Ebben a cikkben elmondom, hogyan állíthat be gépi tanulási környezetet 30 perc alatt, hozzon létre egy neurális hálózatot a képfelismeréshez, majd futtassa ugyanazt a hálózatot grafikus processzoron (GPU).
Először is határozzuk meg, mi az a neurális hálózat.
Esetünkben ez egy matematikai modell, valamint annak szoftveres vagy hardveres kiviteli alakja, amely a biológiai neurális hálózatok - egy élő szervezet idegsejt-hálózatai - szerveződésének és működésének elvén épül fel. Ez a koncepció az agyban lezajló folyamatok tanulmányozása és modellezése során merült fel.
A neurális hálózatokat nem a szó szokásos értelmében programozzák, hanem betanítják. A tanulás képessége a neurális hálózatok egyik fő előnye a hagyományos algoritmusokkal szemben. Technikailag a tanulás abból áll, hogy megtaláljuk a neuronok közötti kapcsolatok együtthatóit. A betanítási folyamat során a neurális hálózat képes a bemeneti adatok és a kimeneti adatok közötti komplex függőségek azonosítására, valamint általánosításra.
A gépi tanulás szempontjából a neurális hálózat a mintafelismerő módszerek, a diszkriminanciaanalízis, a klaszterezési módszerek és egyéb módszerek speciális esete.
Оборудование
Először is nézzük a felszerelést. Szükségünk van egy szerverre, amelyen Linux operációs rendszer van telepítve. A gépi tanulási rendszerek működtetéséhez szükséges berendezések meglehetősen nagy teljesítményűek, és ennek következtében drágák. Akinek nincs kéznél jó gépe, annak javaslom, hogy figyeljen a felhőszolgáltatók ajánlataira. Gyorsan bérelheti a szükséges szervert, és csak a használat idejéért fizet.
Azokban a projektekben, ahol neurális hálózatok létrehozására van szükség, az egyik orosz felhőszolgáltató szervereit használom. A cég kifejezetten gépi tanuláshoz kínál felhőszervereket bérelhető nagy teljesítményű Tesla V100 grafikus processzorokkal (GPU) az NVIDIA-tól. Röviden: egy GPU-s szerver használata több tízszer hatékonyabb (gyorsabb) lehet egy hasonló költségű szerverhez képest, amely CPU-t (a jól ismert központi feldolgozó egységet) használ a számításokhoz. Ez a GPU architektúra jellemzőinek köszönhető, amely gyorsabban birkózik meg a számításokkal.
Az alább leírt példák megvalósításához néhány napra megvásároltuk a következő szervert:
- SSD lemez 150 GB
- RAM 32 GB
- Tesla V100 16 Gb processzor 4 maggal
Az Ubuntu 18.04-et telepítettük a gépünkre.
A környezet kialakítása
Most telepítsünk mindent, ami a munkához szükséges a szerveren. Mivel cikkünk elsősorban kezdőknek szól, beszélek néhány pontról, amelyek hasznosak lesznek számukra.
A környezet beállítása során a munka nagy része a parancssoron keresztül történik. A legtöbb felhasználó a Windowst használja működő operációs rendszerként. A szabványos konzol ebben az operációs rendszerben sok kívánnivalót hagy maga után. Ezért egy kényelmes eszközt fogunk használni
ssh root@server-ip-or-hostname
A szerver-ip-vagy-állomásnév helyett adja meg a kiszolgáló IP-címét vagy DNS-nevét. Ezután adja meg a jelszót, és ha a kapcsolat sikeres, egy ehhez hasonló üzenetet kell kapnunk.
Welcome to Ubuntu 18.04.3 LTS (GNU/Linux 4.15.0-74-generic x86_64)
Az ML modellek fejlesztésének fő nyelve a Python. A Linuxon való használatának legnépszerűbb platformja pedig az
Telepítsük a szerverünkre.
Kezdjük a helyi csomagkezelő frissítésével:
sudo apt-get update
A curl telepítése (parancssori segédprogram):
sudo apt-get install curl
Töltse le az Anaconda Distribution legújabb verzióját:
cd /tmp
curl –O https://repo.anaconda.com/archive/Anaconda3-2019.10-Linux-x86_64.sh
Kezdjük a telepítést:
bash Anaconda3-2019.10-Linux-x86_64.sh
A telepítési folyamat során meg kell erősítenie a licencszerződést. Sikeres telepítés esetén ezt kell látnia:
Thank you for installing Anaconda3!
Az ML modellek fejlesztéséhez mára számos keretrendszer készült, a legnépszerűbbekkel dolgozunk:
A keretrendszer használata lehetővé teszi a fejlesztés sebességének növelését és a kész eszközök használatát a szabványos feladatokhoz.
Ebben a példában a PyTorch-al fogunk dolgozni. Telepítsük:
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
Most el kell indítanunk a Jupyter Notebookot, az ML-specialisták népszerű fejlesztőeszközét. Lehetővé teszi, hogy kódot írjon, és azonnal látja a végrehajtás eredményét. A Jupyter Notebook az Anaconda része, és már telepítve van a szerverünkön. Csatlakoznia kell hozzá az asztali rendszerünkből.
Ehhez először elindítjuk a Jupytert a szerveren, megadva a 8080-as portot:
jupyter notebook --no-browser --port=8080 --allow-root
Ezután a Cmder konzolunkban megnyitva egy másik lapot (felső menü - Új konzol párbeszédpanel) a 8080-as porton keresztül csatlakozunk a szerverhez SSH-n keresztül:
ssh -L 8080:localhost:8080 root@server-ip-or-hostname
Amikor beírjuk az első parancsot, a rendszer felajánlja a hivatkozásokat a Jupyter megnyitásához a böngészőnkben:
To access the notebook, open this file in a browser:
file:///root/.local/share/jupyter/runtime/nbserver-18788-open.html
Or copy and paste one of these URLs:
http://localhost:8080/?token=cca0bd0b30857821194b9018a5394a4ed2322236f116d311
or http://127.0.0.1:8080/?token=cca0bd0b30857821194b9018a5394a4ed2322236f116d311
Használjuk a localhost:8080 hivatkozást. Másolja ki a teljes elérési utat, és illessze be a számítógép helyi böngészőjének címsorába. Megnyílik a Jupyter Notebook.
Hozzon létre egy új jegyzetfüzetet: Új - Jegyzetfüzet - Python 3.
Ellenőrizzük az általunk telepített összes összetevő helyes működését. Írjuk be a példa PyTorch kódot a Jupyterbe, és futtassuk a végrehajtást (Futtatás gomb):
from __future__ import print_function
import torch
x = torch.rand(5, 3)
print(x)
Az eredmény valami ilyesmi legyen:
Ha hasonló eredményt kap, akkor mindent jól konfiguráltunk, és elkezdhetjük a neurális hálózat fejlesztését!
Neurális hálózat létrehozása
Létrehozunk egy neurális hálózatot a képfelismeréshez. Vegyük ezt alapul
A hálózat betanításához a nyilvánosan elérhető CIFAR10 adatkészletet fogjuk használni. Osztályai vannak: „repülőgép”, „autó”, „madár”, „macska”, „szarvas”, „kutya”, „béka”, „ló”, „hajó”, „teherautó”. A CIFAR10 képei 3x32x32, azaz 3 csatornás, 32x32 pixeles színes képek.
A munkához a PyTorch által készített csomagot fogjuk használni a képekkel való munkához - torchvision.
Sorrendben a következő lépéseket hajtjuk végre:
- Oktatási és tesztadatkészletek betöltése és normalizálása
- Neurális hálózat definíciója
- Hálózati képzés a képzési adatokról
- Hálózati tesztelés tesztadatokon
- Ismételjük meg a képzést és a tesztelést GPU-val
Az alábbi kódokat a Jupyter Notebookban hajtjuk végre.
CIFAR10 betöltése és normalizálása
Másolja ki és futtassa a következő kódot a Jupyterben:
import torch
import torchvision
import torchvision.transforms as transforms
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
A válasz a következő legyen:
Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data/cifar-10-python.tar.gz
Extracting ./data/cifar-10-python.tar.gz to ./data
Files already downloaded and verified
Mutassunk meg néhány edzésképet tesztelésre:
import matplotlib.pyplot as plt
import numpy as np
# functions to show an image
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()
# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
Neurális hálózat definíciója
Először nézzük meg, hogyan működik a képfelismerő neurális hálózat. Ez egy egyszerű pont-pont hálózat. Bemeneti adatokat vesz fel, egyenként több rétegen halad át, majd végül kimeneti adatokat állít elő.
Hozzunk létre egy hasonló hálózatot a környezetünkben:
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
Definiálunk egy veszteségfüggvényt és egy optimalizálót is
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
Hálózati képzés a képzési adatokról
Kezdjük el tanítani a neurális hálózatunkat. Kérjük, vegye figyelembe, hogy a kód futtatása után várnia kell egy ideig, amíg a munka befejeződik. 5 percig tartott. A hálózat betanítása időbe telik.
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the inputs; data is a list of [inputs, labels]
inputs, labels = data
# zero the parameter gradients
optimizer.zero_grad()
# forward + backward + optimize
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# print statistics
running_loss += loss.item()
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
A következő eredményt kapjuk:
Megmentjük betanított modellünket:
PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)
Hálózati tesztelés tesztadatokon
A hálózatot betanítottuk egy képzési adatkészlet felhasználásával. De ellenőriznünk kell, hogy a hálózat tanult-e egyáltalán valamit.
Ezt úgy fogjuk tesztelni, hogy megjósoljuk a neurális hálózat által kiadott osztálycímkét, és teszteljük, hogy igaz-e. Ha az előrejelzés helyes, a mintát hozzáadjuk a helyes előrejelzések listájához.
Mutassunk egy képet a tesztkészletből:
dataiter = iter(testloader)
images, labels = dataiter.next()
# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
Most pedig kérjük meg a neurális hálózatot, hogy mondja el, mi van ezeken a képeken:
net = Net()
net.load_state_dict(torch.load(PATH))
outputs = net(images)
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
for j in range(4)))
Az eredmények elég jónak tűnnek: a hálózat négy képből hármat helyesen azonosított.
Nézzük meg, hogyan teljesít a hálózat a teljes adatkészletben.
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total))
Úgy tűnik, hogy a hálózat tud valamit, és működik. Ha véletlenszerűen határozná meg az osztályokat, a pontosság 10% lenne.
Most nézzük meg, hogy a hálózat mely osztályokat azonosítja jobban:
class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs, 1)
c = (predicted == labels).squeeze()
for i in range(4):
label = labels[i]
class_correct[label] += c[i].item()
class_total[label] += 1
for i in range(10):
print('Accuracy of %5s : %2d %%' % (
classes[i], 100 * class_correct[i] / class_total[i]))
Úgy tűnik, hogy a hálózat a legjobb az autók és hajók azonosításában: 71%-os pontossággal.
Tehát a hálózat működik. Most próbáljuk meg átvinni a munkáját a grafikus processzorra (GPU), és nézzük meg, mi változik.
Neurális hálózat betanítása GPU-n
Először röviden elmagyarázom, mi az a CUDA. A CUDA (Compute Unified Device Architecture) egy párhuzamos számítási platform, amelyet az NVIDIA fejlesztett ki grafikus feldolgozóegységeken (GPU-k) végzett általános számítástechnikai célokra. A CUDA segítségével a fejlesztők drámai módon felgyorsíthatják a számítástechnikai alkalmazásokat a GPU-k teljesítményének kihasználásával. Ez a platform már telepítve van a megvásárolt szerverünkön.
Először is határozzuk meg a GPU-nkat, mint az első látható cuda-eszközt.
device = torch . device ( "cuda:0" if torch . cuda . is_available () else "cpu" )
# Assuming that we are on a CUDA machine, this should print a CUDA device:
print ( device )
A hálózat elküldése a GPU-nak:
net.to(device)
Ezenkívül minden lépésnél bemeneteket és célokat kell küldenünk a GPU-nak:
inputs, labels = data[0].to(device), data[1].to(device)
Tanítsuk újra a hálózatot a GPU-n:
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the inputs; data is a list of [inputs, labels]
inputs, labels = data[0].to(device), data[1].to(device)
# zero the parameter gradients
optimizer.zero_grad()
# forward + backward + optimize
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# print statistics
running_loss += loss.item()
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
Ezúttal a hálózati tréning körülbelül 3 percig tartott. Emlékezzünk vissza, hogy ugyanaz a szakasz egy hagyományos processzoron 5 percig tartott. A különbség nem szignifikáns, ez azért történik, mert a hálózatunk nem olyan nagy. Ha nagy tömböket használ a képzéshez, a GPU és a hagyományos processzor sebessége közötti különbség megnő.
Úgy tűnik, ez minden. Amit sikerült:
- Megnéztük, mi az a GPU, és kiválasztottuk a szervert, amelyre telepítve van;
- Szoftverkörnyezetet hoztunk létre egy neurális hálózat létrehozásához;
- Létrehoztunk egy neurális hálózatot a képfelismeréshez és betanítottuk azt;
- Megismételtük a hálózati betanítást a GPU segítségével, és sebességnövekedést kaptunk.
Kérdésekre szívesen válaszolok a megjegyzésekben.
Forrás: will.com