ദ്രുത ഡ്രോ ഡൂഡിൽ തിരിച്ചറിയൽ: R, C++, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എന്നിവയുമായി എങ്ങനെ ചങ്ങാത്തം കൂടാം

ഹേ ഹബർ!

കഴിഞ്ഞ ശരത്കാലത്തിൽ, കൈകൊണ്ട് വരച്ച ചിത്രങ്ങൾ, ക്വിക്ക് ഡ്രോ ഡൂഡിൽ റെക്കഗ്നിഷൻ തരംതിരിക്കുന്നതിനുള്ള ഒരു മത്സരം Kaggle സംഘടിപ്പിച്ചു, അതിൽ, മറ്റുള്ളവയിൽ, R-ശാസ്ത്രജ്ഞരുടെ ഒരു സംഘം പങ്കെടുത്തു: ആർടെം ക്ലെവ്ത്സോവ, ഫിലിപ്പ് മാനേജർ и ആൻഡ്രി ഒഗുർട്ട്സോവ്. ഞങ്ങൾ മത്സരത്തെ വിശദമായി വിവരിക്കുന്നില്ല; അത് ഇതിനകം ചെയ്തുകഴിഞ്ഞു സമീപകാല പ്രസിദ്ധീകരണം.

ഇത്തവണ മെഡൽ ഫാമിംഗിൽ ഇത് പ്രവർത്തിച്ചില്ല, പക്ഷേ വിലപ്പെട്ട ധാരാളം അനുഭവങ്ങൾ ലഭിച്ചു, അതിനാൽ കഗ്ലെയിലും ദൈനംദിന ജോലിയിലും ഏറ്റവും രസകരവും ഉപയോഗപ്രദവുമായ നിരവധി കാര്യങ്ങളെക്കുറിച്ച് സമൂഹത്തോട് പറയാൻ ഞാൻ ആഗ്രഹിക്കുന്നു. ചർച്ച ചെയ്ത വിഷയങ്ങളിൽ: ബുദ്ധിമുട്ടുള്ള ജീവിതം ഓപ്പൺ‌സി‌വി, JSON പാഴ്‌സിംഗ് (ഈ ഉദാഹരണങ്ങൾ R ഉപയോഗിച്ച് സ്‌ക്രിപ്റ്റുകളിലേക്കോ പാക്കേജുകളിലേക്കോ C++ കോഡിന്റെ സംയോജനം പരിശോധിക്കുന്നു Rcpp), സ്ക്രിപ്റ്റുകളുടെ പാരാമീറ്ററൈസേഷനും അന്തിമ പരിഹാരത്തിന്റെ ഡോക്കറൈസേഷനും. നിർവ്വഹണത്തിന് അനുയോജ്യമായ ഒരു ഫോമിൽ സന്ദേശത്തിൽ നിന്നുള്ള എല്ലാ കോഡും ലഭ്യമാണ് ശേഖരങ്ങൾ.

ഉള്ളടക്കം:

1. CSV-യിൽ നിന്ന് MonetDB-യിലേക്ക് ഡാറ്റ കാര്യക്ഷമമായി ലോഡ് ചെയ്യുക
2. ബാച്ചുകൾ തയ്യാറാക്കുന്നു
3. ഡാറ്റാബേസിൽ നിന്ന് ബാച്ചുകൾ അൺലോഡ് ചെയ്യുന്നതിനുള്ള ഇറ്ററേറ്ററുകൾ
4. ഒരു മോഡൽ ആർക്കിടെക്ചർ തിരഞ്ഞെടുക്കുന്നു
5. സ്ക്രിപ്റ്റ് പാരാമീറ്ററൈസേഷൻ
6. സ്ക്രിപ്റ്റുകളുടെ ഡോക്കറൈസേഷൻ
7. Google ക്ലൗഡിൽ ഒന്നിലധികം GPU-കൾ ഉപയോഗിക്കുന്നു
8. പകരം ഒരു നിഗമനത്തിൽ എന്ന

1. MonetDB ഡാറ്റാബേസിലേക്ക് CSV-യിൽ നിന്ന് ഡാറ്റ കാര്യക്ഷമമായി ലോഡ് ചെയ്യുക

ഈ മത്സരത്തിലെ ഡാറ്റ നൽകിയിരിക്കുന്നത് റെഡിമെയ്ഡ് ഇമേജുകളുടെ രൂപത്തിലല്ല, മറിച്ച് പോയിന്റ് കോർഡിനേറ്റുകളുള്ള JSON-കൾ അടങ്ങിയ 340 CSV ഫയലുകളുടെ (ഓരോ ക്ലാസിനും ഒരു ഫയൽ) രൂപത്തിലാണ്. ഈ പോയിന്റുകൾ ലൈനുകളുമായി ബന്ധിപ്പിക്കുന്നതിലൂടെ, 256x256 പിക്സലുകൾ അളക്കുന്ന ഒരു അന്തിമ ചിത്രം നമുക്ക് ലഭിക്കും. ഓരോ റെക്കോർഡിനും ഡാറ്റാസെറ്റ് ശേഖരിക്കുന്ന സമയത്ത് ഉപയോഗിച്ച ക്ലാസിഫയർ ചിത്രം ശരിയായി തിരിച്ചറിഞ്ഞോ എന്ന് സൂചിപ്പിക്കുന്ന ഒരു ലേബൽ ഉണ്ട്, ചിത്രത്തിന്റെ രചയിതാവ് താമസിക്കുന്ന രാജ്യത്തിന്റെ രണ്ടക്ഷര കോഡ്, ഒരു അദ്വിതീയ ഐഡന്റിഫയർ, ഒരു ടൈംസ്റ്റാമ്പ് ഫയലിന്റെ പേരുമായി പൊരുത്തപ്പെടുന്ന ഒരു ക്ലാസ് നാമവും. യഥാർത്ഥ ഡാറ്റയുടെ ലളിതമായ പതിപ്പ് ആർക്കൈവിൽ 7.4 GB ഭാരവും അൺപാക്ക് ചെയ്തതിന് ശേഷം ഏകദേശം 20 GB ആണ്, അൺപാക്ക് ചെയ്തതിന് ശേഷമുള്ള മുഴുവൻ ഡാറ്റയും 240 GB എടുക്കും. രണ്ട് പതിപ്പുകളും ഒരേ ഡ്രോയിംഗുകൾ പുനർനിർമ്മിക്കുന്നുവെന്ന് സംഘാടകർ ഉറപ്പാക്കി, അതായത് പൂർണ്ണ പതിപ്പ് അനാവശ്യമാണ്. ഏതായാലും, ഗ്രാഫിക് ഫയലുകളിലോ അറേകളുടെ രൂപത്തിലോ 50 ദശലക്ഷം ചിത്രങ്ങൾ സംഭരിക്കുന്നത് ലാഭകരമല്ലെന്ന് ഉടനടി പരിഗണിക്കപ്പെട്ടു, കൂടാതെ എല്ലാ CSV ഫയലുകളും ആർക്കൈവിൽ നിന്ന് ലയിപ്പിക്കാൻ ഞങ്ങൾ തീരുമാനിച്ചു. train_simplified.zip ഓരോ ബാച്ചിനും ആവശ്യമായ വലുപ്പത്തിലുള്ള "ഓൺ ദി ഫ്ലൈ" ഇമേജുകളുടെ തുടർന്നുള്ള തലമുറകളുള്ള ഡാറ്റാബേസിലേക്ക്.

നന്നായി തെളിയിക്കപ്പെട്ട ഒരു സംവിധാനം ഡിബിഎംഎസായി തിരഞ്ഞെടുത്തു മോനെറ്റ്ഡിബി, അതായത് R ഒരു പാക്കേജായി നടപ്പിലാക്കൽ MonetDBLite. പാക്കേജിൽ ഡാറ്റാബേസ് സെർവറിന്റെ ഒരു ഉൾച്ചേർത്ത പതിപ്പ് ഉൾപ്പെടുന്നു കൂടാതെ ഒരു R സെഷനിൽ നിന്ന് നേരിട്ട് സെർവർ എടുത്ത് അവിടെ പ്രവർത്തിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു. ഒരു ഡാറ്റാബേസ് സൃഷ്ടിക്കുന്നതും അതിലേക്ക് കണക്റ്റുചെയ്യുന്നതും ഒരു കമാൻഡ് ഉപയോഗിച്ച് നടത്തുന്നു:

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

ഞങ്ങൾക്ക് രണ്ട് പട്ടികകൾ സൃഷ്‌ടിക്കേണ്ടതുണ്ട്: ഒന്ന് എല്ലാ ഡാറ്റയ്‌ക്കും, മറ്റൊന്ന് ഡൗൺലോഡ് ചെയ്‌ത ഫയലുകളെക്കുറിച്ചുള്ള സേവന വിവരങ്ങൾക്കും (എന്തെങ്കിലും തെറ്റ് സംഭവിച്ചാൽ ഉപയോഗപ്രദമാണ് കൂടാതെ നിരവധി ഫയലുകൾ ഡൗൺലോഡ് ചെയ്‌തതിന് ശേഷം പ്രക്രിയ പുനരാരംഭിക്കേണ്ടതുണ്ട്):

പട്ടികകൾ സൃഷ്ടിക്കുന്നു

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"
    )
  )
}

SQL - കമാൻഡ് ഉപയോഗിച്ച് CSV ഫയലുകൾ നേരിട്ട് പകർത്തുക എന്നതാണ് ഡാറ്റാബേസിലേക്ക് ഡാറ്റ ലോഡ് ചെയ്യുന്നതിനുള്ള ഏറ്റവും വേഗതയേറിയ മാർഗം. COPY OFFSET 2 INTO tablename FROM path USING DELIMITERS ',','n','"' NULL AS '' BEST EFFORTഎവിടെ tablename - പട്ടികയുടെ പേര് ഒപ്പം path - ഫയലിലേക്കുള്ള പാത. ആർക്കൈവിൽ പ്രവർത്തിക്കുമ്പോൾ, ബിൽറ്റ്-ഇൻ നടപ്പിലാക്കൽ കണ്ടെത്തി unzip ആർക്കൈവിൽ നിന്നുള്ള നിരവധി ഫയലുകളിൽ R ശരിയായി പ്രവർത്തിക്കുന്നില്ല, അതിനാൽ ഞങ്ങൾ സിസ്റ്റം ഉപയോഗിച്ചു unzip (പാരാമീറ്റർ ഉപയോഗിച്ച് getOption("unzip")).

ഡാറ്റാബേസിലേക്ക് എഴുതുന്നതിനുള്ള പ്രവർത്തനം

#' @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))
}

ഡാറ്റാബേസിലേക്ക് എഴുതുന്നതിനുമുമ്പ് പട്ടിക രൂപാന്തരപ്പെടുത്തണമെങ്കിൽ, ആർഗ്യുമെന്റിൽ പാസ്സാക്കിയാൽ മതി preprocess ഡാറ്റ രൂപാന്തരപ്പെടുത്തുന്ന പ്രവർത്തനം.

ഡാറ്റാബേസിലേക്ക് തുടർച്ചയായി ഡാറ്റ ലോഡ് ചെയ്യുന്നതിനുള്ള കോഡ്:

ഡാറ്റാബേസിലേക്ക് ഡാറ്റ എഴുതുന്നു

# 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

ഉപയോഗിച്ച ഡ്രൈവിന്റെ സ്പീഡ് സവിശേഷതകളെ ആശ്രയിച്ച് ഡാറ്റ ലോഡിംഗ് സമയം വ്യത്യാസപ്പെടാം. ഞങ്ങളുടെ കാര്യത്തിൽ, ഒരു എസ്എസ്ഡിയിൽ അല്ലെങ്കിൽ ഒരു ഫ്ലാഷ് ഡ്രൈവിൽ (സോഴ്സ് ഫയൽ) നിന്ന് ഒരു എസ്എസ്ഡിയിലേക്ക് (ഡിബി) വായിക്കാനും എഴുതാനും 10 മിനിറ്റിൽ താഴെ സമയമെടുക്കും.

ഒരു പൂർണ്ണസംഖ്യ ക്ലാസ് ലേബലും ഒരു സൂചിക കോളവും ഉള്ള ഒരു കോളം സൃഷ്ടിക്കാൻ കുറച്ച് നിമിഷങ്ങൾ കൂടി എടുക്കും (ORDERED INDEX) ബാച്ചുകൾ സൃഷ്ടിക്കുമ്പോൾ നിരീക്ഷണങ്ങൾ സാമ്പിൾ ചെയ്യുന്ന ലൈൻ നമ്പറുകൾക്കൊപ്പം:

അധിക നിരകളും സൂചികയും സൃഷ്ടിക്കുന്നു

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)"))

ഈച്ചയിൽ ഒരു ബാച്ച് സൃഷ്ടിക്കുന്നതിനുള്ള പ്രശ്നം പരിഹരിക്കുന്നതിന്, പട്ടികയിൽ നിന്ന് ക്രമരഹിതമായ വരികൾ വേർതിരിച്ചെടുക്കുന്നതിനുള്ള പരമാവധി വേഗത കൈവരിക്കേണ്ടതുണ്ട് doodles. ഇതിനായി ഞങ്ങൾ 3 തന്ത്രങ്ങൾ ഉപയോഗിച്ചു. നിരീക്ഷണ ഐഡി സംഭരിക്കുന്ന തരത്തിന്റെ അളവ് കുറയ്ക്കുക എന്നതായിരുന്നു ആദ്യത്തേത്. യഥാർത്ഥ ഡാറ്റാ സെറ്റിൽ, ഐഡി സംഭരിക്കാൻ ആവശ്യമായ തരം bigint, എന്നാൽ നിരീക്ഷണങ്ങളുടെ എണ്ണം അവയുടെ ഐഡന്റിഫയറുകൾ, ഓർഡിനൽ നമ്പറിന് തുല്യമായ തരത്തിലേക്ക് ഘടിപ്പിക്കുന്നത് സാധ്യമാക്കുന്നു. int. ഈ സാഹചര്യത്തിൽ തിരച്ചിൽ വളരെ വേഗത്തിലാണ്. രണ്ടാമത്തെ തന്ത്രം ഉപയോഗിക്കുകയായിരുന്നു ORDERED INDEX - ലഭ്യമായ എല്ലാ കാര്യങ്ങളിലൂടെയും ഞങ്ങൾ അനുഭവപരമായി ഈ തീരുമാനത്തിലെത്തി варианты. മൂന്നാമത്തേത് പാരാമീറ്റർ ചെയ്ത അന്വേഷണങ്ങൾ ഉപയോഗിക്കുന്നതായിരുന്നു. കമാൻഡ് ഒരിക്കൽ എക്സിക്യൂട്ട് ചെയ്യുക എന്നതാണ് രീതിയുടെ സാരം PREPARE ഒരേ തരത്തിലുള്ള ഒരു കൂട്ടം അന്വേഷണങ്ങൾ സൃഷ്ടിക്കുമ്പോൾ തയ്യാറാക്കിയ ഒരു പദപ്രയോഗത്തിന്റെ തുടർന്നുള്ള ഉപയോഗത്തിലൂടെ, എന്നാൽ വാസ്തവത്തിൽ ലളിതമായ ഒന്നുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഒരു നേട്ടമുണ്ട് SELECT സ്ഥിതിവിവരക്കണക്ക് പിശകിന്റെ പരിധിക്കുള്ളിലാണെന്ന് തെളിഞ്ഞു.

ഡാറ്റ അപ്‌ലോഡ് ചെയ്യുന്ന പ്രക്രിയയ്ക്ക് 450 MB റാമിൽ കൂടുതൽ ആവശ്യമില്ല. അതായത്, വിവരിച്ച സമീപനം, ചില സിംഗിൾ ബോർഡ് ഉപകരണങ്ങൾ ഉൾപ്പെടെ, ഏതാണ്ട് ഏത് ബജറ്റ് ഹാർഡ്‌വെയറിലും പതിനായിരക്കണക്കിന് ജിഗാബൈറ്റ് ഭാരമുള്ള ഡാറ്റാസെറ്റുകൾ നീക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു, അത് വളരെ രസകരമാണ്.

വ്യത്യസ്‌ത വലുപ്പത്തിലുള്ള ബാച്ചുകൾ സാമ്പിൾ ചെയ്യുമ്പോൾ (റാൻഡം) ഡാറ്റ വീണ്ടെടുക്കുന്നതിന്റെ വേഗത അളക്കുകയും സ്കെയിലിംഗ് വിലയിരുത്തുകയും ചെയ്യുക മാത്രമാണ് അവശേഷിക്കുന്നത്:

ഡാറ്റാബേസ് ബെഞ്ച്മാർക്ക്

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. ബാച്ചുകൾ തയ്യാറാക്കുന്നു

മുഴുവൻ ബാച്ച് തയ്യാറാക്കൽ പ്രക്രിയയും ഇനിപ്പറയുന്ന ഘട്ടങ്ങൾ ഉൾക്കൊള്ളുന്നു:

1. പോയിന്റുകളുടെ കോർഡിനേറ്റുകളുള്ള സ്ട്രിംഗുകളുടെ വെക്‌ടറുകൾ അടങ്ങിയ നിരവധി JSON-കൾ പാഴ്‌സ് ചെയ്യുന്നു.
2. ആവശ്യമുള്ള വലുപ്പത്തിലുള്ള ഒരു ഇമേജിൽ പോയിന്റുകളുടെ കോർഡിനേറ്റുകളെ അടിസ്ഥാനമാക്കി നിറമുള്ള വരകൾ വരയ്ക്കുന്നു (ഉദാഹരണത്തിന്, 256×256 അല്ലെങ്കിൽ 128×128).
3. തത്ഫലമായുണ്ടാകുന്ന ചിത്രങ്ങൾ ഒരു ടെൻസറിലേക്ക് പരിവർത്തനം ചെയ്യുന്നു.

പൈത്തൺ കേർണലുകൾ തമ്മിലുള്ള മത്സരത്തിന്റെ ഭാഗമായി, പ്രശ്നം പ്രാഥമികമായി ഉപയോഗിച്ച് പരിഹരിച്ചു ഓപ്പൺ‌സി‌വി. R-ലെ ഏറ്റവും ലളിതവും വ്യക്തവുമായ അനലോഗുകളിൽ ഒന്ന് ഇതുപോലെ കാണപ്പെടും:

R-ൽ JSON ടു ടെൻസർ പരിവർത്തനം നടപ്പിലാക്കുന്നു

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)
}

സാധാരണ R ടൂളുകൾ ഉപയോഗിച്ച് ഡ്രോയിംഗ് നടത്തുകയും റാമിൽ സംഭരിച്ചിരിക്കുന്ന ഒരു താൽക്കാലിക PNG-ലേക്ക് സംരക്ഷിക്കുകയും ചെയ്യുന്നു (ലിനക്സിൽ, താൽക്കാലിക R ഡയറക്ടറികൾ ഡയറക്ടറിയിൽ സ്ഥിതിചെയ്യുന്നു. /tmp, റാമിൽ ഘടിപ്പിച്ചിരിക്കുന്നു). ഈ ഫയൽ പിന്നീട് 0 മുതൽ 1 വരെയുള്ള സംഖ്യകളുള്ള ഒരു ത്രിമാന അറേ ആയി വായിക്കുന്നു. ഇത് പ്രധാനമാണ്, കാരണം കൂടുതൽ പരമ്പരാഗതമായ BMP, ഹെക്‌സ് കളർ കോഡുകളുള്ള ഒരു റോ അറേയിലേക്ക് റീഡ് ചെയ്യപ്പെടും.

നമുക്ക് ഫലം പരിശോധിക്കാം:

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))

ബാച്ച് തന്നെ ഇനിപ്പറയുന്ന രീതിയിൽ രൂപീകരിക്കും:

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

ഈ നടപ്പാക്കൽ ഞങ്ങൾക്ക് ഉപയുക്തമായി തോന്നി, കാരണം വലിയ ബാച്ചുകളുടെ രൂപീകരണത്തിന് വളരെ സമയമെടുക്കും, കൂടാതെ ശക്തമായ ഒരു ലൈബ്രറി ഉപയോഗിച്ച് ഞങ്ങളുടെ സഹപ്രവർത്തകരുടെ അനുഭവം പ്രയോജനപ്പെടുത്താൻ ഞങ്ങൾ തീരുമാനിച്ചു. ഓപ്പൺ‌സി‌വി. ആ സമയത്ത് R-നായി ഒരു റെഡിമെയ്ഡ് പാക്കേജ് ഇല്ലായിരുന്നു (ഇപ്പോൾ ഒന്നുമില്ല), അതിനാൽ ആവശ്യമായ പ്രവർത്തനത്തിന്റെ ഏറ്റവും കുറഞ്ഞ നിർവ്വഹണം C++ ൽ എഴുതിയത് ഉപയോഗിച്ച് R കോഡിലേക്ക് സംയോജിപ്പിച്ച് Rcpp.

പ്രശ്നം പരിഹരിക്കാൻ, ഇനിപ്പറയുന്ന പാക്കേജുകളും ലൈബ്രറികളും ഉപയോഗിച്ചു:

1. ഓപ്പൺ‌സി‌വി ചിത്രങ്ങളും വരകളും ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ. മുൻകൂട്ടി ഇൻസ്റ്റാൾ ചെയ്ത സിസ്റ്റം ലൈബ്രറികളും ഹെഡർ ഫയലുകളും ഡൈനാമിക് ലിങ്കിംഗും ഉപയോഗിച്ചു.

2. എക്സ്റ്റൻസർ മൾട്ടിഡൈമൻഷണൽ അറേകളും ടെൻസറുകളും ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നതിന്. അതേ പേരിലുള്ള R പാക്കേജിൽ ഉൾപ്പെടുത്തിയിട്ടുള്ള ഹെഡർ ഫയലുകൾ ഞങ്ങൾ ഉപയോഗിച്ചു. വരി മേജർ, കോളം മേജർ ക്രമത്തിൽ മൾട്ടിഡൈമൻഷണൽ അറേകൾക്കൊപ്പം പ്രവർത്തിക്കാൻ ലൈബ്രറി നിങ്ങളെ അനുവദിക്കുന്നു.

3. ndjson JSON പാഴ്‌സ് ചെയ്യുന്നതിന്. ഈ ലൈബ്രറി ഉപയോഗിക്കുന്നു എക്സ്റ്റൻസർ അത് പ്രോജക്റ്റിൽ ഉണ്ടെങ്കിൽ സ്വയമേവ.

4. RcppThread JSON-ൽ നിന്ന് വെക്‌ടറിന്റെ മൾട്ടി-ത്രെഡ് പ്രോസസ്സിംഗ് സംഘടിപ്പിക്കുന്നതിന്. ഈ പാക്കേജ് നൽകുന്ന ഹെഡർ ഫയലുകൾ ഉപയോഗിച്ചു. കൂടുതൽ ജനപ്രിയമായതിൽ നിന്ന് RcppParallel പാക്കേജിന്, മറ്റ് കാര്യങ്ങൾക്കൊപ്പം, ഒരു ബിൽറ്റ്-ഇൻ ലൂപ്പ് ഇന്ററപ്റ്റ് മെക്കാനിസമുണ്ട്.

അത് ശ്രദ്ധേയമാണ് എക്സ്റ്റൻസർ ഒരു ദൈവാനുഗ്രഹമായി മാറി: ഇതിന് വിപുലമായ പ്രവർത്തനക്ഷമതയും ഉയർന്ന പ്രകടനവുമുണ്ട് എന്നതിന് പുറമേ, അതിന്റെ ഡവലപ്പർമാർ തികച്ചും പ്രതികരിക്കുകയും ചോദ്യങ്ങൾക്ക് ഉടനടി വിശദമായും ഉത്തരം നൽകുകയും ചെയ്തു. അവരുടെ സഹായത്തോടെ, ഓപ്പൺസിവി മെട്രിക്സുകളെ എക്‌സ്‌ടെൻസർ ടെൻസറുകളായി പരിവർത്തനം ചെയ്യാനും 3-ഡൈമൻഷണൽ ഇമേജ് ടെൻസറുകളെ ശരിയായ അളവിന്റെ (ബാച്ച് തന്നെ) 4-ഡൈമൻഷണൽ ടെൻസറിലേക്ക് സംയോജിപ്പിക്കുന്നതിനുള്ള ഒരു മാർഗവും സാധ്യമായി.

Rcpp, xtensor, RcppThread എന്നിവ പഠിക്കാനുള്ള സാമഗ്രികൾ

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

സിസ്റ്റം ഫയലുകൾ ഉപയോഗിക്കുന്ന ഫയലുകൾ കംപൈൽ ചെയ്യുന്നതിനും സിസ്റ്റത്തിൽ ഇൻസ്റ്റാൾ ചെയ്തിട്ടുള്ള ലൈബ്രറികളുമായുള്ള ഡൈനാമിക് ലിങ്കിംഗിനും ഞങ്ങൾ പാക്കേജിൽ നടപ്പിലാക്കിയ പ്ലഗിൻ മെക്കാനിസം ഉപയോഗിച്ചു. Rcpp. പാതകളും ഫ്ലാഗുകളും സ്വയമേവ കണ്ടെത്തുന്നതിന്, ഞങ്ങൾ ഒരു ജനപ്രിയ Linux യൂട്ടിലിറ്റി ഉപയോഗിച്ചു pkg-config.

OpenCV ലൈബ്രറി ഉപയോഗിക്കുന്നതിന് Rcpp പ്ലഗിൻ നടപ്പിലാക്കൽ

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)
  ))
})

പ്ലഗിൻ പ്രവർത്തനത്തിന്റെ ഫലമായി, സമാഹാര പ്രക്രിയയിൽ ഇനിപ്പറയുന്ന മൂല്യങ്ങൾ മാറ്റിസ്ഥാപിക്കും:

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 പാഴ്‌സ് ചെയ്യുന്നതിനും മോഡലിലേക്ക് പ്രക്ഷേപണത്തിനായി ഒരു ബാച്ച് സൃഷ്ടിക്കുന്നതിനുമുള്ള നടപ്പിലാക്കൽ കോഡ് സ്‌പോയിലറിന് കീഴിൽ നൽകിയിരിക്കുന്നു. ആദ്യം, ഹെഡർ ഫയലുകൾക്കായി തിരയാൻ ഒരു പ്രാദേശിക പ്രോജക്റ്റ് ഡയറക്‌ടറി ചേർക്കുക (ndjson-ന് ആവശ്യമാണ്):

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

C++-ൽ JSON-ന്റെ ടെൻസർ പരിവർത്തനം നടപ്പിലാക്കൽ

// [[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;
}

ഈ കോഡ് ഫയലിൽ സ്ഥാപിക്കണം src/cv_xt.cpp കമാൻഡ് ഉപയോഗിച്ച് കംപൈൽ ചെയ്യുക Rcpp::sourceCpp(file = "src/cv_xt.cpp", env = .GlobalEnv); ജോലിക്കും ആവശ്യമാണ് nlohmann/json.hpp നിന്ന് റിപ്പോസിറ്റോറിയ. കോഡ് നിരവധി ഫംഗ്ഷനുകളായി തിരിച്ചിരിക്കുന്നു:

• to_xt — ഒരു ഇമേജ് മാട്രിക്സ് രൂപാന്തരപ്പെടുത്തുന്നതിനുള്ള ഒരു ടെംപ്ലേറ്റഡ് ഫംഗ്ഷൻ (cv::Mat) ഒരു ടെൻസറിലേക്ക് xt::xtensor;

• parse_json - ഫംഗ്‌ഷൻ ഒരു JSON സ്ട്രിംഗ് പാഴ്‌സ് ചെയ്യുന്നു, പോയിന്റുകളുടെ കോർഡിനേറ്റുകൾ എക്‌സ്‌ട്രാക്‌റ്റ് ചെയ്യുന്നു, അവയെ ഒരു വെക്‌ടറിലേക്ക് പാക്ക് ചെയ്യുന്നു;

• ocv_draw_lines - തത്ഫലമായുണ്ടാകുന്ന പോയിന്റുകളുടെ വെക്റ്ററിൽ നിന്ന്, മൾട്ടി-കളർ ലൈനുകൾ വരയ്ക്കുന്നു;

• process - മുകളിലുള്ള പ്രവർത്തനങ്ങൾ സംയോജിപ്പിക്കുകയും തത്ഫലമായുണ്ടാകുന്ന ഇമേജ് സ്കെയിൽ ചെയ്യാനുള്ള കഴിവ് ചേർക്കുകയും ചെയ്യുന്നു;

• cpp_process_json_str - ഫംഗ്ഷനിൽ പൊതിയുക process, ഒരു R-ഒബ്ജക്റ്റിലേക്ക് (മൾട്ടിഡൈമൻഷണൽ അറേ) ഫലം കയറ്റുമതി ചെയ്യുന്നു;

• cpp_process_json_vector - ഫംഗ്ഷനിൽ പൊതിയുക cpp_process_json_str, ഇത് മൾട്ടി-ത്രെഡഡ് മോഡിൽ ഒരു സ്ട്രിംഗ് വെക്റ്റർ പ്രോസസ്സ് ചെയ്യാൻ നിങ്ങളെ അനുവദിക്കുന്നു.

മൾട്ടി-കളർ ലൈനുകൾ വരയ്ക്കുന്നതിന്, HSV കളർ മോഡൽ ഉപയോഗിച്ചു, തുടർന്ന് RGB-യിലേക്ക് പരിവർത്തനം ചെയ്തു. നമുക്ക് ഫലം പരിശോധിക്കാം:

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

R, C++ എന്നിവയിലെ നടപ്പാക്കലുകളുടെ വേഗത താരതമ്യം ചെയ്യുക

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") 

നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, വേഗത വർദ്ധനവ് വളരെ പ്രാധാന്യമർഹിക്കുന്നതായി മാറി, കൂടാതെ R കോഡ് സമാന്തരമാക്കി C++ കോഡ് കണ്ടെത്തുന്നത് സാധ്യമല്ല.

3. ഡാറ്റാബേസിൽ നിന്ന് ബാച്ചുകൾ അൺലോഡ് ചെയ്യുന്നതിനുള്ള ഇറ്ററേറ്ററുകൾ

RAM-ൽ യോജിച്ച ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിൽ R-ന് അർഹമായ പ്രശസ്തി ഉണ്ട്, അതേസമയം പൈത്തണിന് ആവർത്തന ഡാറ്റാ പ്രോസസ്സിംഗാണ് കൂടുതൽ സവിശേഷത, ഇത് നിങ്ങൾക്ക് ഔട്ട്-ഓഫ്-കോർ കണക്കുകൂട്ടലുകൾ (ബാഹ്യ മെമ്മറി ഉപയോഗിച്ചുള്ള കണക്കുകൂട്ടലുകൾ) എളുപ്പത്തിലും സ്വാഭാവികമായും നടപ്പിലാക്കാൻ അനുവദിക്കുന്നു. വിവരിച്ച പ്രശ്നത്തിന്റെ പശ്ചാത്തലത്തിൽ ഞങ്ങൾക്ക് ഒരു മികച്ചതും പ്രസക്തവുമായ ഉദാഹരണം ഗ്രേഡിയന്റ് ഡിസെന്റ് രീതി ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളാണ്, ഓരോ ഘട്ടത്തിലും ഗ്രേഡിയന്റിന്റെ ഏകദേശ കണക്ക് ഉപയോഗിച്ച് നിരീക്ഷണങ്ങളുടെ ഒരു ചെറിയ ഭാഗം അല്ലെങ്കിൽ മിനി-ബാച്ച്.

പൈത്തണിൽ എഴുതിയ ആഴത്തിലുള്ള പഠന ചട്ടക്കൂടുകൾക്ക് ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ള ഇറ്ററേറ്ററുകൾ നടപ്പിലാക്കുന്ന പ്രത്യേക ക്ലാസുകൾ ഉണ്ട്: പട്ടികകൾ, ഫോൾഡറുകളിലെ ചിത്രങ്ങൾ, ബൈനറി ഫോർമാറ്റുകൾ മുതലായവ. നിങ്ങൾക്ക് റെഡിമെയ്ഡ് ഓപ്ഷനുകൾ ഉപയോഗിക്കാം അല്ലെങ്കിൽ നിർദ്ദിഷ്ട ജോലികൾക്കായി സ്വന്തമായി എഴുതാം. R-ൽ നമുക്ക് പൈത്തൺ ലൈബ്രറിയുടെ എല്ലാ സവിശേഷതകളും പ്രയോജനപ്പെടുത്താം keras അതേ പേരിലുള്ള പാക്കേജ് ഉപയോഗിച്ച് അതിന്റെ വിവിധ ബാക്കെൻഡുകൾ ഉപയോഗിച്ച്, അത് പാക്കേജിന്റെ മുകളിൽ പ്രവർത്തിക്കുന്നു ജാലിക. രണ്ടാമത്തേത് ഒരു പ്രത്യേക നീണ്ട ലേഖനം അർഹിക്കുന്നു; R-ൽ നിന്ന് പൈത്തൺ കോഡ് പ്രവർത്തിപ്പിക്കാൻ ഇത് നിങ്ങളെ അനുവദിക്കുക മാത്രമല്ല, R, Python സെഷനുകൾക്കിടയിൽ ഒബ്ജക്റ്റുകൾ കൈമാറാനും നിങ്ങളെ അനുവദിക്കുന്നു, ആവശ്യമായ എല്ലാ തരം പരിവർത്തനങ്ങളും സ്വയമേവ നടപ്പിലാക്കുന്നു.

MonetDBLite ഉപയോഗിച്ച് എല്ലാ ഡാറ്റയും റാമിൽ സംഭരിക്കേണ്ടതിന്റെ ആവശ്യകത ഞങ്ങൾ ഒഴിവാക്കി, എല്ലാ "ന്യൂറൽ നെറ്റ്‌വർക്ക്" ജോലികളും പൈത്തണിലെ ഒറിജിനൽ കോഡ് മുഖേന നിർവ്വഹിക്കും, ഒന്നും തയ്യാറല്ലാത്തതിനാൽ ഞങ്ങൾ ഡാറ്റയ്ക്ക് മുകളിൽ ഒരു ഇറ്ററേറ്റർ എഴുതേണ്ടതുണ്ട്. R അല്ലെങ്കിൽ പൈത്തണിൽ അത്തരം ഒരു സാഹചര്യത്തിന്. ഇതിന് പ്രധാനമായും രണ്ട് ആവശ്യകതകൾ മാത്രമേയുള്ളൂ: ഇത് അനന്തമായ ലൂപ്പിൽ ബാച്ചുകൾ തിരികെ നൽകുകയും ആവർത്തനങ്ങൾക്കിടയിൽ അതിന്റെ അവസ്ഥ സംരക്ഷിക്കുകയും വേണം (ആർ-ൽ രണ്ടാമത്തേത് അടച്ചുപൂട്ടലുകൾ ഉപയോഗിച്ച് ലളിതമായ രീതിയിൽ നടപ്പിലാക്കുന്നു). മുമ്പ്, ഇറ്ററേറ്ററിനുള്ളിലെ നമ്പി അറേകളാക്കി ആർ അറേകളെ വ്യക്തമായി പരിവർത്തനം ചെയ്യേണ്ടത് ആവശ്യമായിരുന്നു, എന്നാൽ പാക്കേജിന്റെ നിലവിലെ പതിപ്പ് keras അത് സ്വയം ചെയ്യുന്നു.

പരിശീലനത്തിനും മൂല്യനിർണ്ണയ ഡാറ്റയ്ക്കുമുള്ള ഇറ്ററേറ്റർ ഇനിപ്പറയുന്നതായി മാറി:

പരിശീലനത്തിനും മൂല്യനിർണ്ണയ ഡാറ്റയ്ക്കുമുള്ള ഇറ്ററേറ്റർ

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)
  }
}

ഫംഗ്ഷൻ ഇൻപുട്ടായി ഡാറ്റാബേസിലേക്കുള്ള കണക്ഷനുള്ള ഒരു വേരിയബിളായി എടുക്കുന്നു, ഉപയോഗിച്ച വരികളുടെ എണ്ണം, ക്ലാസുകളുടെ എണ്ണം, ബാച്ച് വലുപ്പം, സ്കെയിൽ (scale = 1 256x256 പിക്സലുകളുടെ റെൻഡറിംഗ് ഇമേജുകൾക്ക് സമാനമാണ്, scale = 0.5 — 128x128 പിക്സലുകൾ), വർണ്ണ സൂചകം (color = FALSE ഉപയോഗിക്കുമ്പോൾ ഗ്രേസ്കെയിലിൽ റെൻഡറിംഗ് വ്യക്തമാക്കുന്നു color = TRUE ഓരോ സ്ട്രോക്കും ഒരു പുതിയ നിറത്തിലാണ് വരച്ചിരിക്കുന്നത്) കൂടാതെ ഇമേജ്നെറ്റിൽ മുൻകൂട്ടി പരിശീലിച്ച നെറ്റ്‌വർക്കുകൾക്കായുള്ള ഒരു പ്രീപ്രോസസിംഗ് സൂചകവും. പിക്സൽ മൂല്യങ്ങൾ ഇടവേള [0, 1] മുതൽ ഇടവേള [-1, 1] വരെ സ്കെയിൽ ചെയ്യുന്നതിന് രണ്ടാമത്തേത് ആവശ്യമാണ്, ഇത് വിതരണം ചെയ്തവരെ പരിശീലിപ്പിക്കുമ്പോൾ ഉപയോഗിച്ചു. keras മോഡലുകൾ.

ബാഹ്യ ഫംഗ്‌ഷനിൽ ആർഗ്യുമെന്റ് തരം പരിശോധന, ഒരു പട്ടിക അടങ്ങിയിരിക്കുന്നു data.table എന്നതിൽ നിന്ന് ക്രമരഹിതമായി മിക്സഡ് ലൈൻ നമ്പറുകൾ samples_index കൂടാതെ ബാച്ച് നമ്പറുകൾ, കൗണ്ടർ, പരമാവധി എണ്ണം ബാച്ചുകൾ, കൂടാതെ ഡാറ്റാബേസിൽ നിന്ന് ഡാറ്റ അൺലോഡ് ചെയ്യുന്നതിനുള്ള ഒരു SQL എക്സ്പ്രഷൻ. കൂടാതെ, ഉള്ളിലെ ഫംഗ്‌ഷന്റെ ഒരു ഫാസ്റ്റ് അനലോഗ് ഞങ്ങൾ നിർവചിച്ചു keras::to_categorical(). പരിശീലനത്തിനായി ഞങ്ങൾ മിക്കവാറും എല്ലാ ഡാറ്റയും ഉപയോഗിച്ചു, മൂല്യനിർണ്ണയത്തിന് അര ശതമാനം ശേഷിക്കുന്നു, അതിനാൽ യുഗത്തിന്റെ വലുപ്പം പാരാമീറ്ററിൽ പരിമിതപ്പെടുത്തിയിരിക്കുന്നു steps_per_epoch വിളിച്ചപ്പോൾ keras::fit_generator(), വ്യവസ്ഥയും if (i > max_i) മൂല്യനിർണ്ണയ ആവർത്തനത്തിനായി മാത്രം പ്രവർത്തിച്ചു.

ഇന്റേണൽ ഫംഗ്‌ഷനിൽ, അടുത്ത ബാച്ചിനായി വരി സൂചികകൾ വീണ്ടെടുക്കുന്നു, ബാച്ച് കൗണ്ടർ വർദ്ധിക്കുന്നതോടെ ഡാറ്റാബേസിൽ നിന്ന് റെക്കോർഡുകൾ അൺലോഡ് ചെയ്യുന്നു, JSON പാഴ്‌സിംഗ് (ഫംഗ്ഷൻ cpp_process_json_vector(), C++ ൽ എഴുതുകയും ചിത്രങ്ങൾക്ക് അനുയോജ്യമായ അറേകൾ സൃഷ്ടിക്കുകയും ചെയ്യുന്നു. തുടർന്ന് ക്ലാസ് ലേബലുകളുള്ള വൺ-ഹോട്ട് വെക്റ്ററുകൾ സൃഷ്ടിക്കപ്പെടുന്നു, പിക്സൽ മൂല്യങ്ങളും ലേബലുകളും ഉള്ള അറേകൾ ഒരു ലിസ്റ്റിലേക്ക് സംയോജിപ്പിക്കുന്നു, അത് റിട്ടേൺ മൂല്യമാണ്. ജോലി വേഗത്തിലാക്കാൻ, ഞങ്ങൾ പട്ടികകളിൽ സൂചികകളുടെ സൃഷ്ടി ഉപയോഗിച്ചു data.table കൂടാതെ ലിങ്ക് വഴിയുള്ള പരിഷ്ക്കരണവും - ഈ പാക്കേജ് "ചിപ്പുകൾ" ഇല്ലാതെ ഡാറ്റ. പട്ടിക R-ലെ ഏതെങ്കിലും പ്രധാനപ്പെട്ട ഡാറ്റ ഉപയോഗിച്ച് ഫലപ്രദമായി പ്രവർത്തിക്കുന്നത് സങ്കൽപ്പിക്കാൻ പ്രയാസമാണ്.

ഒരു Core i5 ലാപ്‌ടോപ്പിലെ വേഗത അളക്കുന്നതിന്റെ ഫലങ്ങൾ ഇപ്രകാരമാണ്:

ഇറ്ററേറ്റർ ബെഞ്ച്മാർക്ക്

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)

നിങ്ങൾക്ക് മതിയായ റാം ഉണ്ടെങ്കിൽ, അതേ റാമിലേക്ക് മാറ്റുന്നതിലൂടെ നിങ്ങൾക്ക് ഡാറ്റാബേസിന്റെ പ്രവർത്തനം വേഗത്തിലാക്കാൻ കഴിയും (ഞങ്ങളുടെ ചുമതലയ്ക്ക് 32 ജിബി മതി). ലിനക്സിൽ, പാർട്ടീഷൻ ഡിഫോൾട്ടായി മൌണ്ട് ചെയ്തിരിക്കുന്നു /dev/shm, റാം ശേഷിയുടെ പകുതി വരെ ഉൾക്കൊള്ളുന്നു. എഡിറ്റ് ചെയ്യുന്നതിലൂടെ നിങ്ങൾക്ക് കൂടുതൽ ഹൈലൈറ്റ് ചെയ്യാം /etc/fstabപോലുള്ള ഒരു റെക്കോർഡ് ലഭിക്കാൻ tmpfs /dev/shm tmpfs defaults,size=25g 0 0. കമാൻഡ് പ്രവർത്തിപ്പിച്ച് റീബൂട്ട് ചെയ്ത് ഫലം പരിശോധിക്കുന്നത് ഉറപ്പാക്കുക df -h.

ടെസ്റ്റ് ഡാറ്റയ്ക്കുള്ള ഇറ്ററേറ്റർ വളരെ ലളിതമായി കാണപ്പെടുന്നു, കാരണം ടെസ്റ്റ് ഡാറ്റാസെറ്റ് പൂർണ്ണമായും റാമിലേക്ക് യോജിക്കുന്നു:

ടെസ്റ്റ് ഡാറ്റയ്ക്കുള്ള ഇറ്ററേറ്റർ

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. മാതൃകാ വാസ്തുവിദ്യയുടെ തിരഞ്ഞെടുപ്പ്

ആദ്യമായി ഉപയോഗിച്ച വാസ്തുവിദ്യ മൊബൈൽനെറ്റ് v1, അതിന്റെ സവിശേഷതകൾ ചർച്ചചെയ്യുന്നു ഇത് സന്ദേശം. ഇത് സ്റ്റാൻഡേർഡായി ഉൾപ്പെടുത്തിയിട്ടുണ്ട് keras കൂടാതെ, അതനുസരിച്ച്, R-നുള്ള അതേ പേരിലുള്ള പാക്കേജിൽ ലഭ്യമാണ്. എന്നാൽ സിംഗിൾ-ചാനൽ ഇമേജുകൾക്കൊപ്പം ഇത് ഉപയോഗിക്കാൻ ശ്രമിക്കുമ്പോൾ, ഒരു വിചിത്രമായ കാര്യം തെളിഞ്ഞു: ഇൻപുട്ട് ടെൻസറിന് എല്ലായ്പ്പോഴും അളവുകൾ ഉണ്ടായിരിക്കണം. (batch, height, width, 3), അതായത്, ചാനലുകളുടെ എണ്ണം മാറ്റാൻ കഴിയില്ല. പൈത്തണിൽ അത്തരം പരിമിതികളൊന്നുമില്ല, അതിനാൽ യഥാർത്ഥ ലേഖനം (കേരാസ് പതിപ്പിലെ ഡ്രോപ്പ്ഔട്ട് ഇല്ലാതെ) പിന്തുടർന്ന് ഞങ്ങൾ തിരക്കിട്ട് ഈ വാസ്തുവിദ്യയുടെ സ്വന്തം നടപ്പാക്കൽ എഴുതി.

Mobilenet v1 ആർക്കിടെക്ചർ

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)
}

ഈ സമീപനത്തിന്റെ പോരായ്മകൾ വ്യക്തമാണ്. എനിക്ക് ഒരുപാട് മോഡലുകൾ പരീക്ഷിക്കാൻ ആഗ്രഹമുണ്ട്, എന്നാൽ നേരെമറിച്ച്, ഓരോ ആർക്കിടെക്ചറും സ്വമേധയാ വീണ്ടും എഴുതാൻ ഞാൻ ആഗ്രഹിക്കുന്നില്ല. ഇമേജ്നെറ്റിൽ മുൻകൂട്ടി പരിശീലിപ്പിച്ച മോഡലുകളുടെ ഭാരം ഉപയോഗിക്കാനുള്ള അവസരവും ഞങ്ങൾക്ക് നഷ്ടമായി. പതിവുപോലെ, ഡോക്യുമെന്റേഷൻ പഠിക്കുന്നത് സഹായിച്ചു. ഫംഗ്ഷൻ get_config() എഡിറ്റിംഗിന് അനുയോജ്യമായ രൂപത്തിൽ മോഡലിന്റെ ഒരു വിവരണം ലഭിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു (base_model_conf$layers - ഒരു സാധാരണ R ലിസ്റ്റ്), ഒപ്പം ഫംഗ്‌ഷനും from_config() ഒരു മോഡൽ ഒബ്ജക്റ്റിലേക്ക് വിപരീത പരിവർത്തനം നടത്തുന്നു:

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)

ഇപ്പോൾ വിതരണം ചെയ്ത ഏതെങ്കിലും ഒരു സാർവത്രിക ഫംഗ്ഷൻ എഴുതുന്നത് ബുദ്ധിമുട്ടുള്ള കാര്യമല്ല keras ഇമേജ്നെറ്റിൽ പരിശീലിപ്പിച്ച ഭാരമുള്ളതോ ഇല്ലാത്തതോ ആയ മോഡലുകൾ:

റെഡിമെയ്ഡ് ആർക്കിടെക്ചറുകൾ ലോഡ് ചെയ്യുന്നതിനുള്ള പ്രവർത്തനം

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)
}

സിംഗിൾ-ചാനൽ ഇമേജുകൾ ഉപയോഗിക്കുമ്പോൾ, മുൻകൂട്ടി തയ്യാറാക്കിയ ഭാരങ്ങളൊന്നും ഉപയോഗിക്കില്ല. ഇത് പരിഹരിക്കാവുന്നതാണ്: ഫംഗ്ഷൻ ഉപയോഗിച്ച് get_weights() R അറേകളുടെ ഒരു ലിസ്‌റ്റിന്റെ രൂപത്തിൽ മോഡൽ വെയ്‌റ്റുകൾ നേടുക, ഈ ലിസ്റ്റിന്റെ ആദ്യ ഘടകത്തിന്റെ അളവ് മാറ്റുക (ഒരു കളർ ചാനൽ എടുത്തോ അല്ലെങ്കിൽ മൂന്നെണ്ണം ശരാശരി എടുത്തോ), തുടർന്ന് ഫംഗ്‌ഷൻ ഉപയോഗിച്ച് മോഡലിലേക്ക് ഭാരം തിരികെ ലോഡുചെയ്യുക set_weights(). ഞങ്ങൾ ഈ പ്രവർത്തനം ഒരിക്കലും ചേർത്തിട്ടില്ല, കാരണം ഈ ഘട്ടത്തിൽ വർണ്ണ ചിത്രങ്ങളുമായി പ്രവർത്തിക്കുന്നത് കൂടുതൽ ഉൽപ്പാദനക്ഷമതയുള്ളതാണെന്ന് ഇതിനകം വ്യക്തമായിരുന്നു.

മൊബൈൽനെറ്റ് പതിപ്പുകൾ 1, 2 എന്നിവയും resnet34 ഉപയോഗിച്ചും ഞങ്ങൾ മിക്ക പരീക്ഷണങ്ങളും നടത്തി. SE-ResNeXt പോലുള്ള കൂടുതൽ ആധുനിക ആർക്കിടെക്ചറുകൾ ഈ മത്സരത്തിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു. നിർഭാഗ്യവശാൽ, ഞങ്ങളുടെ പക്കൽ റെഡിമെയ്ഡ് നടപ്പിലാക്കലുകൾ ഇല്ലായിരുന്നു, ഞങ്ങൾ സ്വന്തമായി എഴുതിയില്ല (പക്ഷേ ഞങ്ങൾ തീർച്ചയായും എഴുതും).

5. സ്ക്രിപ്റ്റുകളുടെ പാരാമീറ്ററൈസേഷൻ

സൗകര്യാർത്ഥം, പരിശീലനം ആരംഭിക്കുന്നതിനുള്ള എല്ലാ കോഡുകളും ഒരൊറ്റ സ്ക്രിപ്റ്റായി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നു, പാരാമീറ്റർ ഉപയോഗിച്ച് ഡോകോപ്റ്റ് ഇനിപ്പറയുന്ന പ്രകാരം:

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)

പാക്കേജ് ഡോകോപ്റ്റ് നടപ്പാക്കലിനെ പ്രതിനിധീകരിക്കുന്നു http://docopt.org/ ആർക്ക് വേണ്ടി. അതിന്റെ സഹായത്തോടെ, സ്ക്രിപ്റ്റുകൾ തുടങ്ങിയ ലളിതമായ കമാൻഡുകൾ ഉപയോഗിച്ച് സമാരംഭിക്കുന്നു Rscript bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db അഥവാ ./bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db, ഫയൽ ആണെങ്കിൽ train_nn.R എക്സിക്യൂട്ടബിൾ ആണ് (ഈ കമാൻഡ് മോഡലിനെ പരിശീലിപ്പിക്കാൻ തുടങ്ങും resnet50 128x128 പിക്സലുകൾ അളക്കുന്ന മൂന്ന് വർണ്ണ ചിത്രങ്ങളിൽ, ഡാറ്റാബേസ് ഫോൾഡറിൽ സ്ഥിതിചെയ്യണം /home/andrey/doodle_db). നിങ്ങൾക്ക് പഠന വേഗത, ഒപ്റ്റിമൈസർ തരം, മറ്റ് ഇഷ്ടാനുസൃതമാക്കാവുന്ന പാരാമീറ്ററുകൾ എന്നിവ പട്ടികയിലേക്ക് ചേർക്കാൻ കഴിയും. പ്രസിദ്ധീകരണം തയ്യാറാക്കുന്ന പ്രക്രിയയിൽ, അത് വാസ്തുവിദ്യയാണെന്ന് തെളിഞ്ഞു mobilenet_v2 നിലവിലെ പതിപ്പിൽ നിന്ന് keras R ഉപയോഗത്തിൽ കഴിയില്ല R പാക്കേജിലെ മാറ്റങ്ങൾ കണക്കിലെടുക്കാത്തതിനാൽ, അവർ അത് പരിഹരിക്കുന്നതിനായി ഞങ്ങൾ കാത്തിരിക്കുകയാണ്.

RStudio-യിലെ സ്ക്രിപ്റ്റുകളുടെ പരമ്പരാഗത ലോഞ്ചുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ വ്യത്യസ്ത മോഡലുകളുമായുള്ള പരീക്ഷണങ്ങൾ ഗണ്യമായി വേഗത്തിലാക്കാൻ ഈ സമീപനം സാധ്യമാക്കി (സാധ്യമായ ഒരു ബദലായി ഞങ്ങൾ പാക്കേജ് ശ്രദ്ധിക്കുന്നു. tfruns). ഇതിനായി RStudio ഇൻസ്റ്റാൾ ചെയ്യാതെ തന്നെ ഡോക്കറിലോ സെർവറിലോ സ്ക്രിപ്റ്റുകളുടെ ലോഞ്ച് എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യാനുള്ള കഴിവാണ് പ്രധാന നേട്ടം.

6. സ്ക്രിപ്റ്റുകളുടെ ഡോക്കറൈസേഷൻ

ടീം അംഗങ്ങൾ തമ്മിലുള്ള പരിശീലന മോഡലുകൾക്കും ക്ലൗഡിൽ ദ്രുതഗതിയിലുള്ള വിന്യാസത്തിനും പരിസ്ഥിതിയുടെ പോർട്ടബിലിറ്റി ഉറപ്പാക്കാൻ ഞങ്ങൾ ഡോക്കർ ഉപയോഗിച്ചു. ആർ പ്രോഗ്രാമർക്ക് താരതമ്യേന അസാധാരണമായ ഈ ടൂളുമായി നിങ്ങൾക്ക് പരിചയപ്പെടാൻ തുടങ്ങാം ഇത് പ്രസിദ്ധീകരണങ്ങളുടെ പരമ്പര അല്ലെങ്കിൽ വീഡിയോ കോഴ്സ്.

ആദ്യം മുതൽ നിങ്ങളുടെ സ്വന്തം ചിത്രങ്ങൾ സൃഷ്‌ടിക്കാനും നിങ്ങളുടേത് സൃഷ്‌ടിക്കുന്നതിനുള്ള അടിസ്ഥാനമായി മറ്റ് ചിത്രങ്ങൾ ഉപയോഗിക്കാനും ഡോക്കർ നിങ്ങളെ അനുവദിക്കുന്നു. ലഭ്യമായ ഓപ്‌ഷനുകൾ വിശകലനം ചെയ്യുമ്പോൾ, NVIDIA, CUDA+cuDNN ഡ്രൈവറുകൾ, പൈത്തൺ ലൈബ്രറികൾ എന്നിവ ഇൻസ്റ്റാൾ ചെയ്യുന്നത് ചിത്രത്തിന്റെ വലിയൊരു ഭാഗമാണെന്ന നിഗമനത്തിലെത്തി, ഔദ്യോഗിക ചിത്രം ഒരു അടിസ്ഥാനമായി എടുക്കാൻ ഞങ്ങൾ തീരുമാനിച്ചു. tensorflow/tensorflow:1.12.0-gpu, ആവശ്യമായ R പാക്കേജുകൾ അവിടെ ചേർക്കുന്നു.

അവസാന ഡോക്കർ ഫയൽ ഇതുപോലെ കാണപ്പെട്ടു:

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

സൗകര്യാർത്ഥം, ഉപയോഗിച്ച പാക്കേജുകൾ വേരിയബിളുകളിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്; എഴുതപ്പെട്ട സ്‌ക്രിപ്റ്റുകളുടെ ഭൂരിഭാഗവും അസംബ്ലി സമയത്ത് കണ്ടെയ്‌നറിനുള്ളിൽ പകർത്തുന്നു. ഞങ്ങൾ കമാൻഡ് ഷെല്ലും മാറ്റി /bin/bash ഉള്ളടക്കത്തിന്റെ എളുപ്പത്തിനായി /etc/os-release. ഇത് കോഡിലെ OS പതിപ്പ് വ്യക്തമാക്കേണ്ടതിന്റെ ആവശ്യകത ഒഴിവാക്കി.

കൂടാതെ, വിവിധ കമാൻഡുകളുള്ള ഒരു കണ്ടെയ്നർ സമാരംഭിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന ഒരു ചെറിയ ബാഷ് സ്ക്രിപ്റ്റ് എഴുതിയിട്ടുണ്ട്. ഉദാഹരണത്തിന്, ഇവ മുമ്പ് കണ്ടെയ്‌നറിനുള്ളിൽ സ്ഥാപിച്ചിരുന്ന ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ പരിശീലിപ്പിക്കുന്നതിനുള്ള സ്‌ക്രിപ്‌റ്റുകളാകാം അല്ലെങ്കിൽ കണ്ടെയ്‌നറിന്റെ പ്രവർത്തനം ഡീബഗ്ഗ് ചെയ്യുന്നതിനും നിരീക്ഷിക്കുന്നതിനുമുള്ള ഒരു കമാൻഡ് ഷെല്ലായിരിക്കാം:

കണ്ടെയ്നർ ലോഞ്ച് ചെയ്യാനുള്ള സ്ക്രിപ്റ്റ്

#!/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}

ഈ ബാഷ് സ്ക്രിപ്റ്റ് പാരാമീറ്ററുകൾ ഇല്ലാതെ പ്രവർത്തിപ്പിക്കുകയാണെങ്കിൽ, സ്ക്രിപ്റ്റ് കണ്ടെയ്നറിനുള്ളിൽ വിളിക്കപ്പെടും train_nn.R സ്ഥിര മൂല്യങ്ങൾക്കൊപ്പം; ആദ്യത്തെ പൊസിഷണൽ ആർഗ്യുമെന്റ് "ബാഷ്" ആണെങ്കിൽ, കണ്ടെയ്നർ ഒരു കമാൻഡ് ഷെല്ലുമായി സംവേദനാത്മകമായി ആരംഭിക്കും. മറ്റെല്ലാ സാഹചര്യങ്ങളിലും, പൊസിഷണൽ ആർഗ്യുമെന്റുകളുടെ മൂല്യങ്ങൾ മാറ്റിസ്ഥാപിക്കുന്നു: CMD="Rscript /app/train_nn.R $@".

ഉറവിട ഡാറ്റയും ഡാറ്റാബേസും ഉള്ള ഡയറക്ടറികളും പരിശീലനം ലഭിച്ച മോഡലുകൾ സംരക്ഷിക്കുന്നതിനുള്ള ഡയറക്ടറിയും ഹോസ്റ്റ് സിസ്റ്റത്തിൽ നിന്ന് കണ്ടെയ്നറിനുള്ളിൽ ഘടിപ്പിച്ചിരിക്കുന്നു എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്, ഇത് അനാവശ്യ കൃത്രിമത്വങ്ങളില്ലാതെ സ്ക്രിപ്റ്റുകളുടെ ഫലങ്ങൾ ആക്സസ് ചെയ്യാൻ നിങ്ങളെ അനുവദിക്കുന്നു.

7. Google ക്ലൗഡിൽ ഒന്നിലധികം GPU-കൾ ഉപയോഗിക്കുന്നു

മത്സരത്തിന്റെ സവിശേഷതകളിലൊന്ന് വളരെ ശബ്ദമയമായ ഡാറ്റയായിരുന്നു (ശീർഷക ചിത്രം കാണുക, ODS സ്ലാക്കിൽ നിന്ന് @Leigh.plt-ൽ നിന്ന് കടമെടുത്തത്). വലിയ ബാച്ചുകൾ ഇതിനെ ചെറുക്കാൻ സഹായിക്കുന്നു, 1 ജിപിയു ഉള്ള ഒരു പിസിയിലെ പരീക്ഷണങ്ങൾക്ക് ശേഷം, ക്ലൗഡിലെ നിരവധി ജിപിയുകളിൽ പരിശീലന മോഡലുകൾ മാസ്റ്റർ ചെയ്യാൻ ഞങ്ങൾ തീരുമാനിച്ചു. ഉപയോഗിച്ച GoogleCloud (അടിസ്ഥാനകാര്യങ്ങളിലേക്കുള്ള നല്ല വഴികാട്ടി) ലഭ്യമായ കോൺഫിഗറേഷനുകളുടെ വലിയ തിരഞ്ഞെടുപ്പ്, ന്യായമായ വിലകൾ, $300 ബോണസ് എന്നിവ കാരണം. അത്യാഗ്രഹം കാരണം, ഞാൻ ഒരു എസ്എസ്ഡിയും ഒരു ടൺ റാമും ഉള്ള ഒരു 4xV100 ഇൻസ്‌റ്റൻസ് ഓർഡർ ചെയ്തു, അതൊരു വലിയ തെറ്റായിരുന്നു. അത്തരമൊരു യന്ത്രം വേഗത്തിൽ പണം തിന്നുന്നു; തെളിയിക്കപ്പെട്ട പൈപ്പ്ലൈൻ ഇല്ലാതെ നിങ്ങൾക്ക് പരീക്ഷണം നടത്താൻ കഴിയും. വിദ്യാഭ്യാസ ആവശ്യങ്ങൾക്കായി, K80 എടുക്കുന്നതാണ് നല്ലത്. എന്നാൽ വലിയ അളവിലുള്ള റാം ഉപയോഗപ്രദമായി - ക്ലൗഡ് എസ്എസ്ഡി അതിന്റെ പ്രകടനത്തിൽ മതിപ്പുളവാക്കുന്നില്ല, അതിനാൽ ഡാറ്റാബേസ് ഇതിലേക്ക് മാറ്റി dev/shm.

ഒന്നിലധികം GPU-കൾ ഉപയോഗിക്കുന്നതിന് ഉത്തരവാദിയായ കോഡ് ശകലമാണ് ഏറ്റവും താൽപ്പര്യമുള്ളത്. ആദ്യം, പൈത്തണിലെ പോലെ ഒരു കോൺടെക്സ്റ്റ് മാനേജർ ഉപയോഗിച്ചാണ് മോഡൽ സിപിയുവിൽ സൃഷ്ടിക്കുന്നത്:

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
  )
})

കംപൈൽ ചെയ്യാത്ത (ഇത് പ്രധാനമാണ്) മോഡൽ ലഭ്യമായ ലഭ്യമായ ജിപിയുവുകളിലേക്ക് പകർത്തി, അതിനുശേഷം മാത്രമേ അത് കംപൈൽ ചെയ്യുകയുള്ളൂ:

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)
)

അവസാനത്തേത് ഒഴികെയുള്ള എല്ലാ ലെയറുകളും ഫ്രീസുചെയ്യുക, അവസാനത്തെ ലെയർ പരിശീലിപ്പിക്കുക, നിരവധി ജിപിയുവുകൾക്കായി മുഴുവൻ മോഡലും അൺഫ്രീസ് ചെയ്യുകയും വീണ്ടും പരിശീലിപ്പിക്കുകയും ചെയ്യുന്ന ക്ലാസിക് സാങ്കേതികത നടപ്പിലാക്കാൻ കഴിഞ്ഞില്ല.

പരിശീലനം ഉപയോഗിക്കാതെ നിരീക്ഷിച്ചു. ടെൻസർബോർഡ്, ഓരോ യുഗത്തിനുശേഷവും ലോഗുകൾ റെക്കോർഡുചെയ്യുന്നതിനും വിവരദായകമായ പേരുകളുള്ള മോഡലുകൾ സംരക്ഷിക്കുന്നതിനും സ്വയം പരിമിതപ്പെടുത്തുന്നു:

കോൾബാക്കുകൾ

# 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. ഒരു നിഗമനത്തിന് പകരം

ഞങ്ങൾ നേരിട്ട നിരവധി പ്രശ്നങ്ങൾ ഇതുവരെ തരണം ചെയ്തിട്ടില്ല:

• в keras ഒപ്റ്റിമൽ പഠന നിരക്ക് (അനലോഗ്) സ്വയമേവ തിരയുന്നതിന് റെഡിമെയ്ഡ് ഫംഗ്‌ഷൻ ഒന്നുമില്ല lr_finder ലൈബ്രറിയിൽ ഫാസ്റ്റ്.ഐ); കുറച്ച് പരിശ്രമത്തിലൂടെ, മൂന്നാം കക്ഷി നടപ്പിലാക്കലുകൾ R-ലേക്ക് പോർട്ട് ചെയ്യാൻ കഴിയും, ഉദാഹരണത്തിന്, ഇത്;
• മുമ്പത്തെ പോയിന്റിന്റെ അനന്തരഫലമായി, നിരവധി ജിപിയു ഉപയോഗിക്കുമ്പോൾ ശരിയായ പരിശീലന വേഗത തിരഞ്ഞെടുക്കാൻ കഴിഞ്ഞില്ല;
• ആധുനിക ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറുകളുടെ അഭാവമുണ്ട്, പ്രത്യേകിച്ച് ഇമേജ്നെറ്റിൽ മുൻകൂട്ടി പരിശീലനം ലഭിച്ചവ;
• ഒരു സൈക്കിൾ നയവും വിവേചനപരമായ പഠന നിരക്കുകളും ഇല്ല (കോസൈൻ അനീലിംഗ് ഞങ്ങളുടെ അഭ്യർത്ഥനപ്രകാരമായിരുന്നു നടപ്പിലാക്കി, നന്ദി സ്കെയ്ഡാൻ).

ഈ മത്സരത്തിൽ നിന്ന് എന്ത് പ്രയോജനകരമായ കാര്യങ്ങൾ പഠിച്ചു:

• താരതമ്യേന കുറഞ്ഞ പവർ ഹാർഡ്‌വെയറിൽ, നിങ്ങൾക്ക് വേദനയില്ലാതെ മാന്യമായ (റാമിന്റെ പല മടങ്ങ് വലുപ്പമുള്ള) ഡാറ്റയുടെ അളവുകൾ ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ കഴിയും. പ്ലാസ്റ്റിക് സഞ്ചി ഡാറ്റ. പട്ടിക ടേബിളുകളുടെ ഇൻ-പ്ലേസ് പരിഷ്‌ക്കരണം കാരണം മെമ്മറി സംരക്ഷിക്കുന്നു, അത് അവ പകർത്തുന്നത് ഒഴിവാക്കുന്നു, ശരിയായി ഉപയോഗിക്കുമ്പോൾ, അതിന്റെ കഴിവുകൾ എല്ലായ്പ്പോഴും സ്ക്രിപ്റ്റിംഗ് ഭാഷകൾക്കായി നമുക്ക് അറിയാവുന്ന എല്ലാ ഉപകരണങ്ങളിലും ഏറ്റവും ഉയർന്ന വേഗത പ്രകടമാക്കുന്നു. ഒരു ഡാറ്റാബേസിൽ ഡാറ്റ സംരക്ഷിക്കുന്നത്, മിക്ക കേസുകളിലും, മുഴുവൻ ഡാറ്റാസെറ്റും റാമിലേക്ക് ചൂഷണം ചെയ്യേണ്ടതിന്റെ ആവശ്യകതയെക്കുറിച്ച് ചിന്തിക്കാതിരിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു.
• പാക്കേജ് ഉപയോഗിച്ച് R ലെ സ്ലോ ഫംഗ്‌ഷനുകൾ C++ ലെ ഫാസ്റ്റ് ആയവ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കാനാകും Rcpp. ഉപയോഗിക്കുന്നതിന് പുറമേ ആണെങ്കിൽ RcppThread അഥവാ RcppParallel, നമുക്ക് ക്രോസ്-പ്ലാറ്റ്ഫോം മൾട്ടി-ത്രെഡ് നടപ്പിലാക്കലുകൾ ലഭിക്കുന്നു, അതിനാൽ R ലെവലിൽ കോഡ് സമാന്തരമാക്കേണ്ട ആവശ്യമില്ല.
• പാക്കേജ് Rcpp C++ യെ കുറിച്ചുള്ള ഗൗരവമായ അറിവില്ലാതെ ഉപയോഗിക്കാൻ കഴിയും, ആവശ്യമായ മിനിമം വിവരിച്ചിരിക്കുന്നു ഇവിടെ. പോലുള്ള രസകരമായ നിരവധി സി-ലൈബ്രറികൾക്കുള്ള ഹെഡ്ഡർ ഫയലുകൾ എക്സ്റ്റൻസർ CRAN-ൽ ലഭ്യമാണ്, അതായത്, റെഡിമെയ്ഡ് ഉയർന്ന പ്രകടനമുള്ള C++ കോഡ് R-ലേക്ക് സമന്വയിപ്പിക്കുന്ന പ്രോജക്ടുകൾ നടപ്പിലാക്കുന്നതിനായി ഒരു അടിസ്ഥാന സൗകര്യം രൂപീകരിക്കുന്നു. അധിക സൗകര്യം സിന്റാക്സ് ഹൈലൈറ്റിംഗും RStudio-യിലെ ഒരു സ്റ്റാറ്റിക് C++ കോഡ് അനലൈസറുമാണ്.
• ഡോകോപ്റ്റ് പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് സ്വയം ഉൾക്കൊള്ളുന്ന സ്ക്രിപ്റ്റുകൾ പ്രവർത്തിപ്പിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു. വിദൂര സെർവറിൽ ഉപയോഗിക്കാൻ ഇത് സൗകര്യപ്രദമാണ്, ഉൾപ്പെടെ. ഡോക്കറിന് കീഴിൽ. RStudio-യിൽ, പരിശീലന ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് മണിക്കൂറുകളോളം പരീക്ഷണങ്ങൾ നടത്തുന്നത് അസൗകര്യമാണ്, കൂടാതെ സെർവറിൽ തന്നെ IDE ഇൻസ്റ്റാൾ ചെയ്യുന്നത് എല്ലായ്പ്പോഴും ന്യായീകരിക്കപ്പെടുന്നില്ല.
• OS-ന്റെയും ലൈബ്രറികളുടെയും വ്യത്യസ്‌ത പതിപ്പുകളുള്ള ഡെവലപ്പർമാർക്കിടയിൽ കോഡ് പോർട്ടബിലിറ്റിയും ഫലങ്ങളുടെ പുനർനിർമ്മാണവും ഡോക്കർ ഉറപ്പാക്കുന്നു, കൂടാതെ സെർവറുകളിലെ എക്‌സിക്യൂഷൻ എളുപ്പവും. ഒരു കമാൻഡ് ഉപയോഗിച്ച് നിങ്ങൾക്ക് മുഴുവൻ പരിശീലന പൈപ്പ്ലൈനും സമാരംഭിക്കാം.
• വിലകൂടിയ ഹാർഡ്‌വെയറിൽ പരീക്ഷണം നടത്താനുള്ള ബജറ്റ് സൗഹൃദ മാർഗമാണ് Google ക്ലൗഡ്, എന്നാൽ നിങ്ങൾ കോൺഫിഗറേഷനുകൾ ശ്രദ്ധാപൂർവ്വം തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്.
• വ്യക്തിഗത കോഡ് ശകലങ്ങളുടെ വേഗത അളക്കുന്നത് വളരെ ഉപയോഗപ്രദമാണ്, പ്രത്യേകിച്ചും R, C++ എന്നിവ സംയോജിപ്പിക്കുമ്പോൾ, പാക്കേജിനൊപ്പം ബെഞ്ച് - വളരെ എളുപ്പമാണ്.

മൊത്തത്തിൽ ഈ അനുഭവം വളരെ പ്രതിഫലദായകമായിരുന്നു, ഉന്നയിക്കപ്പെട്ട ചില പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ഞങ്ങൾ തുടർന്നും പ്രവർത്തിക്കുന്നു.

അവലംബം: www.habr.com