 3), 
    strides = strides,
    padding = "same",
    depth_multiplier = depth_multiplier
  ) %>%
  layer_batch_normalization() %>% 
  layer_activation_relu() %>%
  layer_conv_2d(
    filters = filters * alpha,
    kernel_size = c(1, 1), 
    strides = c(1, 1)
  ) %>%
  layer_batch_normalization() %>% 
  layer_activation_relu() 
}

get_mobilenet_v1 <- function(input_shape = c(224, 224, 1),
                             num_classes = 340,
                             alpha = 1,
                             depth_multiplier = 1,
                             optimizer = optimizer_adam(lr = 0.002),
                             loss = "categorical_crossentropy",
                             metrics = c("categorical_crossentropy",
                                         top_3_categorical_accuracy)) {

  inputs <- layer_input(shape = input_shape)

  outputs <- inputs %>%
    layer_conv_2d(filters = 32, kernel_size = c(3, 3), strides = c(2, 2), padding = "same") %>%
    layer_batch_normalization() %>% 
    layer_activation_relu() %>%
    layer_sep_conv_bn(filters = 64, strides = c(1, 1)) %>%
    layer_sep_conv_bn(filters = 128, strides = c(2, 2)) %>%
    layer_sep_conv_bn(filters = 128, strides = c(1, 1)) %>%
    layer_sep_conv_bn(filters = 256, strides = c(2, 2)) %>%
    layer_sep_conv_bn(filters = 256, strides = c(1, 1)) %>%
    layer_sep_conv_bn(filters = 512, strides = c(2, 2)) %>%
    layer_sep_conv_bn(filters = 512, strides = c(1, 1)) %>%
    layer_sep_conv_bn(filters = 512, strides = c(1, 1)) %>%
    layer_sep_conv_bn(filters = 512, strides = c(1, 1)) %>%
    layer_sep_conv_bn(filters = 512, strides = c(1, 1)) %>%
    layer_sep_conv_bn(filters = 512, strides = c(1, 1)) %>%
    layer_sep_conv_bn(filters = 1024, strides = c(2, 2)) %>%
    layer_sep_conv_bn(filters = 1024, strides = c(1, 1)) %>%
    layer_global_average_pooling_2d() %>%
    layer_dense(units = num_classes) %>%
    layer_activation_softmax()

    model <- keras_model(
      inputs = inputs,
      outputs = outputs
    )

    model %>% compile(
      optimizer = optimizer,
      loss = loss,
      metrics = metrics
    )

    return(model)
}

এই পদ্ধতির অসুবিধাগুলি সুস্পষ্ট। আমি অনেক মডেল পরীক্ষা করতে চাই, কিন্তু বিপরীতে, আমি প্রতিটি আর্কিটেকচার ম্যানুয়ালি পুনরায় লিখতে চাই না। আমরা ইমেজনেটে ​​প্রাক-প্রশিক্ষিত মডেলের ওজন ব্যবহার করার সুযোগ থেকেও বঞ্চিত ছিলাম। যথারীতি, ডকুমেন্টেশন অধ্যয়ন সাহায্য করেছে. ফাংশন get_config() আপনাকে সম্পাদনার জন্য উপযুক্ত একটি ফর্মে মডেলের একটি বিবরণ পেতে অনুমতি দেয় (base_model_conf$layers - একটি নিয়মিত R তালিকা), এবং ফাংশন from_config() একটি মডেল অবজেক্টে বিপরীত রূপান্তর সম্পাদন করে:

base_model_conf <- get_config(base_model)
base_model_conf$layers[[1]]$config$batch_input_shape[[4]] <- 1L
base_model <- from_config(base_model_conf)

এখন সরবরাহ করা যেকোনো একটি পাওয়ার জন্য একটি সার্বজনীন ফাংশন লেখা কঠিন নয় keras ইমেজনেটে ​​প্রশিক্ষিত ওজন সহ বা ছাড়া মডেল:

রেডিমেড আর্কিটেকচার লোড করার জন্য ফাংশন

get_model <- function(name = "mobilenet_v2",
                      input_shape = NULL,
                      weights = "imagenet",
                      pooling = "avg",
                      num_classes = NULL,
                      optimizer = keras::optimizer_adam(lr = 0.002),
                      loss = "categorical_crossentropy",
                      metrics = NULL,
                      color = TRUE,
                      compile = FALSE) {
  # Проверка аргументов
  checkmate::assert_string(name)
  checkmate::assert_integerish(input_shape, lower = 1, upper = 256, len = 3)
  checkmate::assert_count(num_classes)
  checkmate::assert_flag(color)
  checkmate::assert_flag(compile)

  # Получаем объект из пакета keras
  model_fun <- get0(paste0("application_", name), envir = asNamespace("keras"))
  # Проверка наличия объекта в пакете
  if (is.null(model_fun)) {
    stop("Model ", shQuote(name), " not found.", call. = FALSE)
  }

  base_model <- model_fun(
    input_shape = input_shape,
    include_top = FALSE,
    weights = weights,
    pooling = pooling
  )

  # Если изображение не цветное, меняем размерность входа
  if (!color) {
    base_model_conf <- keras::get_config(base_model)
    base_model_conf$layers[[1]]$config$batch_input_shape[[4]] <- 1L
    base_model <- keras::from_config(base_model_conf)
  }

  predictions <- keras::get_layer(base_model, "global_average_pooling2d_1")$output
  predictions <- keras::layer_dense(predictions, units = num_classes, activation = "softmax")
  model <- keras::keras_model(
    inputs = base_model$input,
    outputs = predictions
  )

  if (compile) {
    keras::compile(
      object = model,
      optimizer = optimizer,
      loss = loss,
      metrics = metrics
    )
  }

  return(model)
}

একক-চ্যানেল ছবি ব্যবহার করার সময়, কোনো পূর্বপ্রশিক্ষিত ওজন ব্যবহার করা হয় না। এটি ঠিক করা যেতে পারে: ফাংশন ব্যবহার করে get_weights() R অ্যারেগুলির একটি তালিকার আকারে মডেলের ওজনগুলি পান, এই তালিকার প্রথম উপাদানটির মাত্রা পরিবর্তন করুন (একটি রঙের চ্যানেল নিয়ে বা তিনটির গড় করে), এবং তারপর ফাংশন সহ মডেলটিতে ওজনগুলি আবার লোড করুন set_weights(). আমরা কখনই এই কার্যকারিতা যোগ করিনি, কারণ এই পর্যায়ে এটি ইতিমধ্যেই স্পষ্ট ছিল যে রঙিন ছবিগুলির সাথে কাজ করা আরও উত্পাদনশীল।

আমরা মোবাইলনেট সংস্করণ 1 এবং 2, সেইসাথে resnet34 ব্যবহার করে বেশিরভাগ পরীক্ষা চালিয়েছি। SE-ResNeXt-এর মতো আরও আধুনিক স্থাপত্য এই প্রতিযোগিতায় ভালো পারফর্ম করেছে। দুর্ভাগ্যবশত, আমাদের নিষ্পত্তিতে প্রস্তুত-তৈরি বাস্তবায়ন ছিল না, এবং আমরা আমাদের নিজস্ব লিখিনি (তবে আমরা অবশ্যই লিখব)।

5. স্ক্রিপ্টের প্যারামিটারাইজেশন

সুবিধার জন্য, প্রশিক্ষণ শুরু করার জন্য সমস্ত কোড একটি একক স্ক্রিপ্ট হিসাবে ডিজাইন করা হয়েছিল, ব্যবহার করে প্যারামিটারাইজড ডকপ্ট নিম্নরূপ:

doc <- '
Usage:
  train_nn.R --help
  train_nn.R --list-models
  train_nn.R [options]

Options:
  -h --help                   Show this message.
  -l --list-models            List available models.
  -m --model=<model>          Neural network model name [default: mobilenet_v2].
  -b --batch-size=<size>      Batch size [default: 32].
  -s --scale-factor=<ratio>   Scale factor [default: 0.5].
  -c --color                  Use color lines [default: FALSE].
  -d --db-dir=<path>          Path to database directory [default: Sys.getenv("db_dir")].
  -r --validate-ratio=<ratio> Validate sample ratio [default: 0.995].
  -n --n-gpu=<number>         Number of GPUs [default: 1].
'
args <- docopt::docopt(doc)

প্যাকেজ ডকপ্ট বাস্তবায়ন প্রতিনিধিত্ব করে http://docopt.org/ R এর জন্য। এর সাহায্যে, স্ক্রিপ্টগুলি সহজ কমান্ড সহ চালু করা হয় Rscript bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db বা ./bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db, যদি ফাইল train_nn.R এক্সিকিউটেবল (এই কমান্ডটি মডেলটিকে প্রশিক্ষণ দেওয়া শুরু করবে resnet50 128x128 পিক্সেল পরিমাপের তিন রঙের ছবিতে, ডাটাবেস অবশ্যই ফোল্ডারে অবস্থিত হবে /home/andrey/doodle_db) আপনি তালিকায় শেখার গতি, অপ্টিমাইজার টাইপ এবং অন্য কোন কাস্টমাইজযোগ্য প্যারামিটার যোগ করতে পারেন। প্রকাশনার প্রস্তুতির প্রক্রিয়ায় দেখা গেল যে স্থাপত্য mobilenet_v2 বর্তমান সংস্করণ থেকে keras R ব্যবহারে না করতে পারেন R প্যাকেজে পরিবর্তনগুলি বিবেচনায় না নেওয়ার কারণে, আমরা তাদের এটি ঠিক করার জন্য অপেক্ষা করছি৷

এই পদ্ধতিটি RStudio-তে স্ক্রিপ্টগুলির আরও প্রথাগত লঞ্চের তুলনায় বিভিন্ন মডেলের সাথে পরীক্ষাগুলিকে উল্লেখযোগ্যভাবে ত্বরান্বিত করা সম্ভব করেছে (আমরা প্যাকেজটিকে একটি সম্ভাব্য বিকল্প হিসাবে নোট করি tfruns) তবে প্রধান সুবিধা হল এর জন্য আর স্টুডিও ইনস্টল না করেই ডকারে বা কেবল সার্ভারে স্ক্রিপ্টগুলি সহজে পরিচালনা করার ক্ষমতা।

6. স্ক্রিপ্টের ডকারাইজেশন

আমরা দলের সদস্যদের মধ্যে প্রশিক্ষণ মডেলের জন্য এবং ক্লাউডে দ্রুত স্থাপনার জন্য পরিবেশের বহনযোগ্যতা নিশ্চিত করতে ডকার ব্যবহার করেছি। আপনি এই সরঞ্জামটির সাথে পরিচিত হতে শুরু করতে পারেন, যা একটি আর প্রোগ্রামারের জন্য তুলনামূলকভাবে অস্বাভাবিক এই প্রকাশনা সিরিজ বা ভিডিও কোর্স.

ডকার আপনাকে স্ক্র্যাচ থেকে আপনার নিজের ছবি তৈরি করতে এবং আপনার নিজের তৈরি করার ভিত্তি হিসাবে অন্যান্য ছবি ব্যবহার করতে দেয়। উপলব্ধ বিকল্পগুলি বিশ্লেষণ করার সময়, আমরা উপসংহারে পৌঁছেছি যে NVIDIA, CUDA + cuDNN ড্রাইভার এবং পাইথন লাইব্রেরিগুলি ইনস্টল করা ছবিটির একটি মোটামুটি বিশাল অংশ, এবং আমরা একটি ভিত্তি হিসাবে অফিসিয়াল ছবিটি নেওয়ার সিদ্ধান্ত নিয়েছি। tensorflow/tensorflow:1.12.0-gpu, সেখানে প্রয়োজনীয় R প্যাকেজ যোগ করা হচ্ছে।

চূড়ান্ত ডকার ফাইলটি দেখতে এইরকম ছিল:

Dockerfile

FROM tensorflow/tensorflow:1.12.0-gpu

MAINTAINER Artem Klevtsov <[email protected]>

SHELL ["/bin/bash", "-c"]

ARG LOCALE="en_US.UTF-8"
ARG APT_PKG="libopencv-dev r-base r-base-dev littler"
ARG R_BIN_PKG="futile.logger checkmate data.table rcpp rapidjsonr dbi keras jsonlite curl digest remotes"
ARG R_SRC_PKG="xtensor RcppThread docopt MonetDBLite"
ARG PY_PIP_PKG="keras"
ARG DIRS="/db /app /app/data /app/models /app/logs"

RUN source /etc/os-release && 
    echo "deb https://cloud.r-project.org/bin/linux/ubuntu ${UBUNTU_CODENAME}-cran35/" > /etc/apt/sources.list.d/cran35.list && 
    apt-key adv --keyserver keyserver.ubuntu.com --recv-keys E084DAB9 && 
    add-apt-repository -y ppa:marutter/c2d4u3.5 && 
    add-apt-repository -y ppa:timsc/opencv-3.4 && 
    apt-get update && 
    apt-get install -y locales && 
    locale-gen ${LOCALE} && 
    apt-get install -y --no-install-recommends ${APT_PKG} && 
    ln -s /usr/lib/R/site-library/littler/examples/install.r /usr/local/bin/install.r && 
    ln -s /usr/lib/R/site-library/littler/examples/install2.r /usr/local/bin/install2.r && 
    ln -s /usr/lib/R/site-library/littler/examples/installGithub.r /usr/local/bin/installGithub.r && 
    echo 'options(Ncpus = parallel::detectCores())' >> /etc/R/Rprofile.site && 
    echo 'options(repos = c(CRAN = "https://cloud.r-project.org"))' >> /etc/R/Rprofile.site && 
    apt-get install -y $(printf "r-cran-%s " ${R_BIN_PKG}) && 
    install.r ${R_SRC_PKG} && 
    pip install ${PY_PIP_PKG} && 
    mkdir -p ${DIRS} && 
    chmod 777 ${DIRS} && 
    rm -rf /tmp/downloaded_packages/ /tmp/*.rds && 
    rm -rf /var/lib/apt/lists/*

COPY utils /app/utils
COPY src /app/src
COPY tests /app/tests
COPY bin/*.R /app/

ENV DBDIR="/db"
ENV CUDA_HOME="/usr/local/cuda"
ENV PATH="/app:${PATH}"

WORKDIR /app

VOLUME /db
VOLUME /app

CMD bash

সুবিধার জন্য, ব্যবহৃত প্যাকেজগুলি ভেরিয়েবলের মধ্যে রাখা হয়েছিল; লিখিত স্ক্রিপ্টগুলির বেশিরভাগ অংশ সমাবেশের সময় পাত্রে অনুলিপি করা হয়। আমরা কমান্ড শেলও পরিবর্তন করেছি /bin/bash বিষয়বস্তু ব্যবহারের সহজতার জন্য /etc/os-release. এটি কোডে OS সংস্করণ নির্দিষ্ট করার প্রয়োজন এড়ায়।

অতিরিক্তভাবে, একটি ছোট ব্যাশ স্ক্রিপ্ট লেখা হয়েছিল যা আপনাকে বিভিন্ন কমান্ড সহ একটি ধারক চালু করতে দেয়। উদাহরণস্বরূপ, এগুলি স্ক্রিপ্ট হতে পারে প্রশিক্ষণের স্ক্রিপ্ট হতে পারে নিউরাল নেটওয়ার্কগুলি যা পূর্বে কন্টেইনারের ভিতরে স্থাপন করা হয়েছিল, অথবা ডিবাগিং এবং কন্টেইনারের অপারেশন পর্যবেক্ষণের জন্য একটি কমান্ড শেল:

কন্টেইনার চালু করার জন্য স্ক্রিপ্ট

#!/bin/sh

DBDIR=${PWD}/db
LOGSDIR=${PWD}/logs
MODELDIR=${PWD}/models
DATADIR=${PWD}/data
ARGS="--runtime=nvidia --rm -v ${DBDIR}:/db -v ${LOGSDIR}:/app/logs -v ${MODELDIR}:/app/models -v ${DATADIR}:/app/data"

if [ -z "$1" ]; then
    CMD="Rscript /app/train_nn.R"
elif [ "$1" = "bash" ]; then
    ARGS="${ARGS} -ti"
else
    CMD="Rscript /app/train_nn.R $@"
fi

docker run ${ARGS} doodles-tf ${CMD}

যদি এই ব্যাশ স্ক্রিপ্টটি প্যারামিটার ছাড়াই চালানো হয়, স্ক্রিপ্টটি কন্টেইনারের ভিতরে কল করা হবে train_nn.R ডিফল্ট মান সহ; যদি প্রথম অবস্থানগত যুক্তি "bash" হয়, তাহলে কন্টেইনারটি একটি কমান্ড শেল দিয়ে ইন্টারেক্টিভভাবে শুরু হবে। অন্য সব ক্ষেত্রে, অবস্থানগত আর্গুমেন্টের মান প্রতিস্থাপিত হয়: CMD="Rscript /app/train_nn.R $@".

এটি লক্ষণীয় যে উত্স ডেটা এবং ডাটাবেস সহ ডিরেক্টরিগুলির পাশাপাশি প্রশিক্ষিত মডেলগুলি সংরক্ষণের জন্য ডিরেক্টরিগুলি হোস্ট সিস্টেম থেকে কন্টেইনারের ভিতরে মাউন্ট করা হয়েছে, যা আপনাকে অপ্রয়োজনীয় ম্যানিপুলেশন ছাড়াই স্ক্রিপ্টগুলির ফলাফলগুলি অ্যাক্সেস করতে দেয়।

7. Google ক্লাউডে একাধিক GPU ব্যবহার করা

প্রতিযোগিতার অন্যতম বৈশিষ্ট্য ছিল খুব কোলাহলপূর্ণ ডেটা (শিরোনাম ছবি দেখুন, ODS স্ল্যাক থেকে @Leigh.plt থেকে ধার করা)। বড় ব্যাচগুলি এটিকে মোকাবেলায় সহায়তা করে এবং 1 GPU সহ একটি পিসিতে পরীক্ষা-নিরীক্ষার পরে, আমরা ক্লাউডে বেশ কয়েকটি GPU-তে প্রশিক্ষণের মডেলগুলি আয়ত্ত করার সিদ্ধান্ত নিয়েছি। ব্যবহৃত GoogleCloud (বেসিক ভাল গাইড) উপলব্ধ কনফিগারেশনের বৃহৎ নির্বাচন, যুক্তিসঙ্গত মূল্য এবং $300 বোনাসের কারণে। লোভের জন্য, আমি একটি SSD এবং এক টন RAM সহ একটি 4xV100 ইন্সট্যান্স অর্ডার করেছি এবং এটি একটি বড় ভুল ছিল৷ এই জাতীয় মেশিন দ্রুত অর্থ খেয়ে ফেলে; আপনি প্রমাণিত পাইপলাইন ছাড়াই পরীক্ষা-নিরীক্ষায় যেতে পারেন। শিক্ষাগত উদ্দেশ্যে, K80 নেওয়া ভাল। কিন্তু প্রচুর পরিমাণে র‌্যাম কাজে এসেছে - ক্লাউড এসএসডি তার কর্মক্ষমতা দ্বারা প্রভাবিত করেনি, তাই ডাটাবেস স্থানান্তর করা হয়েছিল dev/shm.

সর্বাধিক আগ্রহের বিষয় হল একাধিক GPU ব্যবহার করার জন্য দায়ী কোড খণ্ড। প্রথমত, সিপিইউতে একটি কনটেক্সট ম্যানেজার ব্যবহার করে মডেলটি তৈরি করা হয়েছে, ঠিক পাইথনের মতো:

with(tensorflow::tf$device("/cpu:0"), {
  model_cpu <- get_model(
    name = model_name,
    input_shape = input_shape,
    weights = weights,
    metrics =(top_3_categorical_accuracy,
    compile = FALSE
  )
})

তারপরে আনকম্পাইল করা (এটি গুরুত্বপূর্ণ) মডেলটি একটি প্রদত্ত সংখ্যক উপলব্ধ GPU-তে অনুলিপি করা হয় এবং শুধুমাত্র তার পরে এটি সংকলিত হয়:

model <- keras::multi_gpu_model(model_cpu, gpus = n_gpu)
keras::compile(
  object = model,
  optimizer = keras::optimizer_adam(lr = 0.0004),
  loss = "categorical_crossentropy",
  metrics = c(top_3_categorical_accuracy)
)

শেষটি ব্যতীত সমস্ত স্তর হিমায়িত করার ক্লাসিক কৌশল, শেষ স্তরটিকে প্রশিক্ষণ দেওয়া, বেশ কয়েকটি GPU-এর জন্য সম্পূর্ণ মডেলটিকে আনফ্রিজ করা এবং পুনরায় প্রশিক্ষণ দেওয়া সম্ভব হয়নি৷

প্রশিক্ষণ ব্যবহার ছাড়াই পর্যবেক্ষণ করা হয়েছিল। টেনসরবোর্ড, লগ রেকর্ডিং এবং প্রতিটি যুগের পরে তথ্যপূর্ণ নাম সহ মডেল সংরক্ষণ করার জন্য নিজেদেরকে সীমাবদ্ধ করা:

কলব্যাক

# Шаблон имени файла лога
log_file_tmpl <- file.path("logs", sprintf(
  "%s_%d_%dch_%s.csv",
  model_name,
  dim_size,
  channels,
  format(Sys.time(), "%Y%m%d%H%M%OS")
))
# Шаблон имени файла модели
model_file_tmpl <- file.path("models", sprintf(
  "%s_%d_%dch_{epoch:02d}_{val_loss:.2f}.h5",
  model_name,
  dim_size,
  channels
))

callbacks_list <- list(
  keras::callback_csv_logger(
    filename = log_file_tmpl
  ),
  keras::callback_early_stopping(
    monitor = "val_loss",
    min_delta = 1e-4,
    patience = 8,
    verbose = 1,
    mode = "min"
  ),
  keras::callback_reduce_lr_on_plateau(
    monitor = "val_loss",
    factor = 0.5, # уменьшаем lr в 2 раза
    patience = 4,
    verbose = 1,
    min_delta = 1e-4,
    mode = "min"
  ),
  keras::callback_model_checkpoint(
    filepath = model_file_tmpl,
    monitor = "val_loss",
    save_best_only = FALSE,
    save_weights_only = FALSE,
    mode = "min"
  )
)

8. একটি উপসংহারের পরিবর্তে

আমরা যে সমস্যার সম্মুখীন হয়েছি তার একটি সংখ্যা এখনও কাটিয়ে উঠতে পারিনি:

• в keras সর্বোত্তম শেখার হার (অ্যানালগ lr_finder গ্রন্থাগারে quick.ai); কিছু প্রচেষ্টার সাথে, তৃতীয় পক্ষের বাস্তবায়নকে R-এ পোর্ট করা সম্ভব, উদাহরণস্বরূপ, এই;
• পূর্ববর্তী পয়েন্টের ফলস্বরূপ, বেশ কয়েকটি GPU ব্যবহার করার সময় সঠিক প্রশিক্ষণের গতি নির্বাচন করা সম্ভব ছিল না;
• আধুনিক নিউরাল নেটওয়ার্ক আর্কিটেকচারের অভাব রয়েছে, বিশেষ করে যেগুলি ইমেজনেটে ​​প্রাক-প্রশিক্ষিত;
• কোন এক চক্র নীতি এবং বৈষম্যমূলক শিক্ষার হার (কোসাইন অ্যানিলিং আমাদের অনুরোধে ছিল বাস্তবায়িত, ধন্যবাদ স্কাইডান).

এই প্রতিযোগিতা থেকে কী কী দরকারী জিনিস শিখেছে:

• অপেক্ষাকৃত কম-পাওয়ার হার্ডওয়্যারে, আপনি ব্যথা ছাড়াই শালীন (র্যামের আকারের অনেক গুণ) ভলিউম ডেটা নিয়ে কাজ করতে পারেন। প্লাস্টিক ব্যাগ ডেটা.ট্যাবল টেবিলের ইন-প্লেস পরিবর্তনের কারণে মেমরি সংরক্ষণ করে, যা তাদের অনুলিপি করা এড়িয়ে যায় এবং সঠিকভাবে ব্যবহার করা হলে, স্ক্রিপ্টিং ভাষার জন্য আমাদের কাছে পরিচিত সমস্ত সরঞ্জামগুলির মধ্যে এর ক্ষমতাগুলি প্রায় সবসময়ই সর্বোচ্চ গতি প্রদর্শন করে। একটি ডাটাবেসে ডেটা সংরক্ষণ করা আপনাকে অনেক ক্ষেত্রে সম্পূর্ণ ডেটাসেটকে RAM-তে চেপে দেওয়ার প্রয়োজন সম্পর্কে চিন্তা করতে দেয় না।
• প্যাকেজ ব্যবহার করে R-এ ধীর ফাংশন C++-এ দ্রুত ফাংশন দিয়ে প্রতিস্থাপন করা যেতে পারে Rcpp. এছাড়া ব্যবহার করলে RcppThread বা Rcpp সমান্তরাল, আমরা ক্রস-প্ল্যাটফর্ম মাল্টি-থ্রেডেড ইমপ্লিমেন্টেশন পাই, তাই R লেভেলে কোডটিকে সমান্তরাল করার দরকার নেই।
• প্যাকেজ Rcpp C++ এর গুরুতর জ্ঞান ছাড়াই ব্যবহার করা যেতে পারে, প্রয়োজনীয় ন্যূনতম রূপরেখা দেওয়া আছে এখানে. বেশ কয়েকটি শীতল সি-লাইব্রেরির জন্য হেডার ফাইল এক্সটেনসর CRAN-এ উপলব্ধ, অর্থাৎ, প্রকল্পগুলি বাস্তবায়নের জন্য একটি পরিকাঠামো তৈরি করা হচ্ছে যা রেডিমেড হাই-পারফরম্যান্স C++ কোডকে R-তে সংহত করে। অতিরিক্ত সুবিধা হল সিনট্যাক্স হাইলাইটিং এবং RStudio-তে একটি স্ট্যাটিক C++ কোড বিশ্লেষক।
• ডকপ্ট আপনাকে পরামিতি সহ স্বয়ংসম্পূর্ণ স্ক্রিপ্ট চালানোর অনুমতি দেয়। এটি একটি দূরবর্তী সার্ভারে ব্যবহারের জন্য সুবিধাজনক, সহ। ডকার অধীনে RStudio-তে, নিউরাল নেটওয়ার্কের প্রশিক্ষণ নিয়ে অনেক ঘন্টা পরীক্ষা-নিরীক্ষা করা অসুবিধাজনক, এবং সার্ভারে IDE ইনস্টল করা সর্বদা ন্যায়সঙ্গত নয়।
• ডকার OS এবং লাইব্রেরির বিভিন্ন সংস্করণ সহ ডেভেলপারদের মধ্যে ফলাফলের কোড বহনযোগ্যতা এবং পুনরুত্পাদনযোগ্যতা নিশ্চিত করে, সেইসাথে সার্ভারগুলিতে সম্পাদনের সহজতা। আপনি শুধুমাত্র একটি কমান্ড দিয়ে সমগ্র প্রশিক্ষণ পাইপলাইন চালু করতে পারেন।
• Google ক্লাউড ব্যয়বহুল হার্ডওয়্যার পরীক্ষা করার জন্য একটি বাজেট-বান্ধব উপায়, কিন্তু আপনাকে সাবধানে কনফিগারেশন নির্বাচন করতে হবে।
• পৃথক কোডের টুকরোগুলির গতি পরিমাপ করা খুব দরকারী, বিশেষত যখন R এবং C++ এবং প্যাকেজের সাথে একত্রিত করা হয় ন্যায়াসন - এছাড়াও খুব সহজ।

সামগ্রিকভাবে এই অভিজ্ঞতা খুবই ফলপ্রসূ ছিল এবং আমরা উত্থাপিত কিছু সমস্যা সমাধানের জন্য কাজ চালিয়ে যাচ্ছি।

উত্স: www.habr.com