ProHoster > Blog > Administrazioa > Quick Draw Doodle Recognition: nola egin lagun R, C++ eta neurona-sareekin
Quick Draw Doodle Recognition: nola egin lagun R, C++ eta neurona-sareekin
Aupa Habr!
Joan den udazkenean, Kagglek eskuz egindako irudiak sailkatzeko lehiaketa bat antolatu zuen, Quick Draw Doodle Recognition, eta bertan, besteak beste, R-zientzialari talde batek parte hartu zuen: Artem Klevtsova, Philippa zuzendaria ΠΈ Andrey Ogurtsov. Ez dugu lehiaketa zehatz-mehatz deskribatuko; hori dagoeneko egin da azken argitalpena.
Oraingo honetan ez zen medailen laborantzarekin funtzionatu, baina esperientzia baliotsu asko lortu zen, beraz, komunitateari Kagleri buruzko eta eguneroko lanean gauza interesgarri eta erabilgarrienen berri eman nahiko nioke. Jorratutako gaien artean: bizitza zaila gabe OpenCV, JSON analizatzea (adibide hauek R-ko script edo paketeetan C++ kodearen integrazioa aztertzen dute erabiliz Rcpp), scripten parametrizazioa eta azken irtenbidearen dockerizazioa. Mezuaren kode guztia exekutatzeko modu egokian dago eskuragarri biltegiak.
1. Eraginkortasunez kargatu CSVko datuak MonetDB datu-basera
Lehiaketa honetako datuak ez dira prest egindako irudien moduan ematen, 340 CSV fitxategi moduan baizik (fitxategi bat klase bakoitzeko) puntu koordenatuak dituzten JSONak dituztenak. Puntu hauek lerroekin lotuz, 256x256 pixeleko azken irudia lortuko dugu. Era berean, erregistro bakoitzeko etiketa bat dago, datu-multzoa bildu zen unean erabilitako sailkatzaileak irudia behar bezala ezagutu ote zuen adierazten duena, argazkiaren egilearen bizilekuaren bi hizkiko kodea, identifikatzaile esklusiboa, denbora-zigilua. eta fitxategi-izenarekin bat datorren klase-izena. Jatorrizko datuen bertsio sinplifikatuak 7.4 GB pisatzen ditu artxiboan eta 20 GB gutxi gorabehera deskonprimitu ondoren, datu osoak 240 GB hartzen ditu. Antolatzaileek ziurtatu zuten bi bertsioek marrazki berberak erreproduzitzen zituztela, hau da, bertsio osoa soberan zegoen. Nolanahi ere, 50 milioi irudi fitxategi grafikoetan edo array moduan gordetzea berehala errentagarritzat jo zen, eta artxibotik CSV fitxategi guztiak batzea erabaki genuen. train_sinplified.zip datu-basean lote bakoitzerako behar den tamainako irudiak sortuz gero "hegan".
Frogatutako sistema bat aukeratu zen DBMS gisa MonetDB, hots, R-ren inplementazioa pakete gisa MonetDBLite. Paketeak datu-basearen zerbitzariaren bertsio txertatua dakar eta zerbitzaria zuzenean R saio batetik jaso eta bertan lan egiteko aukera ematen du. Datu-base bat sortzea eta harekin konektatzea komando batekin egiten dira:
con <- DBI::dbConnect(drv = MonetDBLite::MonetDBLite(), Sys.getenv("DBDIR"))
Bi taula sortu beharko ditugu: bata datu guztientzat, bestea, deskargatutako fitxategiei buruzko zerbitzu-informazioari buruzkoa (baliagarria zerbait gaizki gertatzen bada eta prozesuari berriro ekin behar zaio hainbat fitxategi deskargatu ondoren):
Datu-basean datuak kargatzeko modurik azkarrena CSV fitxategiak zuzenean kopiatzea zen SQL - komandoa erabiliz COPY OFFSET 2 INTO tablename FROM path USING DELIMITERS ',','n','"' NULL AS '' BEST EFFORTNon tablename - taularen izena eta path - fitxategiaren bidea. Artxiboarekin lan egiten ari zen bitartean, integratutako ezarpena aurkitu zen unzip R-n ez dabil behar bezala artxiboko hainbat fitxategirekin, beraz, sistema erabili dugu unzip (parametroa erabiliz getOption("unzip")).
Datuak kargatzeko denbora alda daiteke erabilitako unitatearen abiadura-ezaugarrien arabera. Gure kasuan, SSD batean edo flash drive batetik (iturburu-fitxategi) SSD batera (DB) irakurtzea eta idaztea 10 minutu baino gutxiago behar dira.
Segundo batzuk gehiago behar dira klase osoko etiketa eta indize-zutabea dituen zutabe bat sortzeko (ORDERED INDEX) loteak sortzerakoan behaketak laginduko diren lerro-zenbakiekin:
Zutabe eta Indize gehigarriak sortzea
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)"))
Lote bat hegan sortzeko arazoa konpontzeko, mahaitik ausazko errenkadak ateratzeko abiadura maximoa lortu behar genuen. doodles. Horretarako 3 trikimailu erabili ditugu. Lehenengoa behaketa IDa gordetzen duen motaren dimentsioa murriztea izan zen. Jatorrizko datu multzoan, IDa gordetzeko behar den mota da bigint, baina behaketa kopuruari esker, haien identifikatzaileak, zenbaki ordinalaren berdinak, motara egokitzea ahalbidetzen du. int. Bilaketa askoz azkarragoa da kasu honetan. Bigarren trikimailua erabiltzea zen ORDERED INDEX β Erabaki hau enpirikoki heldu ginen, eskuragarri dauden guztiak aztertuta aukera. Hirugarrena parametrizatutako kontsultak erabiltzea zen. Metodoaren funtsa komandoa behin exekutatzen da PREPARE Mota bereko kontsulta sorta bat sortzerakoan prestatutako esamolde bat erabili ondoren, baina, egia esan, abantaila bat dago sinple batekin alderatuta SELECT akats estatistikoaren barnean egon da.
Datuak kargatzeko prozesuak ez du 450 MB RAM baino gehiago kontsumitzen. Hau da, deskribatutako ikuspegiari esker, hamar gigabyte pisatzen dituzten datu multzoak mugi ditzakezu aurrekontuko ia edozein hardwaretan, plaka bakarreko gailu batzuetan barne, eta hori nahiko polita da.
Datuak (ausazkoak) berreskuratzeko abiadura neurtzea eta tamaina ezberdinetako loteak lagintzerakoan eskalatzea ebaluatzea besterik ez da geratzen:
Loteak prestatzeko prozesu osoa urrats hauek ditu:
Puntuen koordenatuak dituzten kate bektoreak dituzten hainbat JSON analizatzea.
Beharrezko tamainako irudi batean (adibidez, 256Γ256 edo 128Γ128) puntuen koordenatuetan oinarritutako koloretako lerroak marraztea.
Lortutako irudiak tentsore bihurtzea.
Python nukleoen arteko lehiaren barruan, arazoa batez ere erabiliz konpondu zen OpenCV. R-ko analogo sinple eta agerikoenetako bat honela izango litzateke:
Marrazketa R tresna estandarrak erabiliz egiten da eta RAM-n gordetako aldi baterako PNG batean gordetzen da (Linux-en, aldi baterako R direktorioak direktorioa daude /tmp, RAM batean muntatua). Ondoren, fitxategi hau hiru dimentsioko array gisa irakurtzen da 0tik 1era bitarteko zenbakiak dituena. Hau garrantzitsua da, BMP konbentzionalagoa kolore-kode hexadeimaleko array gordina batean irakurriko litzatekeelako.
Inplementazio hau ezin hobea iruditu zitzaigun, sorta handien eraketak oso denbora luzea hartzen baitu, eta gure lankideen esperientzia aprobetxatzea erabaki genuen liburutegi indartsu bat erabiliz. OpenCV. Garai hartan ez zegoen R-rako prestaturiko paketerik (orain ez dago), beraz, beharrezko funtzionalitatearen inplementazio minimo bat idatzi zen C++-n R kodean integratuz. Rcpp.
Arazoa konpontzeko, pakete eta liburutegi hauek erabili dira:
OpenCV irudiak lantzeko eta lerroak marrazteko. Aurrez instalatutako sistemaren liburutegiak eta goiburuko fitxategiak erabili ditu, baita estekatze dinamikoak ere.
xtentsorea dimentsio anitzeko matrizeekin eta tentsoreekin lan egiteko. Izen bereko R paketean sartutako goiburuko fitxategiak erabili ditugu. Liburutegiak dimentsio anitzeko matrizeekin lan egiteko aukera ematen du, bai errenkada nagusietan, bai zutabe nagusietan.
ndjson JSON analizatzeko. Liburutegi hau erabiltzen da xtentsorea automatikoki proiektuan badago.
RcppThread JSON-ren bektore baten hari anitzeko prozesamendua antolatzeko. Pakete honek emandako goiburuko fitxategiak erabili ditu. Ezagunagotik RcppParaleloa Paketeak, besteak beste, begizta eten mekanismo bat dauka.
Kontuan hartu behar da xtentsorea Jainkoaren opari bat izan zen: funtzionaltasun zabala eta errendimendu handia izateaz gain, bere garatzaileek nahiko erantzuna eman zuten eta berehala eta zehatz-mehatz erantzun zituzten galderei. Haien laguntzarekin, OpenCV matrizeen tentsoreak xtentsoreetan eraldaketak ezartzea posible izan zen, baita 3 dimentsioko irudi tentsoreak dimentsio zuzeneko 4 dimentsioko tentsore batean konbinatzeko modu bat ere (lotea bera).
Sistemako fitxategiak eta sisteman instalatutako liburutegiekin lotura dinamikoa erabiltzen duten fitxategiak biltzeko, paketean inplementatutako plugin-mekanismoa erabili dugu. Rcpp. Bideak eta banderak automatikoki aurkitzeko, Linux utilitate ezagun bat erabili dugu pkg-config.
OpenCV liburutegia erabiltzeko Rcpp pluginaren ezarpena
JSON analizatzeko eta eredura igortzeko lote bat sortzeko inplementazio kodea spoiler azpian ematen da. Lehenik eta behin, gehitu proiektu lokaleko direktorioa goiburuko fitxategiak bilatzeko (beharrezkoa ndjson-erako):
// [[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>
// Π‘ΠΈΠ½ΠΎΠ½ΠΈΠΌΡ Π΄Π»Ρ ΡΠΈΠΏΠΎΠ²
using RcppThread::parallelFor;
using json = nlohmann::json;
using points = xt::xtensor<double,2>; // ΠΠ·Π²Π»Π΅ΡΡΠ½Π½ΡΠ΅ ΠΈΠ· JSON ΠΊΠΎΠΎΡΠ΄ΠΈΠ½Π°ΡΡ ΡΠΎΡΠ΅ΠΊ
using strokes = std::vector<points>; // ΠΠ·Π²Π»Π΅ΡΡΠ½Π½ΡΠ΅ ΠΈΠ· JSON ΠΊΠΎΠΎΡΠ΄ΠΈΠ½Π°ΡΡ ΡΠΎΡΠ΅ΠΊ
using xtensor3d = xt::xtensor<double, 3>; // Π’Π΅Π½Π·ΠΎΡ Π΄Π»Ρ Ρ ΡΠ°Π½Π΅Π½ΠΈΡ ΠΌΠ°ΡΡΠΈΡΡ ΠΈΠ·ΠΎΠΎΠ±ΡΠ°ΠΆΠ΅Π½ΠΈΡ
using xtensor4d = xt::xtensor<double, 4>; // Π’Π΅Π½Π·ΠΎΡ Π΄Π»Ρ Ρ ΡΠ°Π½Π΅Π½ΠΈΡ ΠΌΠ½ΠΎΠΆΠ΅ΡΡΠ²Π° ΠΈΠ·ΠΎΠ±ΡΠ°ΠΆΠ΅Π½ΠΈΠΉ
using rtensor3d = xt::rtensor<double, 3>; // ΠΠ±ΡΡΡΠΊΠ° Π΄Π»Ρ ΡΠΊΡΠΏΠΎΡΡΠ° Π² R
using rtensor4d = xt::rtensor<double, 4>; // ΠΠ±ΡΡΡΠΊΠ° Π΄Π»Ρ ΡΠΊΡΠΏΠΎΡΡΠ° Π² R
// Π‘ΡΠ°ΡΠΈΡΠ΅ΡΠΊΠΈΠ΅ ΠΊΠΎΠ½ΡΡΠ°Π½ΡΡ
// Π Π°Π·ΠΌΠ΅Ρ ΠΈΠ·ΠΎΠ±ΡΠ°ΠΆΠ΅Π½ΠΈΡ Π² ΠΏΠΈΠΊΡΠ΅Π»ΡΡ
const static int SIZE = 256;
// Π’ΠΈΠΏ Π»ΠΈΠ½ΠΈΠΈ
// Π‘ΠΌ. https://en.wikipedia.org/wiki/Pixel_connectivity#2-dimensional
const static int LINE_TYPE = cv::LINE_4;
// Π’ΠΎΠ»ΡΠΈΠ½Π° Π»ΠΈΠ½ΠΈΠΈ Π² ΠΏΠΈΠΊΡΠ΅Π»ΡΡ
const static int LINE_WIDTH = 3;
// ΠΠ»Π³ΠΎΡΠΈΡΠΌ ΡΠ΅ΡΠ°ΠΉΠ·Π°
// https://docs.opencv.org/3.1.0/da/d54/group__imgproc__transform.html#ga5bb5a1fea74ea38e1a5445ca803ff121
const static int RESIZE_TYPE = cv::INTER_LINEAR;
// Π¨Π°Π±Π»ΠΎΠ½ Π΄Π»Ρ ΠΊΠΎΠ½Π²Π΅ΡΡΠΈΡΠΎΠ²Π°Π½ΠΈΡ OpenCV-ΠΌΠ°ΡΡΠΈΡΡ Π² ΡΠ΅Π½Π·ΠΎΡ
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) {
// Π Π°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΡ ΡΠ΅Π»Π΅Π²ΠΎΠ³ΠΎ ΡΠ΅Π½Π·ΠΎΡΠ°
std::vector<int> shape = {src.rows, src.cols, NCH};
// ΠΠ±ΡΠ΅Π΅ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠΎΠ² Π² ΠΌΠ°ΡΡΠΈΠ²Π΅
size_t size = src.total() * NCH;
// ΠΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½ΠΈΠ΅ cv::Mat Π² xt::xtensor
XT res = xt::adapt((T*) src.data, size, xt::no_ownership(), shape);
return res;
}
// ΠΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½ΠΈΠ΅ JSON Π² ΡΠΏΠΈΡΠΎΠΊ ΠΊΠΎΠΎΡΠ΄ΠΈΠ½Π°Ρ ΡΠΎΡΠ΅ΠΊ
strokes parse_json(const std::string& x) {
auto j = json::parse(x);
// Π Π΅Π·ΡΠ»ΡΡΠ°Ρ ΠΏΠ°ΡΡΠΈΠ½Π³Π° Π΄ΠΎΠ»ΠΆΠ΅Π½ Π±ΡΡΡ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠΌ
if (!j.is_array()) {
throw std::runtime_error("'x' must be JSON array.");
}
strokes res;
res.reserve(j.size());
for (const auto& a: j) {
// ΠΠ°ΠΆΠ΄ΡΠΉ ΡΠ»Π΅ΠΌΠ΅Π½Ρ ΠΌΠ°ΡΡΠΈΠ²Π° Π΄ΠΎΠ»ΠΆΠ΅Π½ Π±ΡΡΡ 2-ΠΌΠ΅ΡΠ½ΡΠΌ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠΌ
if (!a.is_array() || a.size() != 2) {
throw std::runtime_error("'x' must include only 2d arrays.");
}
// ΠΠ·Π²Π»Π΅ΡΠ΅Π½ΠΈΠ΅ Π²Π΅ΠΊΡΠΎΡΠ° ΡΠΎΡΠ΅ΠΊ
auto p = a.get<points>();
res.push_back(p);
}
return res;
}
// ΠΡΡΠΈΡΠΎΠ²ΠΊΠ° Π»ΠΈΠ½ΠΈΠΉ
// Π¦Π²Π΅ΡΠ° HSV
cv::Mat ocv_draw_lines(const strokes& x, bool color = true) {
// ΠΡΡ ΠΎΠ΄Π½ΡΠΉ ΡΠΈΠΏ ΠΌΠ°ΡΡΠΈΡΡ
auto stype = color ? CV_8UC3 : CV_8UC1;
// ΠΡΠΎΠ³ΠΎΠ²ΡΠΉ ΡΠΈΠΏ ΠΌΠ°ΡΡΠΈΡΡ
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);
// ΠΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ Π»ΠΈΠ½ΠΈΠΉ
size_t n = x.size();
for (const auto& s: x) {
// ΠΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ ΡΠΎΡΠ΅ΠΊ Π² Π»ΠΈΠ½ΠΈΠΈ
size_t n_points = s.shape()[1];
for (size_t i = 0; i < n_points - 1; ++i) {
// Π’ΠΎΡΠΊΠ° Π½Π°ΡΠ°Π»Π° ΡΡΡΠΈΡ Π°
cv::Point from(s(0, i), s(1, i));
// Π’ΠΎΡΠΊΠ° ΠΎΠΊΠΎΠ½ΡΠ°Π½ΠΈΡ ΡΡΡΠΈΡ Π°
cv::Point to(s(0, i + 1), s(1, i + 1));
// ΠΡΡΠΈΡΠΎΠ²ΠΊΠ° Π»ΠΈΠ½ΠΈΠΈ
cv::line(img, from, to, col, LINE_WIDTH, LINE_TYPE);
}
if (color) {
// ΠΠ΅Π½ΡΠ΅ΠΌ ΡΠ²Π΅Ρ Π»ΠΈΠ½ΠΈΠΈ
col[0] += 180 / n;
}
}
if (color) {
// ΠΠ΅Π½ΡΠ΅ΠΌ ΡΠ²Π΅ΡΠΎΠ²ΠΎΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ Π½Π° RGB
cv::cvtColor(img, img, cv::COLOR_HSV2RGB);
}
// ΠΠ΅Π½ΡΠ΅ΠΌ ΡΠΎΡΠΌΠ°Ρ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ Π½Π° float32 Ρ Π΄ΠΈΠ°ΠΏΠ°Π·ΠΎΠ½ΠΎΠΌ [0, 1]
img.convertTo(img, dtype, 1 / 255.0);
return img;
}
// ΠΠ±ΡΠ°Π±ΠΎΡΠΊΠ° JSON ΠΈ ΠΏΠΎΠ»ΡΡΠ΅Π½ΠΈΠ΅ ΡΠ΅Π½Π·ΠΎΡΠ° Ρ Π΄Π°Π½Π½ΡΠΌΠΈ ΠΈΠ·ΠΎΠ±ΡΠ°ΠΆΠ΅Π½ΠΈΡ
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;
}
Kode hau fitxategian jarri behar da src/cv_xt.cpp eta konpilatu komandoarekin Rcpp::sourceCpp(file = "src/cv_xt.cpp", env = .GlobalEnv); lanerako ere beharrezkoak nlohmann/json.hpp - biltegia. Kodea hainbat funtziotan banatzen da:
to_xt β irudi-matrize bat eraldatzeko txantiloidun funtzio bat (cv::Mat) tentsore bati xt::xtensor;
parse_json β funtzioak JSON kate bat analizatzen du, puntuen koordenatuak ateratzen ditu, bektore batean bilduz;
ocv_draw_lines β ondoriozko puntuen bektoretik, kolore anitzeko lerroak marrazten ditu;
process β goiko funtzioak konbinatzen ditu eta ondoriozko irudia eskalatzeko gaitasuna ere gehitzen du;
cpp_process_json_str - funtzioaren gainean bilgarria process, emaitza R-objektu batera esportatzen duena (dimentsio anitzeko matrizea);
cpp_process_json_vector - funtzioaren gainean bilgarria cpp_process_json_str, kate-bektore bat hari anitzeko moduan prozesatzeko aukera ematen duena.
Kolore anitzeko lerroak marrazteko, HSV kolore-eredua erabili zen, eta ondoren RGB bihurtu zen. Proba dezagun emaitza:
R-k merezitako ospea du RAMan sartzen diren datuak prozesatzeko, eta Python-ek datuen prozesamendu iteratiboaren ezaugarriak dituen bitartean, nukleotik kanpoko kalkuluak (kalkuluak kanpoko memoria erabiliz) erraz eta naturaltasunez ezartzeko aukera ematen du. Guretzat adibide klasiko eta garrantzitsu bat deskribatutako arazoaren testuinguruan, gradienteen jaitsieraren metodoaren bidez trebatutako neurona-sare sakonak dira urrats bakoitzean gradientearen hurbilketarekin, behaketen zati txiki bat edo mini-lote bat erabiliz.
Python-en idatzitako deep learning framework-ek datuetan oinarritutako iteratzaileak inplementatzen dituzten klase bereziak dituzte: taulak, karpetetako irudiak, formatu bitarrak, etab. Prestatutako aukerak erabil ditzakezu edo zurea idatzi zeregin zehatzetarako. R-n Python liburutegiaren ezaugarri guztiak aprobetxa ditzakegu keras bere backend ezberdinekin izen bereko paketea erabiliz, eta horrek paketearen gainean funtzionatzen du erretikulatu. Azken honek aparteko artikulu luze bat merezi du; R-tik Python kodea exekutatzeaz gain, objektuak R eta Python saioen artean transferitzeko aukera ematen du, automatikoki beharrezko mota bihurketa guztiak eginez.
MonetDBlite erabiliz datu guztiak RAM memorian gordetzeko beharra kendu dugu, "sare neuronal" lan guztia Python-en jatorrizko kodearen bidez egingo da, datuen gainean iterador bat idatzi besterik ez dugu egin behar, ez baitago ezer prest. R edo Python-en halako egoera baterako. Funtsean, bi baldintza baino ez daude horretarako: loteak itzuli behar ditu amaigabeko begizta batean eta bere egoera gorde behar du iterazioen artean (azken hau R-n inplementatzen da itxierak erabiliz modurik errazenean). Aurretik, R matrizeak esplizituki bihurtzea eskatzen zen iteragailuaren barruan numpy matrizeetan, baina paketearen egungo bertsioa keras berak egiten du.
Prestakuntza- eta baliozkotze-datuen iteratzailea honako hau izan da:
Prestakuntza- eta baliozkotze-datuen itertatzailea
Funtzioak datu-basearekin konexioa duen aldagai bat hartzen du sarrera gisa, erabilitako lerro kopurua, klase kopurua, lotearen tamaina, eskala (scale = 1 256x256 pixeleko irudiak errendatzeari dagokio, scale = 0.5 β 128x128 pixel), kolore-adierazlea (color = FALSE Grisen eskalan errendatzea zehazten du erabiltzen denean color = TRUE trazu bakoitza kolore berri batez marraztuta dago) eta aldez aurretik entrenatuta dauden sareen aurreprozesatzeko adierazle bat, imagenet-en. Azken hau behar da pixel balioak [0, 1] tartetik [-1, 1] tartera eskalatzeko, hornitutakoa entrenatzerakoan erabili zena. keras ereduak.
Kanpoko funtzioak argumentu mota egiaztatzea dauka, taula bat data.table ausaz nahastutako lerro-zenbakiekin samples_index eta lote-zenbakiak, kontagailua eta loteen gehienezko kopurua, baita datu-basetik datuak deskargatzeko SQL adierazpena ere. Gainera, barruan funtzioaren analogo azkar bat definitu dugu keras::to_categorical(). Entrenatzeko datu ia guztiak erabili ditugu, ehuneko erdia baliozkotzeko utziz, beraz, garaiaren tamaina parametroak mugatzen zuen. steps_per_epoch deituta keras::fit_generator(), eta egoera if (i > max_i) baliozkotze iteradorerako bakarrik funtzionatu zuen.
Barne-funtzioan, errenkada-indizeak hurrengo loterako berreskuratzen dira, erregistroak datu-basetik deskargatzen dira lote-kontagailua handituz, JSON analizatzea (funtzioa cpp_process_json_vector(), C++-n idatzita) eta irudiei dagozkien arrayak sortuz. Ondoren, klase etiketak dituzten bektore beroak sortzen dira, pixel balioak eta etiketak dituzten matrizeak zerrenda batean konbinatzen dira, hau da, itzuleraren balioa. Lana bizkortzeko, tauletan indizeak sortzea erabili dugu data.table eta estekaren bidez aldatzea - ββpakete "txip" hauek gabe datuak.taula Nahiko zaila da R-ko edozein datu-kopuru esanguratsurekin modu eraginkorrean lan egitea imajinatzea.
Core i5 ordenagailu eramangarri batean abiadura neurketen emaitzak hauek dira:
RAM kopuru nahikoa baduzu, datu-basearen funtzionamendua serioski azkartu dezakezu RAM honetara transferituz (32 GB nahikoa da gure zereginerako). Linux-en, partizioa lehenespenez muntatuta dago /dev/shm, RAM ahalmenaren erdia okupatuz. Gehiago nabarmendu dezakezu editatuz /etc/fstabbezalako disko bat lortzeko tmpfs /dev/shm tmpfs defaults,size=25g 0 0. Ziurtatu berrabiarazi eta egiaztatu emaitza komandoa exekutatuz df -h.
Proba-datuen iteratzaileak askoz sinpleagoa dirudi, proba-datu-multzoa RAM-an sartzen baita guztiz:
Erabilitako lehen arkitektura izan zen mobilenet v1, zeinaren ezaugarriak atalean eztabaidatzen diren hau mezua. Estandar gisa sartzen da keras eta, horrenbestez, R-ren izen bereko paketean dago eskuragarri. Baina kanal bakarreko irudiekin erabiltzen saiatzean, gauza arraro bat gertatu da: sarrerako tentsoreak beti izan behar du dimentsioa. (batch, height, width, 3), hau da, kanal kopurua ezin da aldatu. Python-en ez dago halako mugarik, beraz, arkitektura honen inplementazio propioa idatzi genuen, jatorrizko artikuluari jarraituz (keras bertsioan dagoen uztea gabe):
Ikuspegi honen desabantailak agerikoak dira. Eredu asko probatu nahi ditut, baina aitzitik, ez dut arkitektura bakoitza eskuz berridatzi nahi. Imageneten aurrez prestatutako modeloen pisuak erabiltzeko aukera ere kendu ziguten. Ohi bezala, dokumentazioa aztertzeak lagundu zuen. Funtzioa get_config() ereduaren deskribapena editatzeko egokia den forma batean lortzeko aukera ematen du (base_model_conf$layers - R zerrenda arrunta), eta funtzioa from_config() alderantzizko bihurketa egiten du eredu-objektu batera:
Kanal bakarreko irudiak erabiltzean, ez da aldez aurretik trebatutako pisurik erabiltzen. Hau konpondu liteke: funtzioa erabiliz get_weights() lortu ereduaren pisuak R matrizeen zerrenda moduan, aldatu zerrenda honetako lehen elementuaren dimentsioa (kolore-kanal bat hartuz edo hiruren batez bestekoa eginez), eta gero kargatu pisuak ereduan funtzioarekin. set_weights(). Ez dugu inoiz funtzionaltasun hori gehitu, fase honetan jada argi zegoelako koloretako irudiekin lan egitea produktiboagoa zela.
Esperimentu gehienak mobilenet 1 eta 2 bertsioak erabiliz egin ditugu, baita resnet34 ere. SE-ResNeXt bezalako arkitektura modernoagoak ondo aritu ziren lehiaketa honetan. Zoritxarrez, ez genuen prest egindako inplementaziorik eskura, eta ez genuen gurea idatzi (baina idatziko dugu zalantzarik gabe).
5. Gidoien parametrizazioa
Erosotasunerako, prestakuntza hasteko kode guztiak script bakar gisa diseinatu ziren, erabiliz parametrizatuta dokopt honela:
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)
pakete dokopt ezarpena adierazten du http://docopt.org/ R-rentzat. Bere laguntzarekin, script-ak komando sinpleekin abiarazten dira Rscript bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db edo ./bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db, fitxategia bada train_nn.R exekutagarria da (komando hau eredua entrenatzen hasiko da resnet50 128x128 pixeleko hiru koloretako irudietan, datu-basea karpetan kokatu behar da /home/andrey/doodle_db). Ikasteko abiadura, optimizatzaile mota eta pertsonaliza daitezkeen beste edozein parametro gehi ditzakezu zerrendara. Argitalpena prestatzeko prozesuan, arkitekturak mobilenet_v2 egungo bertsiotik keras R erabileran ezin da R paketean kontuan hartu ez diren aldaketak direla eta, noiz konponduko zain gaude.
Ikuspegi honi esker, eredu ezberdinekin egindako esperimentuak nabarmen bizkortu ziren RStudio-ko scripten abiarazte tradizionalarekin alderatuta (paketea alternatiba posible gisa nabarmentzen dugu. tfruns). Baina abantaila nagusia Docker-en edo, besterik gabe, zerbitzarian scripten abiarazte erraz kudeatzeko gaitasuna da, horretarako RStudio instalatu gabe.
6. Gidoien dockerizazioa
Docker erabili dugu ingurunearen eramangarritasuna bermatzeko taldekideen artean trebatzeko ereduak egiteko eta hodeian azkar hedatzeko. R programatzaile batentzat nahiko ezohikoa den tresna hau ezagutzen has zaitezke hau argitalpen sorta edo bideo ikastaroa.
Docker-ek zure irudiak hutsetik sortzeko eta beste irudi batzuk erabiltzeko aukera ematen dizu zurea sortzeko oinarri gisa. Eskuragarri dauden aukerak aztertzean, NVIDIA, CUDA+cuDNN kontrolatzaileak eta Python liburutegiak instalatzea irudiaren zati nahiko handi bat dela ondorioztatu genuen, eta irudi ofiziala oinarritzat hartzea erabaki genuen. tensorflow/tensorflow:1.12.0-gpu, beharrezko R paketeak bertan gehituz.
Erosotasunerako, erabilitako paketeak aldagaietan jarri ziren; idatzizko gidoien zatirik handiena edukiontzien barruan kopiatzen da muntatzean. Komando shell-a ere aldatu dugu /bin/bash edukiak erabiltzeko erraztasunagatik /etc/os-release. Honek sistema eragilearen bertsioa kodean zehaztu beharra saihestu zuen.
Gainera, bash script txiki bat idatzi zen, hainbat komando dituen edukiontzi bat abiarazteko aukera ematen duena. Esaterako, hauek izan litezke aldez aurretik edukiontzi barruan jartzen ziren neurona-sareak entrenatzeko scriptak edo edukiontziaren funtzionamendua arakatzeko eta kontrolatzeko komando-shell bat:
Edukiontzia abiarazteko scripta
#!/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}
Bash script hau parametrorik gabe exekutatzen bada, script-a edukiontzi barruan deituko da train_nn.R balio lehenetsiekin; lehen posizio-argumentua "bash" bada, edukiontzia interaktiboki hasiko da komando shell batekin. Gainerako kasuetan, posizio-argumentuen balioak ordezkatzen dira: CMD="Rscript /app/train_nn.R $@".
Azpimarratzekoa da iturburu-datuak eta datu-baseak dituzten direktorioak, baita trebatutako ereduak gordetzeko direktorioa edukiontzi barruan muntatzen direla ostalari-sistematik, eta horri esker, scripten emaitzak alferrikako manipulaziorik gabe atzitu ditzakezu.
7. Google Cloud-en hainbat GPU erabiltzea
Lehiaketaren ezaugarrietako bat oso datu zaratatsuak izan ziren (ikus izenburuko argazkia, @Leigh.plt-tik ODS slack-etik hartutakoa). Sorte handiek horri aurre egiten laguntzen dute, eta 1 GPUdun ordenagailu batean esperimentu ondoren, hodeiko hainbat GPUtan trebatzeko ereduak menperatzea erabaki genuen. GoogleCloud erabilia (oinarrietarako gida ona) eskuragarri dauden konfigurazioen aukeraketa handia dela eta, arrazoizko prezioak eta $ 300 hobaria. Gutiziaz, 4xV100 instantzia bat eskatu nuen SSD eta RAM tona batekin, eta hori akats handia izan zen. Horrelako makina batek dirua azkar jaten du; huts egin dezakezu esperimentatzen frogatu gabe. Hezkuntza helburuetarako, hobe da K80 hartzea. Baina RAM kopuru handia ondo etorri zen - hodeiko SSDak ez zuen bere errendimenduarekin harritu, beraz datu-basea transferitu zen. dev/shm.
Interes handiena da GPU anitz erabiltzeaz arduratzen den kode zatia. Lehenik eta behin, eredua CPUan sortzen da testuinguru-kudeatzailea erabiliz, Python-en bezala:
Geruza guztiak izozteko teknika klasikoa azkena izan ezik, azken geruza entrenatzea, desizoztea eta eredu osoa hainbat GPUtarako entrenatzea ezin izan da inplementatu.
Prestakuntza erabili gabe kontrolatu zen. tentsore-taula, erregistroak grabatzera eta garai bakoitzaren ondoren izen informatiboak dituzten ereduak gordetzera mugatuz:
Topatu ditugun hainbat arazo ez dira oraindik gainditu:
Π² keras ez dago prestatutako funtziorik automatikoki ikasteko tasa optimoa bilatzeko (analogikoa lr_finder liburutegian azkar.ai); Ahalegin batekin, hirugarrenen inplementazioak R-ra eraman daitezke, adibidez, hau;
aurreko puntuaren ondorioz, ezin izan da entrenamendu-abiadura zuzena hautatu hainbat GPU erabiltzean;
sare neuronalaren arkitektura modernoak falta dira, batez ere imagenet-en aurrez prestatutakoak;
ziklo bakarreko politika eta ikasketa-tasa diskriminatzaileak (kosinua erretzea gure eskaera egin zen ezarrita, eskerrik asko skeydan).
Lehiaketa honetatik zer gauza erabilgarriak ikasi ziren:
Potentzia nahiko baxuko hardwarean, datu-bolumen duinekin (RAMaren tamaina askotan) lan egin dezakezu minik gabe. Plastikozko poltsa datuak.taula memoria aurrezten du taulak lekuan aldatzeagatik, eta horrek kopiatzea saihesten du, eta behar bezala erabiltzen denean, bere gaitasunek ia beti erakusten dute script-lengoaietarako ezagutzen ditugun tresna guztien artean abiadura handiena. Datu-base batean datuak gordetzeak aukera ematen du, kasu askotan, datu-multzo osoa RAM batean estutu beharraz batere ez pentsatzea.
R-ko funtzio geldoak C++-ko bizkorrekin ordezka daitezke paketea erabiliz Rcpp. Erabiltzeaz gain bada RcppThread edo RcppParaleloa, plataforma anitzeko hari anitzeko inplementazioak lortzen ditugu, beraz, ez dago kodea R mailan paralelizatu beharrik.
Paketea Rcpp C++-ren ezagutza seriorik gabe erabil daiteke, eskatzen den gutxienekoa zehazten da Hemen. Goiburuko fitxategiak bezalako C-liburutegi polit batzuentzat xtentsorea CRAN-en eskuragarri, hau da, prest dauden errendimendu handiko C++ kodea R-n integratzen duten proiektuak ezartzeko azpiegitura bat osatzen ari da. Erosotasun gehigarria sintaxia nabarmentzea eta RStudioko C++ kode analizatzaile estatikoa da.
dokopt parametrodun script autonomoak exekutatzeko aukera ematen du. Hau erosoa da urruneko zerbitzari batean erabiltzeko, barne. docker azpian. RStudio-n, deserosoa da sare neuronalak entrenatzeko ordu asko esperimentuak egitea, eta IDEa zerbitzarian bertan instalatzea ez da beti justifikatzen.
Docker-ek kodearen eramangarritasuna eta emaitzen erreproduzigarritasuna bermatzen du sistema eragilearen eta liburutegien bertsio desberdinak dituzten garatzaileen artean, baita zerbitzarietan exekutatzeko erraztasuna ere. Prestakuntza kanal osoa abiarazi dezakezu komando bakarrarekin.
Google Cloud hardware garestietan esperimentatzeko aurrekontua errespetatzen duen modu bat da, baina konfigurazioak arretaz aukeratu behar dituzu.
Kode zati indibidualen abiadura neurtzea oso erabilgarria da, batez ere R eta C++ konbinatzean eta paketearekin. AGORREGI - oso erraza ere.
Orokorrean esperientzia hau oso aberasgarria izan zen eta lanean jarraitzen dugu planteatutako arazo batzuk konpontzeko.