त्वरित ड्रा डूडल पहचान: आर, सी++ और तंत्रिका नेटवर्क से दोस्ती कैसे करें

हे हबर!

पिछली बार, कागल ने हाथ से खींची गई तस्वीरों को वर्गीकृत करने के लिए क्विक ड्रॉ डूडल रिकॉग्निशन नामक एक प्रतियोगिता की मेजबानी की थी, जिसमें अन्य लोगों के अलावा, आर-वैज्ञानिकों की एक टीम ने भाग लिया था: आर्टेम क्लेवत्सोवा, फ़िलिपा प्रबंधक и एंड्री ओगुरत्सोव. हम प्रतियोगिता का विस्तार से वर्णन नहीं करेंगे; वह पहले ही किया जा चुका है हालिया प्रकाशन.

इस बार पदक खेती के साथ काम नहीं हुआ, लेकिन बहुत मूल्यवान अनुभव प्राप्त हुआ, इसलिए मैं समुदाय को कागले और रोजमर्रा के काम में सबसे दिलचस्प और उपयोगी चीजों के बारे में बताना चाहता हूं। चर्चा किए गए विषयों में: बिना कठिन जीवन OpenCV, JSON पार्सिंग (ये उदाहरण R का उपयोग करके स्क्रिप्ट या पैकेज में C++ कोड के एकीकरण की जांच करते हैं) आरसीपीपी), स्क्रिप्ट का मानकीकरण और अंतिम समाधान का डॉकरीकरण। संदेश के सभी कोड निष्पादन के लिए उपयुक्त रूप में उपलब्ध हैं खजाने.

सामग्री:

1. CSV से MonetDB में डेटा को कुशलतापूर्वक लोड करें
2. बैच तैयार करना
3. डेटाबेस से बैचों को अनलोड करने के लिए इटरेटर
4. एक मॉडल आर्किटेक्चर का चयन करना
5. स्क्रिप्ट मानकीकरण
6. स्क्रिप्ट का डॉकरीकरण
7. Google क्लाउड पर एकाधिक GPU का उपयोग करना
8. इसके बजाय एक निष्कर्ष की

1. CSV से MonetDB डेटाबेस में डेटा को कुशलतापूर्वक लोड करें

इस प्रतियोगिता में डेटा तैयार छवियों के रूप में नहीं, बल्कि बिंदु निर्देशांक के साथ JSON युक्त 340 CSV फ़ाइलों (प्रत्येक वर्ग के लिए एक फ़ाइल) के रूप में प्रदान किया जाता है। इन बिंदुओं को रेखाओं से जोड़ने पर हमें 256x256 पिक्सेल की अंतिम छवि प्राप्त होती है। इसके अलावा प्रत्येक रिकॉर्ड के लिए एक लेबल होता है जो दर्शाता है कि डेटासेट एकत्र करने के समय इस्तेमाल किए गए क्लासिफायर द्वारा चित्र को सही ढंग से पहचाना गया था या नहीं, चित्र के लेखक के निवास के देश का दो-अक्षर कोड, एक अद्वितीय पहचानकर्ता, एक टाइमस्टैम्प और एक वर्ग नाम जो फ़ाइल नाम से मेल खाता हो। मूल डेटा का एक सरलीकृत संस्करण संग्रह में 7.4 जीबी है और अनपैक करने के बाद लगभग 20 जीबी है, अनपैक करने के बाद पूरा डेटा 240 जीबी लेता है। आयोजकों ने यह सुनिश्चित किया कि दोनों संस्करणों में समान चित्र पुन: प्रस्तुत किए जाएं, जिसका अर्थ है कि पूर्ण संस्करण अनावश्यक था। किसी भी स्थिति में, ग्राफिक फ़ाइलों में या सरणियों के रूप में 50 मिलियन छवियों को संग्रहीत करना तुरंत लाभहीन माना गया, और हमने संग्रह से सभी सीएसवी फ़ाइलों को मर्ज करने का निर्णय लिया। ट्रेन_सरलीकृत.ज़िप प्रत्येक बैच के लिए "फ़्लाई पर" आवश्यक आकार की छवियों की अगली पीढ़ी के साथ डेटाबेस में।

एक अच्छी तरह से सिद्ध प्रणाली को डीबीएमएस के रूप में चुना गया था मोनेटडीबी, अर्थात् एक पैकेज के रूप में आर के लिए एक कार्यान्वयन मोनेटडीबीलाइट. पैकेज में डेटाबेस सर्वर का एक एम्बेडेड संस्करण शामिल है और आपको आर सत्र से सीधे सर्वर लेने और वहां इसके साथ काम करने की अनुमति मिलती है। एक डेटाबेस बनाना और उससे कनेक्ट करना एक कमांड के साथ किया जाता है:

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

हमें दो तालिकाएँ बनाने की आवश्यकता होगी: एक सभी डेटा के लिए, दूसरी डाउनलोड की गई फ़ाइलों के बारे में सेवा जानकारी के लिए (यदि कुछ गलत हो जाता है और प्रक्रिया कई फ़ाइलों को डाउनलोड करने के बाद फिर से शुरू करनी पड़ती है तो उपयोगी):

टेबल बनाना

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"
    )
  )
}

डेटाबेस में डेटा लोड करने का सबसे तेज़ तरीका SQL - कमांड का उपयोग करके सीधे CSV फ़ाइलों को कॉपी करना था COPY OFFSET 2 INTO tablename FROM path USING DELIMITERS ',','n','"' NULL AS '' BEST EFFORTजहां tablename - टेबल का नाम और path - फ़ाइल का पथ. संग्रह के साथ काम करते समय, यह पता चला कि अंतर्निहित कार्यान्वयन unzip आर संग्रह से कई फाइलों के साथ सही ढंग से काम नहीं करता है, इसलिए हमने सिस्टम का उपयोग किया unzip (पैरामीटर का उपयोग करके getOption("unzip")).

डेटाबेस पर लिखने का कार्य

#' @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))
}

यदि आपको तालिका को डेटाबेस में लिखने से पहले उसे रूपांतरित करने की आवश्यकता है, तो यह तर्क में पारित होने के लिए पर्याप्त है preprocess फ़ंक्शन जो डेटा को रूपांतरित करेगा.

डेटाबेस में डेटा को क्रमिक रूप से लोड करने के लिए कोड:

डेटाबेस में डेटा लिखना

# 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

उपयोग की गई ड्राइव की गति विशेषताओं के आधार पर डेटा लोडिंग समय भिन्न हो सकता है। हमारे मामले में, एक एसएसडी के भीतर या फ्लैश ड्राइव (स्रोत फ़ाइल) से एसएसडी (डीबी) तक पढ़ने और लिखने में 10 मिनट से कम समय लगता है।

पूर्णांक वर्ग लेबल और इंडेक्स कॉलम के साथ कॉलम बनाने में कुछ और सेकंड लगते हैं (ORDERED INDEX) पंक्ति संख्याओं के साथ जिनके द्वारा बैच बनाते समय अवलोकनों का नमूना लिया जाएगा:

अतिरिक्त कॉलम और इंडेक्स बनाना

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)"))

तुरंत एक बैच बनाने की समस्या को हल करने के लिए, हमें तालिका से यादृच्छिक पंक्तियों को निकालने की अधिकतम गति प्राप्त करने की आवश्यकता थी doodles. इसके लिए हमने 3 ट्रिक्स का इस्तेमाल किया. पहला था अवलोकन आईडी को संग्रहीत करने वाले प्रकार की आयामीता को कम करना। मूल डेटा सेट में, आईडी को संग्रहीत करने के लिए आवश्यक प्रकार है bigint, लेकिन अवलोकनों की संख्या उनके पहचानकर्ताओं को, क्रमिक संख्या के बराबर, प्रकार में फिट करना संभव बनाती है int. इस मामले में खोज बहुत तेज़ है. दूसरी युक्ति का प्रयोग करना था ORDERED INDEX - हम इस निर्णय पर अनुभवजन्य रूप से आए हैं, सभी उपलब्ध चीज़ों पर विचार करने के बाद विकल्प. तीसरा पैरामीटरयुक्त प्रश्नों का उपयोग करना था। विधि का सार कमांड को एक बार निष्पादित करना है PREPARE एक ही प्रकार के प्रश्नों का एक समूह बनाते समय तैयार अभिव्यक्ति के बाद के उपयोग के साथ, लेकिन वास्तव में एक साधारण की तुलना में एक फायदा होता है SELECT सांख्यिकीय त्रुटि की सीमा के भीतर निकला।

डेटा अपलोड करने की प्रक्रिया में 450 एमबी से अधिक रैम की खपत नहीं होती है। अर्थात्, वर्णित दृष्टिकोण आपको लगभग किसी भी बजट हार्डवेयर पर दसियों गीगाबाइट वजन वाले डेटासेट को स्थानांतरित करने की अनुमति देता है, जिसमें कुछ सिंगल-बोर्ड डिवाइस भी शामिल हैं, जो बहुत अच्छा है।

जो कुछ बचा है वह (यादृच्छिक) डेटा पुनर्प्राप्त करने की गति को मापना और विभिन्न आकारों के बैचों का नमूना लेते समय स्केलिंग का मूल्यांकन करना है:

डेटाबेस बेंचमार्क

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. बैच तैयार करना

संपूर्ण बैच तैयारी प्रक्रिया में निम्नलिखित चरण शामिल हैं:

1. बिंदुओं के निर्देशांक के साथ स्ट्रिंग के वैक्टर वाले कई JSON को पार्स करना।
2. आवश्यक आकार की छवि पर बिंदुओं के निर्देशांक के आधार पर रंगीन रेखाएँ खींचना (उदाहरण के लिए, 256×256 या 128×128)।
3. परिणामी छवियों को टेंसर में परिवर्तित करना।

पायथन कर्नेल के बीच प्रतिस्पर्धा के भाग के रूप में, समस्या को मुख्य रूप से उपयोग करके हल किया गया था OpenCV. आर में सबसे सरल और सबसे स्पष्ट एनालॉग्स में से एक इस तरह दिखेगा:

R में JSON से Tensor रूपांतरण लागू करना

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)
}

ड्राइंग को मानक आर टूल का उपयोग करके निष्पादित किया जाता है और रैम में संग्रहीत एक अस्थायी पीएनजी में सहेजा जाता है (लिनक्स पर, अस्थायी आर निर्देशिकाएं निर्देशिका में स्थित होती हैं) /tmp, रैम में स्थापित)। फिर इस फ़ाइल को 0 से 1 तक की संख्याओं के साथ एक त्रि-आयामी सरणी के रूप में पढ़ा जाता है। यह महत्वपूर्ण है क्योंकि एक अधिक पारंपरिक बीएमपी को हेक्स रंग कोड के साथ एक कच्चे सरणी में पढ़ा जाएगा।

आइए परिणाम का परीक्षण करें:

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))

बैच स्वयं इस प्रकार बनेगा:

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

यह कार्यान्वयन हमें इष्टतम नहीं लगा, क्योंकि बड़े बैचों के निर्माण में बहुत लंबा समय लगता है, और हमने एक शक्तिशाली पुस्तकालय का उपयोग करके अपने सहयोगियों के अनुभव का लाभ उठाने का निर्णय लिया। OpenCV. उस समय आर के लिए कोई तैयार पैकेज नहीं था (अब कोई नहीं है), इसलिए आवश्यक कार्यक्षमता का न्यूनतम कार्यान्वयन सी ++ में आर कोड में एकीकरण के साथ लिखा गया था आरसीपीपी.

समस्या को हल करने के लिए, निम्नलिखित पैकेज और लाइब्रेरी का उपयोग किया गया:

1. OpenCV छवियों और रेखाएँ खींचने के साथ काम करने के लिए। पूर्व-स्थापित सिस्टम लाइब्रेरीज़ और हेडर फ़ाइलों के साथ-साथ डायनामिक लिंकिंग का उपयोग किया गया।

2. xtensor बहुआयामी सरणियों और टेंसरों के साथ काम करने के लिए। हमने इसी नाम के आर पैकेज में शामिल हेडर फ़ाइलों का उपयोग किया। लाइब्रेरी आपको पंक्ति प्रमुख और स्तंभ प्रमुख क्रम दोनों में बहुआयामी सरणियों के साथ काम करने की अनुमति देती है।

3. ndjson JSON को पार्स करने के लिए। इस लाइब्रेरी का उपयोग किया जाता है xtensor यदि यह प्रोजेक्ट में मौजूद है तो स्वचालित रूप से।

4. आरसीपीपीथ्रेड JSON से एक वेक्टर के बहु-थ्रेडेड प्रसंस्करण को व्यवस्थित करने के लिए। इस पैकेज द्वारा प्रदान की गई हेडर फ़ाइलों का उपयोग किया गया। अधिक लोकप्रिय से Rcppसमानांतर पैकेज में, अन्य बातों के अलावा, एक अंतर्निहित लूप इंटरप्ट तंत्र है।

यह ध्यान दिया जाना चाहिए कि xtensor यह एक वरदान साबित हुआ: इस तथ्य के अलावा कि इसमें व्यापक कार्यक्षमता और उच्च प्रदर्शन है, इसके डेवलपर्स काफी संवेदनशील निकले और उन्होंने तुरंत और विस्तार से सवालों के जवाब दिए। उनकी मदद से, ओपनसीवी मैट्रिसेस के xtensor टेंसर में परिवर्तन को लागू करना संभव था, साथ ही 3-आयामी छवि टेंसर को सही आयाम (बैच ही) के 4-आयामी टेंसर में संयोजित करने का एक तरीका भी संभव था।

Rcpp, xtensor और RcppThread सीखने के लिए सामग्री

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

सिस्टम फ़ाइलों का उपयोग करने वाली फ़ाइलों को संकलित करने और सिस्टम पर स्थापित पुस्तकालयों के साथ गतिशील लिंकिंग के लिए, हमने पैकेज में लागू प्लगइन तंत्र का उपयोग किया आरसीपीपी. पथों और झंडों को स्वचालित रूप से खोजने के लिए, हमने एक लोकप्रिय लिनक्स उपयोगिता का उपयोग किया पीकेजी-कॉन्फ़िगरेशन.

OpenCV लाइब्रेरी का उपयोग करने के लिए Rcpp प्लगइन का कार्यान्वयन

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)
  ))
})

प्लगइन के संचालन के परिणामस्वरूप, संकलन प्रक्रिया के दौरान निम्नलिखित मान प्रतिस्थापित किए जाएंगे:

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 को पार्स करने और मॉडल में ट्रांसमिशन के लिए एक बैच तैयार करने के लिए कार्यान्वयन कोड स्पॉइलर के नीचे दिया गया है। सबसे पहले, हेडर फ़ाइलों की खोज के लिए एक स्थानीय प्रोजेक्ट निर्देशिका जोड़ें (एनडीजेसन के लिए आवश्यक):

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

C++ में JSON से टेंसर रूपांतरण का कार्यान्वयन

// [[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;
}

यह कोड फ़ाइल में रखा जाना चाहिए src/cv_xt.cpp और कमांड के साथ संकलित करें Rcpp::sourceCpp(file = "src/cv_xt.cpp", env = .GlobalEnv); काम के लिए भी आवश्यक है nlohmann/json.hpp से रिपोजिटरी. कोड को कई फ़ंक्शंस में विभाजित किया गया है:

• to_xt - एक छवि मैट्रिक्स को बदलने के लिए एक टेम्पलेट फ़ंक्शन (cv::Mat) एक टेंसर के लिए xt::xtensor;

• parse_json - फ़ंक्शन JSON स्ट्रिंग को पार्स करता है, बिंदुओं के निर्देशांक निकालता है, उन्हें एक वेक्टर में पैक करता है;

• ocv_draw_lines — बिंदुओं के परिणामी वेक्टर से, बहुरंगी रेखाएँ खींचता है;

• process - उपरोक्त कार्यों को जोड़ता है और परिणामी छवि को स्केल करने की क्षमता भी जोड़ता है;

• cpp_process_json_str - फ़ंक्शन के ऊपर रैपर process, जो परिणाम को आर-ऑब्जेक्ट (बहुआयामी सरणी) में निर्यात करता है;

• cpp_process_json_vector - फ़ंक्शन के ऊपर रैपर cpp_process_json_str, जो आपको मल्टी-थ्रेडेड मोड में एक स्ट्रिंग वेक्टर को संसाधित करने की अनुमति देता है।

बहु-रंगीन रेखाएँ खींचने के लिए, HSV रंग मॉडल का उपयोग किया गया, जिसके बाद RGB में रूपांतरण किया गया। आइए परिणाम का परीक्षण करें:

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

आर और सी++ में कार्यान्वयन की गति की तुलना

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") 

जैसा कि आप देख सकते हैं, गति में वृद्धि बहुत महत्वपूर्ण हो गई है, और आर कोड को समानांतर करके C++ कोड को पकड़ना संभव नहीं है।

3. डेटाबेस से बैचों को अनलोड करने के लिए इटरेटर

आर के पास रैम में फिट होने वाले डेटा को संसाधित करने के लिए एक अच्छी-खासी प्रतिष्ठा है, जबकि पायथन को पुनरावृत्त डेटा प्रोसेसिंग की अधिक विशेषता है, जो आपको आसानी से और स्वाभाविक रूप से आउट-ऑफ-कोर गणना (बाहरी मेमोरी का उपयोग करके गणना) लागू करने की अनुमति देता है। वर्णित समस्या के संदर्भ में हमारे लिए एक क्लासिक और प्रासंगिक उदाहरण ग्रेडिएंट डिसेंट विधि द्वारा प्रशिक्षित गहन तंत्रिका नेटवर्क है, जिसमें प्रत्येक चरण में अवलोकन के एक छोटे से हिस्से या मिनी-बैच का उपयोग करके ग्रेडिएंट का अनुमान लगाया जाता है।

पायथन में लिखे गए डीप लर्निंग फ्रेमवर्क में विशेष कक्षाएं होती हैं जो डेटा के आधार पर पुनरावृत्तियों को लागू करती हैं: टेबल, फ़ोल्डरों में चित्र, बाइनरी प्रारूप, आदि। आप विशिष्ट कार्यों के लिए तैयार विकल्पों का उपयोग कर सकते हैं या अपना खुद का लिख ​​सकते हैं। R में हम Python लाइब्रेरी की सभी सुविधाओं का लाभ उठा सकते हैं keras एक ही नाम के पैकेज का उपयोग करते हुए इसके विभिन्न बैकएंड के साथ, जो बदले में पैकेज के शीर्ष पर काम करता है जाल से ढँकना. उत्तरार्द्ध एक अलग लंबे लेख का हकदार है; यह न केवल आपको आर से पायथन कोड चलाने की अनुमति देता है, बल्कि आपको सभी आवश्यक प्रकार के रूपांतरणों को स्वचालित रूप से निष्पादित करते हुए, आर और पायथन सत्रों के बीच वस्तुओं को स्थानांतरित करने की भी अनुमति देता है।

हमने MonetDBLite का उपयोग करके सभी डेटा को RAM में संग्रहीत करने की आवश्यकता से छुटकारा पा लिया है, सभी "न्यूरल नेटवर्क" कार्य पायथन में मूल कोड द्वारा किए जाएंगे, हमें बस डेटा पर एक इटरेटर लिखना होगा, क्योंकि कुछ भी तैयार नहीं है आर या पायथन में ऐसी स्थिति के लिए। इसके लिए अनिवार्य रूप से केवल दो आवश्यकताएं हैं: इसे बैचों को एक अंतहीन लूप में वापस करना होगा और पुनरावृत्तियों के बीच अपनी स्थिति को सहेजना होगा (आर में उत्तरार्द्ध को क्लोजर का उपयोग करके सबसे सरल तरीके से कार्यान्वित किया जाता है)। पहले, इटरेटर के अंदर आर सरणियों को स्पष्ट रूप से संख्यात्मक सरणियों में परिवर्तित करना आवश्यक था, लेकिन पैकेज का वर्तमान संस्करण keras यह स्वयं करती है.

प्रशिक्षण और सत्यापन डेटा के लिए पुनरावर्तक इस प्रकार निकला:

प्रशिक्षण और सत्यापन डेटा के लिए इटरेटर

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)
  }
}

फ़ंक्शन इनपुट के रूप में डेटाबेस से कनेक्शन के साथ एक वेरिएबल लेता है, उपयोग की गई लाइनों की संख्या, कक्षाओं की संख्या, बैच आकार, स्केल (scale = 1 256x256 पिक्सेल की छवियों को प्रस्तुत करने के अनुरूप है, scale = 0.5 — 128x128 पिक्सेल), रंग सूचक (color = FALSE उपयोग किए जाने पर ग्रेस्केल में रेंडरिंग निर्दिष्ट करता है color = TRUE प्रत्येक स्ट्रोक को एक नए रंग में खींचा जाता है) और इमेजनेट पर पूर्व-प्रशिक्षित नेटवर्क के लिए एक प्रीप्रोसेसिंग संकेतक। अंतराल [0, 1] से अंतराल [-1, 1] तक पिक्सेल मानों को स्केल करने के लिए उत्तरार्द्ध की आवश्यकता होती है, जिसका उपयोग आपूर्ति को प्रशिक्षित करते समय किया जाता था keras मॉडल।

बाहरी फ़ंक्शन में तर्क प्रकार की जाँच, एक तालिका शामिल है data.table बेतरतीब ढंग से मिश्रित पंक्ति संख्याओं के साथ samples_index और बैच नंबर, काउंटर और बैचों की अधिकतम संख्या, साथ ही डेटाबेस से डेटा अनलोड करने के लिए एक SQL अभिव्यक्ति। इसके अतिरिक्त, हमने अंदर फ़ंक्शन का एक तेज़ एनालॉग परिभाषित किया है keras::to_categorical(). हमने प्रशिक्षण के लिए लगभग सभी डेटा का उपयोग किया, सत्यापन के लिए आधा प्रतिशत छोड़ दिया, इसलिए युग का आकार पैरामीटर द्वारा सीमित था steps_per_epoch जब बुलाया गया keras::fit_generator(), और शर्त if (i > max_i) केवल सत्यापन पुनरावर्तक के लिए काम किया।

आंतरिक फ़ंक्शन में, अगले बैच के लिए पंक्ति अनुक्रमणिका पुनर्प्राप्त की जाती हैं, बैच काउंटर बढ़ने के साथ डेटाबेस से रिकॉर्ड अनलोड किए जाते हैं, JSON पार्सिंग (फ़ंक्शन) cpp_process_json_vector(), C++ में लिखा गया है) और चित्रों के अनुरूप सारणी बनाना। फिर क्लास लेबल वाले वन-हॉट वेक्टर बनाए जाते हैं, पिक्सेल मान और लेबल वाले सरणियों को एक सूची में संयोजित किया जाता है, जो रिटर्न वैल्यू है। काम को गति देने के लिए, हमने तालिकाओं में अनुक्रमणिका के निर्माण का उपयोग किया data.table और लिंक के माध्यम से संशोधन - इन पैकेज "चिप्स" के बिना डेटा तालिका आर में किसी भी महत्वपूर्ण मात्रा में डेटा के साथ प्रभावी ढंग से काम करने की कल्पना करना काफी कठिन है।

कोर i5 लैपटॉप पर गति माप के परिणाम इस प्रकार हैं:

इटरेटर बेंचमार्क

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)

यदि आपके पास पर्याप्त मात्रा में रैम है, तो आप इसे उसी रैम में स्थानांतरित करके डेटाबेस के संचालन को गंभीरता से तेज कर सकते हैं (32 जीबी हमारे कार्य के लिए पर्याप्त है)। लिनक्स में, विभाजन डिफ़ॉल्ट रूप से माउंट किया गया है /dev/shm, आधी रैम क्षमता तक व्याप्त है। आप संपादन करके और अधिक हाइलाइट कर सकते हैं /etc/fstabजैसे एक रिकॉर्ड प्राप्त करने के लिए tmpfs /dev/shm tmpfs defaults,size=25g 0 0. रीबूट करना सुनिश्चित करें और कमांड चलाकर परिणाम की जांच करें df -h.

परीक्षण डेटा के लिए पुनरावर्तक बहुत सरल दिखता है, क्योंकि परीक्षण डेटासेट पूरी तरह से रैम में फिट बैठता है:

परीक्षण डेटा के लिए इटरेटर

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. मॉडल वास्तुकला का चयन

सबसे पहले वास्तुकला का प्रयोग किया गया था मोबाइलनेट v1, जिनकी विशेषताओं पर चर्चा की गई है यह संदेश। इसे मानक के रूप में शामिल किया गया है keras और, तदनुसार, आर के लिए समान नाम के पैकेज में उपलब्ध है। लेकिन जब एकल-चैनल छवियों के साथ इसका उपयोग करने का प्रयास किया गया, तो एक अजीब बात सामने आई: इनपुट टेंसर में हमेशा आयाम होना चाहिए (batch, height, width, 3)यानी चैनलों की संख्या नहीं बदली जा सकती. पायथन में ऐसी कोई सीमा नहीं है, इसलिए हमने मूल लेख (केरस संस्करण में ड्रॉपआउट के बिना) का अनुसरण करते हुए, इस वास्तुकला का अपना स्वयं का कार्यान्वयन लिखा और लिखा:

मोबाइलनेट v1 आर्किटेक्चर

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)
}

इस दृष्टिकोण के नुकसान स्पष्ट हैं. मैं बहुत सारे मॉडलों का परीक्षण करना चाहता हूं, लेकिन इसके विपरीत, मैं प्रत्येक आर्किटेक्चर को मैन्युअल रूप से फिर से लिखना नहीं चाहता हूं। हम इमेजनेट पर पूर्व-प्रशिक्षित मॉडलों के वजन का उपयोग करने के अवसर से भी वंचित थे। हमेशा की तरह, दस्तावेज़ीकरण का अध्ययन करने से मदद मिली। समारोह get_config() आपको संपादन के लिए उपयुक्त रूप में मॉडल का विवरण प्राप्त करने की अनुमति देता है (base_model_conf$layers - एक नियमित आर सूची), और फ़ंक्शन from_config() मॉडल ऑब्जेक्ट में रिवर्स रूपांतरण करता है:

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)

अब किसी भी आपूर्ति को प्राप्त करने के लिए एक सार्वभौमिक फ़ंक्शन लिखना मुश्किल नहीं है keras इमेजनेट पर प्रशिक्षित वजन वाले या बिना वजन वाले मॉडल:

तैयार आर्किटेक्चर को लोड करने का कार्य

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)
}

एकल-चैनल छवियों का उपयोग करते समय, किसी पूर्व-प्रशिक्षित भार का उपयोग नहीं किया जाता है। इसे ठीक किया जा सकता है: फ़ंक्शन का उपयोग करके get_weights() आर सरणियों की सूची के रूप में मॉडल वजन प्राप्त करें, इस सूची के पहले तत्व का आयाम बदलें (एक रंग चैनल लेकर या तीनों का औसत लेकर), और फिर फ़ंक्शन के साथ वजन को वापस मॉडल में लोड करें set_weights(). हमने इस कार्यक्षमता को कभी नहीं जोड़ा, क्योंकि इस स्तर पर यह पहले से ही स्पष्ट था कि रंगीन चित्रों के साथ काम करना अधिक उत्पादक था।

हमने अधिकांश प्रयोग मोबाइलनेट संस्करण 1 और 2 के साथ-साथ resnet34 का उपयोग करके किए। SE-ResNeXt जैसे अधिक आधुनिक आर्किटेक्चर ने इस प्रतियोगिता में अच्छा प्रदर्शन किया। दुर्भाग्य से, हमारे पास तैयार कार्यान्वयन नहीं थे, और हमने अपना स्वयं का कार्यान्वयन नहीं लिखा (लेकिन हम निश्चित रूप से लिखेंगे)।

5. लिपियों का मानकीकरण

सुविधा के लिए, प्रशिक्षण शुरू करने के लिए सभी कोड को एक एकल स्क्रिप्ट के रूप में डिज़ाइन किया गया था, जिसका उपयोग पैरामीटरयुक्त किया गया था docpt निम्नानुसार है:

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)

पैकेज docpt कार्यान्वयन का प्रतिनिधित्व करता है http://docopt.org/ आर के लिए। इसकी मदद से सरल कमांड के साथ स्क्रिप्ट लॉन्च की जाती हैं Rscript bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db या ./bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db, यदि फ़ाइल train_nn.R निष्पादन योग्य है (यह आदेश मॉडल को प्रशिक्षित करना शुरू कर देगा resnet50 128x128 पिक्सेल मापने वाली तीन-रंग की छवियों पर, डेटाबेस फ़ोल्डर में स्थित होना चाहिए /home/andrey/doodle_db). आप सूची में सीखने की गति, अनुकूलक प्रकार और कोई अन्य अनुकूलन योग्य पैरामीटर जोड़ सकते हैं। प्रकाशन की तैयारी की प्रक्रिया में, यह पता चला कि वास्तुकला mobilenet_v2 वर्तमान संस्करण से keras आर उपयोग में बिलकुल मना है आर पैकेज में परिवर्तनों पर ध्यान नहीं दिए जाने के कारण, हम इसे ठीक करने के लिए उनकी प्रतीक्षा कर रहे हैं।

इस दृष्टिकोण ने RStudio में स्क्रिप्ट के अधिक पारंपरिक लॉन्च की तुलना में विभिन्न मॉडलों के साथ प्रयोगों को तेज करना संभव बना दिया (हम पैकेज को संभावित विकल्प के रूप में नोट करते हैं) tfruns). लेकिन मुख्य लाभ डॉकर में या बस सर्वर पर स्क्रिप्ट के लॉन्च को आसानी से प्रबंधित करने की क्षमता है, इसके लिए RStudio इंस्टॉल किए बिना।

6. स्क्रिप्ट का डॉकरीकरण

हमने टीम के सदस्यों के बीच प्रशिक्षण मॉडल के लिए और क्लाउड में तेजी से तैनाती के लिए पर्यावरण की पोर्टेबिलिटी सुनिश्चित करने के लिए डॉकर का उपयोग किया। आप इस टूल से परिचित होना शुरू कर सकते हैं, जो एक आर प्रोग्रामर के लिए अपेक्षाकृत असामान्य है यह प्रकाशनों की श्रृंखला या वीडियो पाठ्यक्रम.

डॉकर आपको स्क्रैच से अपनी खुद की छवियां बनाने और अपनी खुद की छवियां बनाने के लिए आधार के रूप में अन्य छवियों का उपयोग करने की अनुमति देता है। उपलब्ध विकल्पों का विश्लेषण करते समय, हम इस निष्कर्ष पर पहुंचे कि NVIDIA, CUDA+cuDNN ड्राइवर और पायथन लाइब्रेरी स्थापित करना छवि का काफी बड़ा हिस्सा है, और हमने आधिकारिक छवि को आधार के रूप में लेने का निर्णय लिया tensorflow/tensorflow:1.12.0-gpu, वहां आवश्यक आर पैकेज जोड़ना।

अंतिम डोकर फ़ाइल इस तरह दिखी:

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

सुविधा के लिए, उपयोग किए गए पैकेजों को वेरिएबल्स में रखा गया था; अधिकांश लिखित स्क्रिप्ट को असेंबली के दौरान कंटेनरों के अंदर कॉपी किया जाता है। हमने कमांड शेल को भी इसमें बदल दिया है /bin/bash सामग्री के उपयोग में आसानी के लिए /etc/os-release. इससे कोड में OS संस्करण निर्दिष्ट करने की आवश्यकता से बचा जा सका।

इसके अतिरिक्त, एक छोटी बैश स्क्रिप्ट लिखी गई थी जो आपको विभिन्न कमांड के साथ एक कंटेनर लॉन्च करने की अनुमति देती है। उदाहरण के लिए, ये तंत्रिका नेटवर्क के प्रशिक्षण के लिए स्क्रिप्ट हो सकते हैं जो पहले कंटेनर के अंदर रखे गए थे, या डिबगिंग और कंटेनर के संचालन की निगरानी के लिए एक कमांड शेल हो सकते हैं:

कंटेनर लॉन्च करने के लिए स्क्रिप्ट

#!/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}

यदि यह बैश स्क्रिप्ट बिना पैरामीटर के चलती है, तो स्क्रिप्ट को कंटेनर के अंदर बुलाया जाएगा train_nn.R डिफ़ॉल्ट मानों के साथ; यदि पहला स्थितीय तर्क "बैश" है, तो कंटेनर एक कमांड शेल के साथ इंटरैक्टिव रूप से शुरू होगा। अन्य सभी मामलों में, स्थितीय तर्कों के मान प्रतिस्थापित किए जाते हैं: CMD="Rscript /app/train_nn.R $@".

यह ध्यान देने योग्य है कि स्रोत डेटा और डेटाबेस के साथ निर्देशिका, साथ ही प्रशिक्षित मॉडल को सहेजने के लिए निर्देशिका, होस्ट सिस्टम से कंटेनर के अंदर लगाई जाती है, जो आपको अनावश्यक हेरफेर के बिना स्क्रिप्ट के परिणामों तक पहुंचने की अनुमति देती है।

7. Google क्लाउड पर एकाधिक GPU का उपयोग करना

प्रतियोगिता की विशेषताओं में से एक बहुत शोर वाला डेटा था (शीर्षक चित्र देखें, ODS स्लैक से @Leigh.plt से उधार लिया गया)। बड़े बैच इससे निपटने में मदद करते हैं, और 1 जीपीयू वाले पीसी पर प्रयोगों के बाद, हमने क्लाउड में कई जीपीयू पर प्रशिक्षण मॉडल में महारत हासिल करने का फैसला किया। प्रयुक्त GoogleCloud (बुनियादी बातों के लिए अच्छा मार्गदर्शक) उपलब्ध कॉन्फ़िगरेशन के बड़े चयन, उचित कीमतों और $300 बोनस के कारण। लालच के कारण, मैंने एक SSD और एक टन RAM के साथ 4xV100 इंस्टेंस का ऑर्डर दिया, और यह एक बड़ी गलती थी। ऐसी मशीन पैसा जल्दी खा जाती है; आप बिना सिद्ध पाइपलाइन के प्रयोग में असफल हो सकते हैं। शैक्षिक उद्देश्यों के लिए, K80 लेना बेहतर है। लेकिन बड़ी मात्रा में रैम काम आई - क्लाउड एसएसडी ने अपने प्रदर्शन से प्रभावित नहीं किया, इसलिए डेटाबेस को स्थानांतरित कर दिया गया dev/shm.

सबसे बड़ी रुचि कई जीपीयू का उपयोग करने के लिए जिम्मेदार कोड खंड है। सबसे पहले, मॉडल सीपीयू पर एक संदर्भ प्रबंधक का उपयोग करके बनाया जाता है, बिल्कुल पायथन की तरह:

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
  )
})

फिर असंकलित (यह महत्वपूर्ण है) मॉडल को उपलब्ध GPU की दी गई संख्या में कॉपी किया जाता है, और उसके बाद ही इसे संकलित किया जाता है:

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)
)

अंतिम परत को छोड़कर सभी परतों को फ़्रीज़ करने, अंतिम परत को प्रशिक्षित करने, अनफ़्रीज़िंग करने और कई जीपीयू के लिए पूरे मॉडल को पुनः प्रशिक्षित करने की क्लासिक तकनीक को लागू नहीं किया जा सका।

बिना उपयोग के प्रशिक्षण की निगरानी की गई। टेंसरबोर्ड, प्रत्येक युग के बाद जानकारीपूर्ण नामों के साथ लॉग रिकॉर्ड करने और मॉडल सहेजने तक खुद को सीमित करना:

कॉलबैक

# 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. निष्कर्ष के बजाय

हमने जिन कई समस्याओं का सामना किया है, उन्हें अभी तक दूर नहीं किया जा सका है:

• в keras इष्टतम सीखने की दर (एनालॉग) के लिए स्वचालित रूप से खोज करने के लिए कोई तैयार फ़ंक्शन नहीं है lr_finder पुस्तकालय में तेजी से); कुछ प्रयासों से, तृतीय-पक्ष कार्यान्वयन को R में पोर्ट करना संभव है, उदाहरण के लिए, यह;
• पिछले बिंदु के परिणामस्वरूप, कई जीपीयू का उपयोग करते समय सही प्रशिक्षण गति का चयन करना संभव नहीं था;
• आधुनिक तंत्रिका नेटवर्क आर्किटेक्चर की कमी है, विशेष रूप से इमेजनेट पर पूर्व-प्रशिक्षित;
• कोई एक चक्र नीति और भेदभावपूर्ण सीखने की दर (कोसाइन एनीलिंग हमारे अनुरोध पर नहीं थी कार्यान्वित, धन्यवाद स्काईडैन).

इस प्रतियोगिता से कौन सी उपयोगी बातें सीखीं:

• अपेक्षाकृत कम-शक्ति वाले हार्डवेयर पर, आप बिना किसी परेशानी के अच्छी मात्रा में (रैम के आकार से कई गुना अधिक) डेटा के साथ काम कर सकते हैं। प्लास्टिक बैग डेटा तालिका तालिकाओं के स्थान-स्थान पर संशोधन के कारण मेमोरी की बचत होती है, जिससे उन्हें कॉपी करने से बचा जाता है, और जब सही ढंग से उपयोग किया जाता है, तो इसकी क्षमताएं लगभग हमेशा स्क्रिप्टिंग भाषाओं के लिए ज्ञात सभी उपकरणों के बीच उच्चतम गति प्रदर्शित करती हैं। डेटाबेस में डेटा सहेजने से, कई मामलों में, आपको पूरे डेटासेट को रैम में निचोड़ने की आवश्यकता के बारे में बिल्कुल भी नहीं सोचने की अनुमति मिलती है।
• पैकेज का उपयोग करके R में धीमे फ़ंक्शंस को C++ में तेज़ फ़ंक्शंस से बदला जा सकता है आरसीपीपी. यदि उपयोग के अतिरिक्त आरसीपीपीथ्रेड या Rcppसमानांतर, हमें क्रॉस-प्लेटफ़ॉर्म मल्टी-थ्रेडेड कार्यान्वयन मिलता है, इसलिए आर स्तर पर कोड को समानांतर करने की कोई आवश्यकता नहीं है।
• पैकेज आरसीपीपी C++ के गंभीर ज्ञान के बिना उपयोग किया जा सकता है, आवश्यक न्यूनतम रूपरेखा दी गई है यहां. जैसे कई शानदार सी-लाइब्रेरी के लिए हेडर फ़ाइलें xtensor सीआरएएन पर उपलब्ध है, यानी, परियोजनाओं के कार्यान्वयन के लिए एक बुनियादी ढांचा तैयार किया जा रहा है जो तैयार उच्च-प्रदर्शन सी ++ कोड को आर में एकीकृत करता है। अतिरिक्त सुविधा सिंटैक्स हाइलाइटिंग और RStudio में एक स्थिर C++ कोड विश्लेषक है।
• docpt आपको मापदंडों के साथ स्व-निहित स्क्रिप्ट चलाने की अनुमति देता है। यह रिमोट सर्वर सहित अन्य पर उपयोग के लिए सुविधाजनक है। डॉकर के अंतर्गत। RStudio में, तंत्रिका नेटवर्क के प्रशिक्षण के साथ कई घंटों के प्रयोग करना असुविधाजनक है, और सर्वर पर IDE स्थापित करना हमेशा उचित नहीं होता है।
• डॉकर ओएस और लाइब्रेरी के विभिन्न संस्करणों वाले डेवलपर्स के बीच कोड पोर्टेबिलिटी और परिणामों की प्रतिलिपि प्रस्तुत करने योग्यता सुनिश्चित करता है, साथ ही सर्वर पर निष्पादन में आसानी भी सुनिश्चित करता है। आप केवल एक कमांड से संपूर्ण प्रशिक्षण पाइपलाइन लॉन्च कर सकते हैं।
• Google क्लाउड महंगे हार्डवेयर पर प्रयोग करने का एक बजट-अनुकूल तरीका है, लेकिन आपको कॉन्फ़िगरेशन सावधानी से चुनने की आवश्यकता है।
• अलग-अलग कोड अंशों की गति को मापना बहुत उपयोगी है, खासकर जब आर और सी++ और पैकेज के साथ संयोजन करते समय बेंच - बहुत आसान भी.

कुल मिलाकर यह अनुभव बहुत फायदेमंद रहा और हम उठाए गए कुछ मुद्दों को हल करने के लिए काम करना जारी रखेंगे।

स्रोत: www.habr.com