क्विक ड्रॉ डूडल ओळख: R, C++ आणि न्यूरल नेटवर्कशी मैत्री कशी करावी

अहो हाब्र!

शेवटच्या गडी बाद होण्याचा क्रम, Kaggle ने हाताने काढलेल्या चित्रांचे वर्गीकरण करण्यासाठी एक स्पर्धा आयोजित केली, क्विक ड्रॉ डूडल रिकग्निशन, ज्यामध्ये, इतरांसह, R-शास्त्रज्ञांच्या टीमने भाग घेतला: आर्टेम क्लेव्हत्सोवा, फिलिपा व्यवस्थापक и आंद्रे ओगुर्त्सोव्ह. आम्ही स्पर्धेचे तपशीलवार वर्णन करणार नाही; ते आधीच केले गेले आहे अलीकडील प्रकाशन.

यावेळी मेडल फार्मिंगने काम केले नाही, परंतु खूप मौल्यवान अनुभव प्राप्त झाला, म्हणून मी समाजाला कागलेवरील आणि दैनंदिन कामातील अनेक मनोरंजक आणि उपयुक्त गोष्टींबद्दल सांगू इच्छितो. चर्चा केलेल्या विषयांपैकी: कठीण जीवनाशिवाय ओपनसीव्हीJSON पार्सिंग Rcpp), स्क्रिप्ट्सचे पॅरामीटरायझेशन आणि अंतिम समाधानाचे डॉकरायझेशन. संदेशातील सर्व कोड अंमलबजावणीसाठी योग्य असलेल्या फॉर्ममध्ये उपलब्ध आहेत भांडार.

सामग्री:

1. CSV वरून MonetDB मध्ये डेटा प्रभावीपणे लोड करा
2. बॅच तयार करत आहे
3. डेटाबेसमधून बॅच अनलोड करण्यासाठी पुनरावृत्ती करणारे
4. मॉडेल आर्किटेक्चर निवडणे
5. स्क्रिप्ट पॅरामीटरायझेशन
6. स्क्रिप्टचे डॉकरायझेशन
7. Google Cloud वर एकाधिक GPU वापरणे
8. त्याऐवजी एक निष्कर्ष

1. मोनेटडीबी डेटाबेसमध्ये CSV वरून कार्यक्षमतेने डेटा लोड करा

या स्पर्धेतील डेटा तयार प्रतिमांच्या स्वरूपात प्रदान केला जात नाही, परंतु 340 CSV फायलींच्या स्वरूपात (प्रत्येक वर्गासाठी एक फाईल) ज्यामध्ये पॉइंट कोऑर्डिनेट्ससह JSON आहेत. या बिंदूंना रेषांसह जोडून, ​​आम्हाला 256x256 पिक्सेल मोजणारी अंतिम प्रतिमा मिळते. तसेच प्रत्येक रेकॉर्डसाठी डेटासेट संकलित करताना वापरलेल्या क्लासिफायरद्वारे चित्र योग्यरित्या ओळखले गेले की नाही हे दर्शवणारे लेबल असते, चित्राच्या लेखकाच्या राहत्या देशाचा दोन-अक्षरी कोड, एक अद्वितीय ओळखकर्ता, एक टाइमस्टॅम्प. आणि फाईल नावाशी जुळणारे वर्ग नाव. मूळ डेटाची सरलीकृत आवृत्ती संग्रहणात 7.4 GB असते आणि अनपॅक केल्यानंतर अंदाजे 20 GB असते, अनपॅक केल्यानंतर पूर्ण डेटा 240 GB घेते. आयोजकांनी हे सुनिश्चित केले की दोन्ही आवृत्त्यांनी समान रेखाचित्रे पुनरुत्पादित केली आहेत, याचा अर्थ पूर्ण आवृत्ती निरर्थक आहे. कोणत्याही परिस्थितीत, 50 दशलक्ष प्रतिमा ग्राफिक फाइल्समध्ये किंवा अॅरेच्या स्वरूपात संग्रहित करणे ताबडतोब फायदेशीर मानले जात नाही आणि आम्ही संग्रहणातील सर्व CSV फाइल्स विलीन करण्याचा निर्णय घेतला. train_simplified.zip प्रत्येक बॅचसाठी आवश्यक आकाराच्या प्रतिमांच्या पुढील पिढीसह डेटाबेसमध्ये "फ्लायवर"

DBMS म्हणून एक चांगली सिद्ध प्रणाली निवडली गेली मोनेटडीबी, म्हणजे पॅकेज म्हणून R साठी अंमलबजावणी MonetDBLite. पॅकेजमध्ये डेटाबेस सर्व्हरची एम्बेडेड आवृत्ती समाविष्ट आहे आणि तुम्हाला थेट आर सेशनमधून सर्व्हर उचलण्याची आणि त्याच्यासोबत काम करण्याची परवानगी देते. डेटाबेस तयार करणे आणि त्यास कनेक्ट करणे एका आदेशाद्वारे केले जाते:

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

आम्हाला दोन सारण्या तयार कराव्या लागतील: एक सर्व डेटासाठी, दुसरा डाउनलोड केलेल्या फायलींबद्दल सेवा माहितीसाठी (काही चूक झाल्यास उपयुक्त आणि अनेक फायली डाउनलोड केल्यानंतर प्रक्रिया पुन्हा सुरू करावी लागेल):

टेबल तयार करणे

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"
    )
  )
}

डेटाबेसमध्ये डेटा लोड करण्याचा सर्वात जलद मार्ग म्हणजे SQL - कमांड वापरून थेट CSV फाइल कॉपी करणे COPY OFFSET 2 INTO tablename FROM path USING DELIMITERS ',','n','"' NULL AS '' BEST EFFORTकुठे tablename - टेबलचे नाव आणि path - फाईलचा मार्ग. आर्काइव्हसह काम करताना, अंगभूत अंमलबजावणीचा शोध लागला unzip R मध्ये संग्रहणातील अनेक फाइल्ससह योग्यरित्या कार्य करत नाही, म्हणून आम्ही सिस्टम वापरली unzip (पॅरामीटर वापरून getOption("unzip")).

डेटाबेसवर लिहिण्याचे 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))
}

डेटाबेसवर लिहिण्यापूर्वी टेबलचे रूपांतर करणे आवश्यक असल्यास, युक्तिवादात पास करणे पुरेसे आहे preprocess कार्य जे डेटाचे रूपांतर करेल.

डेटाबेसमध्ये डेटा अनुक्रमे लोड करण्यासाठी कोड:

डेटाबेसमध्ये डेटा लिहित आहे

# 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

वापरलेल्या ड्राइव्हच्या गती वैशिष्ट्यांवर अवलंबून डेटा लोडिंग वेळ बदलू शकतो. आमच्या बाबतीत, एका SSD मध्ये किंवा फ्लॅश ड्राइव्ह (स्रोत फाइल) वरून SSD (DB) मध्ये वाचन आणि लिहिण्यासाठी 10 मिनिटांपेक्षा कमी वेळ लागतो.

पूर्णांक वर्ग लेबल आणि अनुक्रमणिका स्तंभासह स्तंभ तयार करण्यासाठी आणखी काही सेकंद लागतात (ORDERED INDEX) रेषा क्रमांकांसह ज्याद्वारे बॅचेस तयार करताना निरीक्षणे नमुना केली जातील:

अतिरिक्त स्तंभ आणि अनुक्रमणिका तयार करणे

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)"))

फ्लायवर बॅच तयार करण्याच्या समस्येचे निराकरण करण्यासाठी, आम्हाला टेबलमधून यादृच्छिक पंक्ती काढण्याची कमाल गती प्राप्त करणे आवश्यक आहे. doodles. यासाठी आम्ही 3 युक्त्या वापरल्या. पहिले म्हणजे निरीक्षण आयडी संचयित करणार्‍या प्रकाराची आयामीता कमी करणे. मूळ डेटा सेटमध्ये, आयडी संचयित करण्यासाठी आवश्यक प्रकार आहे bigint, परंतु निरीक्षणांच्या संख्येमुळे त्यांचे अभिज्ञापक, क्रमसंख्येच्या समान, प्रकारात बसवणे शक्य होते int. या प्रकरणात शोध अधिक वेगवान आहे. दुसरी युक्ती वापरायची होती ORDERED INDEX — सर्व उपलब्ध गोष्टींचा अभ्यास करून आम्ही हा निर्णय अनुभवाने घेतला पर्याय. तिसरे पॅरामीटराइज्ड क्वेरी वापरणे होते. पद्धतीचे सार म्हणजे कमांड एकदाच कार्यान्वित करणे PREPARE त्याच प्रकारच्या क्वेरींचा समूह तयार करताना तयार केलेल्या अभिव्यक्तीच्या नंतरच्या वापरासह, परंतु प्रत्यक्षात साध्या प्रश्नांच्या तुलनेत एक फायदा आहे SELECT सांख्यिकीय त्रुटीच्या मर्यादेत असल्याचे दिसून आले.

डेटा अपलोड करण्याची प्रक्रिया 450 MB पेक्षा जास्त RAM वापरत नाही. म्हणजेच, वर्णन केलेला दृष्टीकोन तुम्हाला काही सिंगल-बोर्ड डिव्हाइसेससह जवळजवळ कोणत्याही बजेट हार्डवेअरवर दहापट गीगाबाइट वजनाचा डेटासेट हलविण्याची परवानगी देतो, जे खूपच छान आहे.

जे काही उरते ते म्हणजे (यादृच्छिक) डेटा पुनर्प्राप्त करण्याच्या गतीचे मोजमाप करणे आणि वेगवेगळ्या आकारांच्या बॅचचे सॅम्पलिंग करताना स्केलिंगचे मूल्यांकन करणे:

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. बॅच तयार करणे

संपूर्ण बॅच तयार करण्याच्या प्रक्रियेत खालील चरणांचा समावेश आहे:

1. पॉइंट्सच्या निर्देशांकांसह स्ट्रिंगचे वेक्टर असलेले अनेक JSON पार्स करणे.
2. आवश्यक आकाराच्या प्रतिमेवरील बिंदूंच्या निर्देशांकांवर आधारित रंगीत रेषा काढणे (उदाहरणार्थ, 256×256 किंवा 128×128).
3. परिणामी प्रतिमा टेन्सरमध्ये रूपांतरित करणे.

पायथन कर्नलमधील स्पर्धेचा भाग म्हणून, समस्या प्रामुख्याने वापरून सोडवली गेली ओपनसीव्ही. R मधील सर्वात सोप्या आणि सर्वात स्पष्ट अॅनालॉग्सपैकी एक असे दिसेल:

R मध्ये JSON ते Tensor रूपांतरण लागू करणे

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)
}

रेखांकन मानक R टूल्स वापरून केले जाते आणि RAM मध्ये संग्रहित तात्पुरत्या PNG मध्ये जतन केले जाते (Linux वर, तात्पुरत्या R निर्देशिका निर्देशिकेत असतात. /tmp, RAM मध्ये आरोहित). ही फाइल नंतर 0 ते 1 पर्यंतच्या संख्येसह त्रिमितीय अॅरे म्हणून वाचली जाते. हे महत्त्वाचे आहे कारण अधिक पारंपारिक BMP हेक्स कलर कोडसह रॉ अॅरेमध्ये वाचले जाईल.

चला निकाल तपासूया:

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))

बॅच स्वतः खालीलप्रमाणे तयार होईल:

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

ही अंमलबजावणी आम्हाला सर्वोत्कृष्ट वाटली, कारण मोठ्या तुकड्या तयार होण्यास खूप वेळ लागतो आणि आम्ही एका शक्तिशाली लायब्ररीचा वापर करून आमच्या सहकाऱ्यांच्या अनुभवाचा फायदा घेण्याचे ठरवले. ओपनसीव्ही. त्यावेळी R साठी कोणतेही रेडीमेड पॅकेज नव्हते (आता कोणतेही नाही), त्यामुळे आवश्यक कार्यक्षमतेची किमान अंमलबजावणी C++ मध्ये R कोड वापरून एकत्रीकरणासह लिहिली गेली. Rcpp.

समस्येचे निराकरण करण्यासाठी, खालील पॅकेजेस आणि लायब्ररी वापरल्या गेल्या:

1. ओपनसीव्ही प्रतिमा आणि रेखाचित्रे सह कार्य करण्यासाठी. प्री-इंस्टॉल केलेल्या सिस्टम लायब्ररी आणि हेडर फाइल्स, तसेच डायनॅमिक लिंकिंग वापरले.

2. xtensor बहुआयामी अॅरे आणि टेन्सर्ससह काम करण्यासाठी. आम्ही त्याच नावाच्या R पॅकेजमध्ये समाविष्ट असलेल्या हेडर फाइल्स वापरल्या. लायब्ररी तुम्हाला बहुआयामी अॅरेसह कार्य करण्याची परवानगी देते, दोन्ही प्रमुख पंक्ती आणि स्तंभ प्रमुख क्रमाने.

3. ndjson JSON पार्स करण्यासाठी. मध्ये या ग्रंथालयाचा वापर केला जातो xtensor ते प्रकल्पात उपस्थित असल्यास आपोआप.

4. RcppThread JSON कडून वेक्टरची मल्टी-थ्रेड प्रोसेसिंग आयोजित करण्यासाठी. या पॅकेजद्वारे प्रदान केलेल्या शीर्षलेख फायली वापरल्या. अधिक लोकप्रिय पासून Rcpp समांतर पॅकेजमध्ये, इतर गोष्टींबरोबरच, अंगभूत लूप इंटरप्ट यंत्रणा आहे.

हे लक्षात घेण्यासारखे आहे xtensor एक गॉडसेंड असल्याचे दिसून आले: त्यात व्यापक कार्यक्षमता आणि उच्च कार्यक्षमता आहे या व्यतिरिक्त, त्याचे विकसक बरेच प्रतिसाद देणारे ठरले आणि प्रश्नांची त्वरित आणि तपशीलवार उत्तरे दिली. त्यांच्या मदतीने, ओपनसीव्ही मॅट्रिक्सचे एक्सटेन्सर टेन्सरमध्ये रूपांतर करणे शक्य झाले, तसेच 3-आयामी इमेज टेन्सर्सला योग्य परिमाण (बॅच स्वतः) 4-आयामी टेन्सरमध्ये एकत्र करण्याचा मार्ग.

Rcpp, xtensor आणि RcppThread शिकण्यासाठी साहित्य

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 फाइल्स आणि सिस्टमवर स्थापित लायब्ररीसह डायनॅमिक लिंकिंग वापरणाऱ्या फाइल्स संकलित करण्यासाठी, आम्ही पॅकेजमध्ये लागू केलेली प्लगइन यंत्रणा वापरली. Rcpp. मार्ग आणि ध्वज स्वयंचलितपणे शोधण्यासाठी, आम्ही एक लोकप्रिय लिनक्स उपयुक्तता वापरली pkg-config.

OpenCV लायब्ररी वापरण्यासाठी Rcpp प्लगइनची अंमलबजावणी

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)
  ))
})

प्लगइनच्या ऑपरेशनच्या परिणामी, संकलन प्रक्रियेदरम्यान खालील मूल्ये बदलली जातील:

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 पार्स करण्यासाठी आणि मॉडेलमध्ये ट्रान्समिशनसाठी बॅच तयार करण्यासाठी अंमलबजावणी कोड स्पॉयलर अंतर्गत दिलेला आहे. प्रथम, शीर्षलेख फायली शोधण्यासाठी स्थानिक प्रकल्प निर्देशिका जोडा (ndjson साठी आवश्यक):

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

C++ मध्ये JSON ते टेन्सर रूपांतरणाची अंमलबजावणी

// [[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;
}

हा कोड फाईलमध्ये ठेवावा src/cv_xt.cpp आणि कमांडसह संकलित करा Rcpp::sourceCpp(file = "src/cv_xt.cpp", env = .GlobalEnv); कामासाठी देखील आवश्यक आहे nlohmann/json.hpp पासून REPOZITORIA. कोड अनेक फंक्शन्समध्ये विभागलेला आहे:

• to_xt - इमेज मॅट्रिक्सचे रूपांतर करण्यासाठी टेम्पलेट केलेले कार्य (cv::Mat) टेन्सरला xt::xtensor;

• parse_json — फंक्शन JSON स्ट्रिंग पार्स करते, पॉइंट्सचे निर्देशांक काढते, त्यांना वेक्टरमध्ये पॅक करते;

• ocv_draw_lines — बिंदूंच्या परिणामी वेक्टरमधून, बहु-रंगीत रेषा काढतो;

• process — वरील कार्ये एकत्रित करते आणि परिणामी प्रतिमा मोजण्याची क्षमता देखील जोडते;

• cpp_process_json_str - फंक्शनवर आवरण process, जे परिणाम आर-ऑब्जेक्ट (बहुआयामी अॅरे) वर निर्यात करते;

• cpp_process_json_vector - फंक्शनवर आवरण cpp_process_json_str, जे तुम्हाला मल्टी-थ्रेडेड मोडमध्ये स्ट्रिंग वेक्टरवर प्रक्रिया करण्यास अनुमती देते.

बहु-रंगीत रेषा काढण्यासाठी, HSV कलर मॉडेल वापरण्यात आले, त्यानंतर RGB मध्ये रूपांतर झाले. चला निकाल तपासूया:

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

R आणि C++ मध्ये अंमलबजावणीच्या गतीची 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") 

जसे तुम्ही बघू शकता, वेग वाढणे खूप लक्षणीय असल्याचे दिसून आले आणि R कोडला समांतर करून C++ कोड पकडणे शक्य नाही.

3. डेटाबेसमधून बॅच अनलोड करण्यासाठी पुनरावृत्ती करणारे

RAM मध्ये बसणाऱ्या डेटावर प्रक्रिया करण्यासाठी R ला योग्य प्रतिष्ठा आहे, तर Python हे पुनरावृत्ती डेटा प्रोसेसिंगद्वारे वैशिष्ट्यीकृत आहे, ज्यामुळे तुम्हाला आउट-ऑफ-कोर कॅल्क्युलेशन (बाह्य मेमरी वापरून गणना) सहज आणि नैसर्गिकरित्या अंमलात आणता येते. वर्णन केलेल्या समस्येच्या संदर्भात आमच्यासाठी एक उत्कृष्ट आणि समर्पक उदाहरण म्हणजे डीप न्यूरल नेटवर्क्स हे ग्रेडियंट डिसेंट पद्धतीद्वारे प्रशिक्षित केले जाते आणि प्रत्येक टप्प्यावर निरीक्षणाचा एक छोटासा भाग किंवा मिनी-बॅच वापरून ग्रेडियंटचा अंदाज घेतो.

पायथनमध्ये लिहिलेल्या डीप लर्निंग फ्रेमवर्कमध्ये विशेष वर्ग आहेत जे डेटाच्या आधारावर पुनरावृत्ती करणारे कार्यान्वित करतात: टेबल्स, फोल्डर्समधील चित्रे, बायनरी फॉरमॅट इ. तुम्ही तयार पर्याय वापरू शकता किंवा विशिष्ट कार्यांसाठी स्वतःचे लिहू शकता. R मध्ये आपण पायथन लायब्ररीच्या सर्व वैशिष्ट्यांचा लाभ घेऊ शकतो केरास त्याच नावाचे पॅकेज वापरून त्याच्या विविध बॅकएंडसह, जे पॅकेजच्या शीर्षस्थानी कार्य करते जाळीदार. नंतरचा स्वतंत्र दीर्घ लेख पात्र आहे; हे तुम्हाला केवळ R वरून Python कोड चालवण्याची परवानगी देत ​​नाही, तर तुम्हाला R आणि Python सत्रांदरम्यान ऑब्जेक्ट्स हस्तांतरित करण्याची देखील परवानगी देते, सर्व आवश्यक प्रकारची रूपांतरणे आपोआप पार पाडतात.

MonetDBLite चा वापर करून सर्व डेटा RAM मध्ये साठवून ठेवण्याची गरज आम्ही दूर केली, सर्व “न्यूरल नेटवर्क” कार्य पायथनमधील मूळ कोडद्वारे केले जाईल, आम्हाला फक्त डेटावर एक पुनरावृत्ती लिहावी लागेल, कारण काहीही तयार नाही. R किंवा Python मध्ये अशा परिस्थितीसाठी. त्यासाठी मूलत: दोनच आवश्यकता आहेत: त्याने बॅचेस एका अंतहीन लूपमध्ये परत केल्या पाहिजेत आणि पुनरावृत्ती दरम्यान त्याची स्थिती जतन केली पाहिजे (आर मधील नंतरचे क्लोजर वापरून सर्वात सोप्या पद्धतीने लागू केले आहे). पूर्वी, इटरेटरच्या आत आर अॅरे स्पष्टपणे numpy अॅरेमध्ये रूपांतरित करणे आवश्यक होते, परंतु पॅकेजची सध्याची आवृत्ती केरास ते स्वतः करते.

प्रशिक्षण आणि प्रमाणीकरण डेटासाठी पुनरावृत्ती खालीलप्रमाणे असल्याचे दिसून आले:

प्रशिक्षण आणि प्रमाणीकरण डेटासाठी 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)
  }
}

फंक्शन डेटाबेसशी जोडणीसह व्हेरिएबल इनपुट म्हणून घेते, वापरलेल्या ओळींची संख्या, वर्गांची संख्या, बॅच आकार, स्केल (scale = 1 256x256 पिक्सेलच्या रेंडरिंग इमेजशी संबंधित आहे, scale = 0.5 — १२८x१२८ पिक्सेल), रंग सूचक (color = FALSE वापरल्यावर ग्रेस्केलमध्ये प्रस्तुतीकरण निर्दिष्ट करते color = TRUE प्रत्येक स्ट्रोक नवीन रंगात काढला जातो) आणि इमेजनेटवर पूर्व-प्रशिक्षित नेटवर्कसाठी प्री-प्रोसेसिंग इंडिकेटर. मध्यांतर [0, 1] पासून मध्यांतर [-1, 1] पर्यंत पिक्सेल मूल्ये मोजण्यासाठी नंतरचे आवश्यक आहे, जे पुरवठा केलेल्यांना प्रशिक्षण देताना वापरले होते केरास मॉडेल

बाह्य फंक्शनमध्ये युक्तिवाद प्रकार तपासणे, एक सारणी असते data.table पासून यादृच्छिकपणे मिश्रित रेखा क्रमांकांसह samples_index आणि बॅच क्रमांक, काउंटर आणि बॅचची कमाल संख्या, तसेच डेटाबेसमधून डेटा अनलोड करण्यासाठी SQL अभिव्यक्ती. याव्यतिरिक्त, आम्ही आत फंक्शनचे वेगवान अॅनालॉग परिभाषित केले keras::to_categorical(). आम्ही जवळजवळ सर्व डेटा प्रशिक्षणासाठी वापरला, प्रमाणीकरणासाठी अर्धा टक्का सोडला, म्हणून युगाचा आकार पॅरामीटरद्वारे मर्यादित होता steps_per_epoch कॉल केल्यावर keras::fit_generator(), आणि स्थिती if (i > max_i) फक्त प्रमाणीकरण पुनरावृत्तीसाठी काम केले.

अंतर्गत कार्यामध्ये, पुढील बॅचसाठी पंक्ती अनुक्रमणिका पुनर्प्राप्त केल्या जातात, बॅच काउंटर वाढवून डेटाबेसमधून रेकॉर्ड अनलोड केले जातात, JSON पार्सिंग (फंक्शन cpp_process_json_vector(), C++ मध्ये लिहिलेले आहे आणि चित्रांशी संबंधित अॅरे तयार करणे. नंतर क्लास लेबल्ससह एक-हॉट वेक्टर तयार केले जातात, पिक्सेल मूल्यांसह अॅरे आणि लेबले एका सूचीमध्ये एकत्र केली जातात, जी रिटर्न व्हॅल्यू आहे. कामाची गती वाढवण्यासाठी, आम्ही टेबलमध्ये निर्देशांक तयार करणे वापरले data.table आणि दुव्याद्वारे बदल - या पॅकेजशिवाय "चिप्स" डेटा.टेबल आर मधील कोणत्याही महत्त्वपूर्ण डेटासह प्रभावीपणे कार्य करण्याची कल्पना करणे खूप कठीण आहे.

Core i5 लॅपटॉपवरील गती मोजण्याचे परिणाम खालीलप्रमाणे आहेत:

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)

आपल्याकडे पुरेशी रॅम असल्यास, आपण त्याच रॅममध्ये (आमच्या कार्यासाठी 32 जीबी पुरेसे आहे) हस्तांतरित करून डेटाबेसच्या ऑपरेशनला गंभीरपणे गती देऊ शकता. लिनक्समध्ये, डिफॉल्टनुसार विभाजन माउंट केले जाते /dev/shm, RAM क्षमतेच्या अर्ध्या पर्यंत व्यापत आहे. तुम्ही संपादन करून अधिक हायलाइट करू शकता /etc/fstabसारखे रेकॉर्ड मिळविण्यासाठी tmpfs /dev/shm tmpfs defaults,size=25g 0 0. रीबूट करण्याचे सुनिश्चित करा आणि कमांड चालवून परिणाम तपासा df -h.

चाचणी डेटासाठी पुनरावृत्ती अधिक सोपी दिसते, कारण चाचणी डेटासेट पूर्णपणे RAM मध्ये बसतो:

चाचणी डेटासाठी 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. मॉडेल आर्किटेक्चरची निवड

वापरलेली पहिली वास्तुकला होती मोबाईलनेट v1, ज्याच्या वैशिष्ट्यांवर चर्चा केली आहे हे संदेश हे मानक म्हणून समाविष्ट केले आहे केरास आणि, त्यानुसार, R साठी त्याच नावाच्या पॅकेजमध्ये उपलब्ध आहे. परंतु एकल-चॅनेल प्रतिमांसह वापरण्याचा प्रयत्न करताना, एक विचित्र गोष्ट बाहेर आली: इनपुट टेन्सरमध्ये नेहमी परिमाण असणे आवश्यक आहे (batch, height, width, 3), म्हणजे, चॅनेलची संख्या बदलली जाऊ शकत नाही. पायथनमध्ये अशी कोणतीही मर्यादा नाही, म्हणून आम्ही मूळ लेखाचे अनुसरण करून या आर्किटेक्चरची स्वतःची अंमलबजावणी केली आणि लिहिली (केरा आवृत्तीमध्ये असलेल्या ड्रॉपआउटशिवाय):

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)
}

या पद्धतीचे तोटे स्पष्ट आहेत. मला बर्‍याच मॉडेल्सची चाचणी घ्यायची आहे, परंतु त्याउलट, मला प्रत्येक आर्किटेक्चर व्यक्तिचलितपणे पुन्हा लिहायचे नाही. इमेजनेटवर प्री-प्रशिक्षित मॉडेल्सचे वजन वापरण्याच्या संधीपासूनही वंचित राहिलो. नेहमीप्रमाणे, कागदपत्रांचा अभ्यास केल्याने मदत झाली. कार्य get_config() तुम्हाला मॉडेलचे वर्णन संपादनासाठी योग्य फॉर्ममध्ये मिळवण्याची परवानगी देते (base_model_conf$layers - एक नियमित आर सूची), आणि कार्य from_config() मॉडेल ऑब्जेक्टमध्ये उलट रूपांतरण करते:

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)

आता पुरवलेले कोणतेही प्राप्त करण्यासाठी सार्वत्रिक कार्य लिहिणे कठीण नाही केरास इमेजनेटवर प्रशिक्षित वजनासह किंवा त्याशिवाय मॉडेल:

रेडीमेड आर्किटेक्चर लोड करण्यासाठी 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-चॅनेल प्रतिमा वापरताना, कोणतेही पूर्वप्रशिक्षित वजन वापरले जात नाही. हे निश्चित केले जाऊ शकते: फंक्शन वापरून get_weights() R अॅरेच्या सूचीच्या रूपात मॉडेलचे वजन मिळवा, या सूचीच्या पहिल्या घटकाचे परिमाण बदला (एक रंग चॅनेल घेऊन किंवा तिन्ही सरासरी घेऊन), आणि नंतर फंक्शनसह वजन परत मॉडेलमध्ये लोड करा. set_weights(). आम्ही ही कार्यक्षमता कधीही जोडली नाही, कारण या टप्प्यावर हे आधीच स्पष्ट झाले आहे की रंगीत चित्रांसह कार्य करणे अधिक उत्पादनक्षम आहे.

आम्ही मोबाईलनेट आवृत्त्या 1 आणि 2, तसेच resnet34 वापरून बहुतेक प्रयोग केले. SE-ResNeXt सारख्या अधिक आधुनिक वास्तूंनी या स्पर्धेत चांगली कामगिरी केली. दुर्दैवाने, आमच्याकडे आमच्याकडे तयार केलेली अंमलबजावणी नव्हती आणि आम्ही स्वतःचे लिहिले नाही (परंतु आम्ही निश्चितपणे लिहू).

5. स्क्रिप्टचे पॅरामीटरायझेशन

सोयीसाठी, प्रशिक्षण सुरू करण्यासाठी सर्व कोड एकच स्क्रिप्ट म्हणून डिझाइन केले गेले होते, वापरून पॅरामीटराइज्ड docopt खालीलप्रमाणे:

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)

पॅकेज docopt अंमलबजावणीचे प्रतिनिधित्व करते http://docopt.org/ R साठी. त्याच्या मदतीने, स्क्रिप्ट्स सोप्या कमांडसह लॉन्च केल्या जातात Rscript bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db किंवा ./bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db, फाइल असल्यास train_nn.R एक्झिक्युटेबल आहे (ही कमांड मॉडेलचे प्रशिक्षण सुरू करेल resnet50 128x128 पिक्सेल्सच्या तीन-रंगी प्रतिमांवर, डेटाबेस फोल्डरमध्ये स्थित असणे आवश्यक आहे /home/andrey/doodle_db). तुम्ही सूचीमध्ये शिकण्याची गती, ऑप्टिमायझर प्रकार आणि इतर सानुकूल करण्यायोग्य पॅरामीटर्स जोडू शकता. प्रकाशन तयार करण्याच्या प्रक्रियेत, असे दिसून आले की आर्किटेक्चर mobilenet_v2 वर्तमान आवृत्ती पासून केरास आर वापरात करू शकत नाही आर पॅकेजमधील बदल विचारात न घेतल्यामुळे, आम्ही ते दुरुस्त करण्याची वाट पाहत आहोत.

या दृष्टिकोनामुळे RStudio मधील स्क्रिप्ट्सच्या अधिक पारंपारिक लाँचच्या तुलनेत भिन्न मॉडेल्ससह प्रयोगांना लक्षणीयरीत्या गती देणे शक्य झाले (आम्ही संभाव्य पर्याय म्हणून पॅकेज लक्षात घेतो. tfruns). परंतु मुख्य फायदा म्हणजे यासाठी आरस्टुडिओ स्थापित न करता, डॉकरमध्ये किंवा फक्त सर्व्हरवर स्क्रिप्ट लॉन्च करणे सहजपणे व्यवस्थापित करण्याची क्षमता.

6. स्क्रिप्टचे डॉकरायझेशन

टीम सदस्यांमधील प्रशिक्षण मॉडेल्ससाठी आणि क्लाउडमध्ये जलद तैनातीसाठी आम्ही पर्यावरणाची पोर्टेबिलिटी सुनिश्चित करण्यासाठी डॉकरचा वापर केला. आपण या साधनाशी परिचित होणे सुरू करू शकता, जे आर प्रोग्रामरसाठी तुलनेने असामान्य आहे हे प्रकाशनांची मालिका किंवा व्हिडिओ कोर्स.

डॉकर तुम्हाला सुरवातीपासून तुमच्या स्वतःच्या प्रतिमा तयार करण्याची आणि तुमच्या स्वतःच्या तयार करण्यासाठी आधार म्हणून इतर प्रतिमा वापरण्याची परवानगी देतो. उपलब्ध पर्यायांचे विश्लेषण करताना, आम्ही या निष्कर्षावर पोहोचलो की NVIDIA, CUDA+cuDNN ड्राइव्हर्स आणि पायथन लायब्ररी स्थापित करणे हा प्रतिमेचा एक मोठा भाग आहे आणि आम्ही अधिकृत प्रतिमा आधार म्हणून घेण्याचे ठरवले. tensorflow/tensorflow:1.12.0-gpu, तेथे आवश्यक R पॅकेजेस जोडणे.

अंतिम डॉकर फाइल यासारखी दिसली:

डॉकरफाइल

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

सोयीसाठी, वापरलेले पॅकेज व्हेरिएबल्समध्ये ठेवले होते; असेंब्ली दरम्यान मोठ्या प्रमाणात लिखित स्क्रिप्ट कंटेनरमध्ये कॉपी केल्या जातात. आम्ही कमांड शेल देखील बदलले /bin/bash सामग्रीचा वापर सुलभतेसाठी /etc/os-release. यामुळे कोडमध्ये OS आवृत्ती निर्दिष्ट करण्याची आवश्यकता टाळली.

याव्यतिरिक्त, एक लहान बॅश स्क्रिप्ट लिहिलेली आहे जी तुम्हाला विविध कमांडसह कंटेनर लॉन्च करण्यास अनुमती देते. उदाहरणार्थ, या पूर्वी कंटेनरमध्ये ठेवलेल्या न्यूरल नेटवर्क्सच्या प्रशिक्षणासाठी स्क्रिप्ट असू शकतात किंवा कंटेनरच्या ऑपरेशनचे डिबगिंग आणि निरीक्षण करण्यासाठी कमांड शेल असू शकतात:

कंटेनर लाँच करण्यासाठी 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}

जर ही बॅश स्क्रिप्ट पॅरामीटर्सशिवाय चालवली असेल, तर स्क्रिप्ट कंटेनरच्या आत कॉल केली जाईल train_nn.R डीफॉल्ट मूल्यांसह; जर पहिला पोझिशनल आर्ग्युमेंट "बॅश" असेल, तर कंटेनर कमांड शेलसह संवादात्मकपणे सुरू होईल. इतर सर्व प्रकरणांमध्ये, स्थितीत्मक वितर्कांची मूल्ये बदलली जातात: CMD="Rscript /app/train_nn.R $@".

हे लक्षात घेण्यासारखे आहे की स्त्रोत डेटा आणि डेटाबेससह निर्देशिका, तसेच प्रशिक्षित मॉडेल जतन करण्यासाठी निर्देशिका, होस्ट सिस्टममधून कंटेनरमध्ये आरोहित आहेत, जे आपल्याला अनावश्यक हाताळणीशिवाय स्क्रिप्टच्या परिणामांमध्ये प्रवेश करण्यास अनुमती देते.

7. Google Cloud वर एकाधिक GPU वापरणे

स्पर्धेच्या वैशिष्ट्यांपैकी एक अतिशय गोंगाट करणारा डेटा होता (शीर्षक चित्र पहा, ODS स्लॅक वरून @Leigh.plt वरून घेतलेले). मोठ्या बॅचेस याचा सामना करण्यास मदत करतात आणि 1 GPU सह PC वर प्रयोग केल्यानंतर, आम्ही क्लाउडमधील अनेक GPU वर प्रशिक्षण मॉडेल्समध्ये प्रभुत्व मिळवण्याचा निर्णय घेतला. वापरलेले GoogleCloud (मूलभूत गोष्टींसाठी चांगले मार्गदर्शक) उपलब्ध कॉन्फिगरेशनच्या मोठ्या निवडीमुळे, वाजवी किमती आणि $300 बोनस. लोभामुळे, मी एसएसडी आणि एक टन रॅमसह 4xV100 उदाहरण ऑर्डर केले आणि ही एक मोठी चूक होती. अशी मशीन त्वरीत पैसे खाते; आपण सिद्ध पाइपलाइनशिवाय प्रयोग करून खंडित होऊ शकता. शैक्षणिक हेतूंसाठी, K80 घेणे चांगले आहे. परंतु मोठ्या प्रमाणात रॅम उपयोगी आली - क्लाउड एसएसडी त्याच्या कार्यक्षमतेने प्रभावित झाले नाही, म्हणून डेटाबेस हस्तांतरित केला गेला dev/shm.

एकापेक्षा जास्त GPU वापरण्यासाठी जबाबदार असलेला कोड फ्रॅगमेंट हा सर्वात जास्त स्वारस्य आहे. प्रथम, Python प्रमाणेच, संदर्भ व्यवस्थापक वापरून CPU वर मॉडेल तयार केले जाते:

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
  )
})

नंतर संकलित न केलेले (हे महत्त्वाचे आहे) मॉडेल उपलब्ध GPU च्या दिलेल्या संख्येवर कॉपी केले जाते आणि त्यानंतरच ते संकलित केले जाते:

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)
)

शेवटचा एक सोडून सर्व स्तर गोठवण्याचे क्लासिक तंत्र, शेवटच्या लेयरला प्रशिक्षण देणे, अनेक GPU साठी संपूर्ण मॉडेल अनफ्रीझ करणे आणि पुन्हा प्रशिक्षित करणे शक्य झाले नाही.

प्रशिक्षणाचा वापर न करता निरीक्षण केले गेले. टेन्सरबोर्ड, नोंदी रेकॉर्ड करणे आणि प्रत्येक युगानंतर माहितीपूर्ण नावांसह मॉडेल जतन करणे यासाठी स्वतःला मर्यादित करणे:

कॉलबॅक

# 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. निष्कर्षाऐवजी

आम्हाला आलेल्या अनेक समस्यांवर अद्याप मात झालेली नाही:

• в केरास इष्टतम शिक्षण दर (एनालॉग lr_finder लायब्ररीत फास्ट.ai); काही प्रयत्नांनी, तृतीय-पक्षाची अंमलबजावणी R वर पोर्ट करणे शक्य आहे, उदाहरणार्थ, हे;
• मागील बिंदूचा परिणाम म्हणून, अनेक GPUs वापरताना योग्य प्रशिक्षण गती निवडणे शक्य नव्हते;
• आधुनिक न्यूरल नेटवर्क आर्किटेक्चरचा अभाव आहे, विशेषत: इमेजनेटवर पूर्व-प्रशिक्षित;
• कोणतेही एक सायकल धोरण आणि भेदभावपूर्ण शिक्षण दर नाही (कोसाइन अॅनिलिंग आमच्या विनंतीनुसार होते लागू केले, धन्यवाद skeydan).

या स्पर्धेतून कोणत्या उपयुक्त गोष्टी शिकायला मिळाल्या:

• तुलनेने कमी-पॉवर हार्डवेअरवर, तुम्ही वेदना न करता सभ्य (रॅमच्या आकाराच्या अनेक पट) डेटासह कार्य करू शकता. प्लास्टिकची पिशवी डेटा.टेबल टेबल्सच्या इन-प्लेस फेरफारमुळे मेमरी वाचवते, जे त्यांना कॉपी करणे टाळते आणि योग्यरित्या वापरल्यास, त्याची क्षमता जवळजवळ नेहमीच स्क्रिप्टिंग भाषांसाठी आम्हाला ज्ञात असलेल्या सर्व साधनांमध्ये सर्वाधिक गती दर्शवते. डेटाबेसमध्‍ये डेटा सेव्‍ह केल्‍याने तुम्‍हाला बर्‍याच प्रकरणांमध्ये संपूर्ण डेटासेट रॅममध्‍ये पिळून काढण्‍याची गरज आहे याचा अजिबात विचार करू नका.
• पॅकेज वापरून R मधील स्लो फंक्शन्स C++ मधील वेगवान फंक्शन्सने बदलली जाऊ शकतात Rcpp. वापराव्यतिरिक्त असल्यास RcppThread किंवा Rcpp समांतर, आम्हाला क्रॉस-प्लॅटफॉर्म मल्टी-थ्रेडेड अंमलबजावणी मिळते, त्यामुळे R स्तरावर कोडला समांतर करण्याची आवश्यकता नाही.
• पॅकेज Rcpp C++ च्या गंभीर ज्ञानाशिवाय वापरले जाऊ शकते, आवश्यक किमान बाह्यरेखा दिलेली आहे येथे. सारख्या अनेक छान सी-लायब्ररींसाठी हेडर फाइल्स xtensor CRAN वर उपलब्ध आहे, म्हणजेच प्रकल्पांच्या अंमलबजावणीसाठी एक पायाभूत सुविधा तयार केली जात आहे जी रेडीमेड उच्च-कार्यक्षमता C++ कोड R मध्ये समाकलित करते. अतिरिक्त सुविधा म्हणजे सिंटॅक्स हायलाइटिंग आणि RStudio मध्ये स्थिर C++ कोड विश्लेषक.
• docopt तुम्हाला पॅरामीटर्ससह स्वयं-समाविष्ट स्क्रिप्ट चालविण्यास अनुमती देते. हे रिमोट सर्व्हरवर वापरण्यासाठी सोयीचे आहे, समावेश. डॉकर अंतर्गत. RStudio मध्ये, प्रशिक्षण तंत्रिका नेटवर्कसह अनेक तास प्रयोग करणे गैरसोयीचे आहे आणि सर्व्हरवर IDE स्थापित करणे नेहमीच न्याय्य नसते.
• डॉकर कोड पोर्टेबिलिटी आणि OS आणि लायब्ररीच्या विविध आवृत्त्यांसह विकासकांमधील परिणामांची पुनरुत्पादकता तसेच सर्व्हरवर अंमलबजावणी सुलभतेची खात्री देते. तुम्ही फक्त एका आदेशाने संपूर्ण प्रशिक्षण पाइपलाइन सुरू करू शकता.
• महागड्या हार्डवेअरवर प्रयोग करण्याचा Google क्लाउड हा बजेट-अनुकूल मार्ग आहे, परंतु तुम्हाला कॉन्फिगरेशन काळजीपूर्वक निवडण्याची आवश्यकता आहे.
• वैयक्तिक कोडच्या तुकड्यांचा वेग मोजणे खूप उपयुक्त आहे, विशेषत: R आणि C++ एकत्र करताना आणि पॅकेजसह खंडपीठ - देखील खूप सोपे.

एकूणच हा अनुभव खूप फायद्याचा होता आणि आम्ही उपस्थित केलेल्या काही समस्यांचे निराकरण करण्यासाठी कार्य करत आहोत.

स्त्रोत: www.habr.com