Quick Draw Doodle အသိအမှတ်ပြုမှု- R၊ C++ နှင့် neural networks များနှင့် မိတ်ဆွေဖွဲ့နည်း

ဟေး ဟာဘ!

ပြီးခဲ့သည့်ဆောင်းဦးရာသီတွင် Kaggle သည် လက်ဆွဲရုပ်ပုံများ၊ Quick Draw Doodle Recognition ကို အမျိုးအစားခွဲရန် ပြိုင်ပွဲတစ်ခုကျင်းပခဲ့ပြီး ၎င်းတွင် R-သိပ္ပံပညာရှင်အဖွဲ့တစ်ဖွဲ့ ပါဝင်ခဲ့သည်။ Artem Klevtsova, Philippa မန်နေဂျာ и Andrey Ogurtsov. ပြိုင်ပွဲကို အသေးစိပ်ဖော်ပြမှာ မဟုတ်ပါဘူး၊ လုပ်ထားပြီးသားပါ။ လတ်တလောထုတ်ဝေမှု.

ဒီတစ်ခါတော့ ဆုတံဆိပ်စိုက်ပျိုးခြင်းနဲ့ အဆင်မပြေပေမယ့် တန်ဖိုးကြီးတဲ့ အတွေ့အကြုံတွေ အများကြီးရခဲ့ပါတယ်၊ ဒါကြောင့် Kagle နဲ့ နေ့စဉ်လုပ်ငန်းခွင်တွေမှာ စိတ်ဝင်စားစရာအကောင်းဆုံးနဲ့ အသုံးဝင်ဆုံးအရာများစွာအကြောင်းကို အသိုင်းအဝိုင်းကို ပြောပြချင်ပါတယ်။ ဆွေးနွေးခဲ့သည့် ခေါင်းစဉ်များထဲတွင် ခဲယဉ်းသောဘဝ OpenCV၊ JSON ခွဲခြမ်းစိတ်ဖြာခြင်း (ဤဥပမာများသည် R တွင် C++ ကုဒ်ကို scripts သို့မဟုတ် packages များအတွင်းသို့ ပေါင်းစည်းခြင်းအား စစ်ဆေးသည် Rcpp), scripts များ၏ parameterization နှင့် dockerization ၏နောက်ဆုံးဖြေရှင်းချက်။ လုပ်ဆောင်ရန်အတွက် သင့်လျော်သောပုံစံရှိ မက်ဆေ့ဂျ်မှ ကုဒ်အားလုံးကို ရရှိနိုင်ပါသည်။ သိုလှောင်မှုများ.

မာတိကာ:

1. CSV မှ ဒေတာကို MonetDB သို့ ထိရောက်စွာ တင်ပါ။
2. အတွဲများပြင်ဆင်ခြင်း။
3. ဒေတာဘေ့စ်မှ အတွဲများကို လွှင့်တင်ရန်အတွက် Iterators
4. မော်ဒယ်ဗိသုကာကိုရွေးချယ်ခြင်း။
5. ဇာတ်ညွှန်းဘောင်သတ်မှတ်ခြင်း
6. Script များကို Dockerization ပြုလုပ်ခြင်း။
7. Google Cloud တွင် GPU များစွာကို အသုံးပြုခြင်း။
8. အဲဒီအစားတစ်ဦးနိဂုံးပိုင်း၏

1. CSV မှဒေတာများကို MonetDB ဒေတာဘေ့စ်သို့ ထိရောက်စွာတင်ပါ။

ဤပြိုင်ပွဲရှိဒေတာကို အဆင်သင့်လုပ်ထားသောပုံများမဟုတ်ဘဲ 340 CSV ဖိုင်များ (အတန်းတစ်ခုစီအတွက် ဖိုင်တစ်ဖိုင်) ဖြင့် JSON များပါရှိသော point coordinates များပါရှိသည်။ ဤအချက်များကို မျဉ်းကြောင်းများဖြင့် ချိတ်ဆက်ခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် 256x256 pixels တိုင်းတာသည့် နောက်ဆုံးပုံရိပ်ကို ရရှိမည်ဖြစ်သည်။ ထို့အပြင် မှတ်တမ်းတစ်ခုစီတွင် ဒေတာအတွဲကို စုဆောင်းချိန်တွင် အသုံးပြုသည့် အမျိုးအစားခွဲခြားသူက ပုံအား မှန်ကန်စွာ အသိအမှတ်ပြုခြင်း ရှိ၊ မရှိ၊ ပုံရေးသားသူ၏ နေထိုင်ရာနိုင်ငံ၏ အက္ခရာနှစ်လုံးပါ ကုဒ်တစ်ခု၊ ထူးခြားသော ခွဲခြားသတ်မှတ်မှု၊ အချိန်တံဆိပ်တစ်ခု၊ ဖိုင်အမည်နှင့် ကိုက်ညီသော အတန်းအမည်။ မူရင်းဒေတာ၏ ရိုးရှင်းသောဗားရှင်းသည် သိုလှောင်မှုတွင် 7.4 GB အလေးချိန်ရှိပြီး ထုပ်ပိုးပြီးနောက် ခန့်မှန်းခြေ 20 GB ရှိပြီး၊ ထုပ်ပိုးပြီးနောက် ဒေတာအပြည့်အစုံသည် 240 GB အထိ ရှိသည်။ ဗားရှင်းနှစ်မျိုးစလုံးသည် တူညီသောပုံများကို ပြန်ထုတ်ပေးကြောင်း စီစဉ်သူများက အာမခံထားသောကြောင့် ဗားရှင်းအပြည့်အစုံမှာ မလိုအပ်တော့ပါ။ မည်သို့ပင်ဆိုစေကာမူ ဂရပ်ဖစ်ဖိုင်များ သို့မဟုတ် အခင်းအကျင်းပုံစံဖြင့် ပုံသန်း 50 ကို သိမ်းဆည်းခြင်းသည် အကျိုးမရှိဟု ချက်ချင်းယူဆကာ မှတ်တမ်းဟောင်းမှ CSV ဖိုင်အားလုံးကို ပေါင်းစည်းရန် ဆုံးဖြတ်လိုက်ပါသည်။ train_simplified.zip အသုတ်တစ်ခုစီအတွက် လိုအပ်သော အရွယ်အစား "on the fly" ၏ နောက်ဆက်တွဲပုံရိပ်များနှင့်အတူ ဒေတာဘေ့စ်ထဲသို့။

DBMS အဖြစ် ကောင်းစွာ သက်သေပြထားသော စနစ်တစ်ခုကို ရွေးချယ်ခဲ့သည်။ MonetDBပက်ကေ့ချ်တစ်ခုအနေဖြင့် R အတွက် အကောင်အထည်ဖော်မှုဟု ဆိုလိုသည်။ MonetDBLite. ပက်ကေ့ဂျ်တွင် ဒေတာဘေ့စ်ဆာဗာ၏ ထည့်သွင်းထားသောဗားရှင်းတစ်ခုပါဝင်ပြီး ဆာဗာကို R စက်ဆက်ရှင်တစ်ခုမှ တိုက်ရိုက်ယူနိုင်ပြီး ၎င်းနှင့် ၎င်းနှင့်လုပ်ဆောင်နိုင်သည်။ ဒေတာဘေ့စ်တစ်ခုဖန်တီးခြင်းနှင့် ၎င်းနှင့်ချိတ်ဆက်ခြင်းကို command တစ်ခုတည်းဖြင့် လုပ်ဆောင်သည်-

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

ကျွန်ုပ်တို့သည် ဇယားနှစ်ခုကို ဖန်တီးရန် လိုအပ်ပါမည်- ဒေတာအားလုံးအတွက် တစ်ခု၊ အခြားတစ်ခုသည် ဒေါင်းလုဒ်လုပ်ထားသော ဖိုင်များအကြောင်း ဝန်ဆောင်မှုအချက်အလက်အတွက် (တစ်ခုခုမှားသွားပါက အသုံးဝင်ပြီး ဖိုင်များစွာကို ဒေါင်းလုဒ်လုပ်ပြီးနောက် လုပ်ငန်းစဉ်ကို ပြန်လည်စတင်ရပါမည်)။

ဇယားများဖန်တီးခြင်း။

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"
    )
  )
}

ဒေတာဘေ့စ်ထဲသို့ ဒေတာတင်ရန် အမြန်ဆုံးနည်းလမ်းမှာ SQL - command ကို အသုံးပြု၍ CSV ဖိုင်များကို တိုက်ရိုက်ကူးယူခြင်းဖြစ်သည်။ COPY OFFSET 2 INTO tablename FROM path USING DELIMITERS ',','n','"' NULL AS '' BEST EFFORTဘယ်မှာ tablename - ဇယားအမည်နှင့် path - ဖိုင်သို့လမ်းကြောင်း။ archive နှင့်အလုပ်လုပ်နေစဉ်တွင် built-in အကောင်အထည်ဖော်မှုကိုတွေ့ရှိခဲ့သည်။ unzip R သည် မှတ်တမ်းဟောင်းမှ ဖိုင်များစွာဖြင့် မှန်ကန်စွာ အလုပ်မလုပ်သောကြောင့် ကျွန်ုပ်တို့သည် စနစ်အား အသုံးပြုခဲ့သည်။ unzip ( parameter ကို အသုံးပြု getOption("unzip")).

ဒေတာဘေ့စ်သို့စာရေးရန်လုပ်ဆောင်ချက်

#' @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))
}

ဒေတာဘေ့စ်သို့ မရေးမီ ဇယားကို ပြောင်းလဲရန် လိုအပ်ပါက၊ ငြင်းခုံမှုတွင် ဖြတ်သန်းရန် လုံလောက်ပါသည်။ preprocess ဒေတာကို ပြောင်းလဲပေးမယ့် လုပ်ဆောင်ချက်။

ဒေတာဘေ့စ်ထဲသို့ ဒေတာများကို ဆက်တိုက်တင်ခြင်းအတွက် ကုဒ်။

Database တွင် data ရေးခြင်း။

# 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

အသုံးပြုထားသော drive ၏ အမြန်နှုန်း လက္ခဏာများပေါ်မူတည်၍ ဒေတာဖွင့်ချိန် ကွဲပြားနိုင်သည်။ ကျွန်ုပ်တို့၏အခြေအနေတွင်၊ SSD တစ်ခုအတွင်း သို့မဟုတ် flash drive (အရင်းအမြစ်ဖိုင်) မှ SSD (DB) သို့ စာဖတ်ခြင်းနှင့် စာရေးခြင်းသည် 10 မိနစ်ထက်နည်းပါသည်။

ကိန်းပြည့်အတန်းအစား အညွှန်းနှင့် အညွှန်းကော်လံတစ်ခု ဖန်တီးရန် စက္ကန့်အနည်းငယ် ကြာသည် (ORDERED INDEXအစုလိုက်ပြုလုပ်သောအခါတွင် လေ့လာတွေ့ရှိချက်များကို နမူနာယူမည့် လိုင်းနံပါတ်များဖြင့် )

အပိုကော်လံများနှင့် အညွှန်းများကို ဖန်တီးခြင်း။

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)"))

ပျံသန်းနေသောအသုတ်တစ်ခုဖန်တီးခြင်း၏ပြဿနာကိုဖြေရှင်းရန်၊ ကျွန်ုပ်တို့သည် ဇယားမှကျပန်းအတန်းများကိုထုတ်ယူခြင်း၏အမြင့်ဆုံးမြန်နှုန်းကိုရရှိရန် လိုအပ်သည် doodles. ဤအတွက် ကျွန်ုပ်တို့သည် လှည့်ကွက် ၃ ခုကို အသုံးပြုခဲ့သည်။ ပထမအချက်မှာ စောင့်ကြည့်ရေး ID ကို သိမ်းဆည်းသည့် အမျိုးအစား၏ အတိုင်းအတာကို လျှော့ချရန်ဖြစ်သည်။ မူရင်းဒေတာအတွဲတွင် ID သိမ်းဆည်းရန် လိုအပ်သောအမျိုးအစားမှာ bigintဒါပေမယ့် လေ့လာတွေ့ရှိချက်အရေအတွက်က အမျိုးအစားအလိုက် ပုံမှန်နံပါတ်နဲ့ ညီတဲ့ သူတို့ရဲ့ identifiers တွေကို အံကိုက်ဖြစ်နိုင်စေတယ်။ int. ဤကိစ္စတွင်ရှာဖွေမှုသည်အလွန်မြန်သည်။ ဒုတိယ လှည့်ကွက်ကတော့ သုံးဖို့ပါပဲ။ ORDERED INDEX — ရနိုင်သမျှအားလုံးကို ကျော်ဖြတ်ပြီးမှ ဤဆုံးဖြတ်ချက်ကို မျက်မြင်ကိုယ်တွေ့ ရောက်ရှိလာပါသည်။ ရွေးချယ်မှုများ. တတိယအချက်မှာ parameterized queries ကိုအသုံးပြုရန်ဖြစ်သည်။ method ၏ အနှစ်သာရမှာ command ကို တစ်ကြိမ်တည်း execute လုပ်ရန်ဖြစ်သည်။ PREPARE အမျိုးအစားတူ queries အစုအဝေးကို ဖန်တီးသောအခါတွင် ပြင်ဆင်ထားသော expression ကိုအသုံးပြုခြင်းဖြင့်၊ သို့သော် တကယ်တော့ ရိုးရိုးရှင်းရှင်းတစ်ခုနှင့် နှိုင်းယှဉ်လျှင် အားသာချက်တစ်ခုရှိပါသည်။ SELECT ကိန်းဂဏန်းအမှားအယွင်း၏အကွာအဝေးအတွင်းတွင်ရှိခဲ့သည်။

ဒေတာတင်ခြင်းလုပ်ငန်းစဉ်သည် RAM 450 MB ထက်မပိုပါ။ ဆိုလိုသည်မှာ၊ ဖော်ပြထားသော ချဉ်းကပ်မှုသည် သင့်အား ဆယ်ဂဏန်းရှိသော ဂစ်ဂါဗိုက်အလေးချိန်ရှိသော ဒေတာအတွဲများကို ဘုတ်အဖွဲ့တစ်ခုတည်း စက်ပစ္စည်းအချို့အပါအဝင် ဘတ်ဂျက် ဟာ့ဒ်ဝဲတိုင်းနီးပါးတွင် ရွှေ့နိုင်စေသည်၊ အလွန်မိုက်သည်။

ကျန်ရှိနေသေးသည်မှာ အရွယ်အစားအမျိုးမျိုးရှိ နမူနာအတွဲများကို နမူနာယူသည့်အခါ (ကျပန်း) ဒေတာရယူခြင်း၏ အမြန်နှုန်းကို တိုင်းတာရန်ဖြစ်သည်

ဒေတာဘေ့စ်စံနှုန်း

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. အတွဲများပြင်ဆင်ခြင်း။

အသုတ်ပြင်ဆင်မှုလုပ်ငန်းစဉ်တစ်ခုလုံးတွင် အောက်ပါအဆင့်များ ပါဝင်သည်-

1. အမှတ်များ၏ သြဒီနိတ်များဖြင့် လိုင်းကွက်များပါရှိသော JSON အများအပြားကို ပိုင်းခြားစိတ်ဖြာခြင်း။
2. လိုအပ်သောအရွယ်အစားပုံတစ်ခုပေါ်ရှိ အမှတ်များ၏ သြဒီနိတ်များအပေါ်အခြေခံ၍ ရောင်စုံမျဉ်းကြောင်းများရေးဆွဲခြင်း (ဥပမာ၊ 256×256 သို့မဟုတ် 128×128)။
3. ရလာတဲ့ပုံတွေကို tensor အဖြစ်ပြောင်းခြင်း။

Python kernels များကြားတွင် ယှဉ်ပြိုင်မှု၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့် ပြဿနာကို အဓိကအားဖြင့် ဖြေရှင်းခဲ့သည်။ OpenCV. R တွင် အရိုးရှင်းဆုံးနှင့် အထင်ရှားဆုံး analogues များထဲမှ တစ်ခုသည် ဤကဲ့သို့ ဖြစ်သည်-

R တွင် Tensor ပြောင်းခြင်းသို့ JSON ကို အကောင်အထည်ဖော်ခြင်း။

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)
}

ပုံဆွဲခြင်းကို ပုံမှန် R ကိရိယာများကို အသုံးပြု၍ RAM တွင် သိမ်းဆည်းထားသော ယာယီ PNG တွင် သိမ်းဆည်းထားပါသည် (Linux တွင် ယာယီ R လမ်းညွှန်များသည် လမ်းညွှန်ထဲတွင် တည်ရှိသည် /tmpRAM တွင်တပ်ဆင်ထားသည်။) ထို့နောက် ဤဖိုင်ကို 0 မှ 1 အထိ နံပါတ်များပါရှိသော သုံးဖက်မြင် ခင်းကျင်းတစ်ခုအဖြစ် ဖတ်သည်။ ပိုသမားရိုးကျ BMP ကို ​​hex ရောင်ကုဒ်များဖြင့် အကြမ်းခင်းတစ်ခုသို့ ဖတ်မည်ဖြစ်သောကြောင့် အရေးကြီးပါသည်။

ရလဒ်ကို စမ်းသပ်ကြည့်ရအောင်။

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))

အသုတ်ကိုယ်တိုင် အောက်ပါအတိုင်း ဖွဲ့စည်းမည်ဖြစ်ပါသည်။

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

အစီအစဥ်ကြီးများဖွဲ့စည်းခြင်းသည် မတော်တရော်အချိန်ကြာမြင့်သည့်အတွက်ကြောင့် ဤအကောင်အထည်ဖော်မှုသည် ကျွန်ုပ်တို့အတွက် အသင့်တော်ဆုံးဟုထင်ရပြီး အစွမ်းထက်သောစာကြည့်တိုက်ကိုအသုံးပြုခြင်းဖြင့် ကျွန်ုပ်တို့၏လုပ်ဖော်ကိုင်ဖက်များ၏အတွေ့အကြုံကို အခွင့်ကောင်းယူရန် ဆုံးဖြတ်ခဲ့သည်။ OpenCV. ထိုအချိန်တွင် R အတွက် အဆင်သင့်လုပ်ထားသော ပက်ကေ့ဂျ်မရှိပါ (ယခုမရှိပါ) ထို့ကြောင့် လိုအပ်သော လုပ်ဆောင်နိုင်စွမ်းကို C++ ဖြင့် R ကုဒ်သို့ ပေါင်းစည်းခြင်းဖြင့် အနည်းငယ်မျှသာ အကောင်ထည်ဖော်ခဲ့ပါသည်။ Rcpp.

ပြဿနာကိုဖြေရှင်းရန်၊ အောက်ပါ ပက်ကေ့ဂျ်များနှင့် စာကြည့်တိုက်များကို အသုံးပြုခဲ့သည်-

1. OpenCV ပုံများနှင့် မျဉ်းကြောင်းများဖြင့် အလုပ်လုပ်ရန်။ ကြိုတင်ထည့်သွင်းထားသည့် စနစ်ဒစ်ဂျစ်တိုက်များနှင့် ခေါင်းစီးဖိုင်များအပြင် ရွေ့လျားချိတ်ဆက်ခြင်းကို အသုံးပြုထားသည်။

2. xtensor multidimensional arrays နှင့် tensors များနှင့်အလုပ်လုပ်ရန်အတွက်။ ကျွန်ုပ်တို့သည် နာမည်တူ R ပက်ကေ့ခ်ျတွင် ပါဝင်သော ခေါင်းစီးဖိုင်များကို အသုံးပြုခဲ့သည်။ စာကြည့်တိုက်သည် သင့်အား အတန်းအဓိကနှင့် ကော်လံအကြီးစားအစီအစဥ်အရ ဘက်စုံအခင်းအကျင်းများဖြင့် လုပ်ဆောင်နိုင်စေပါသည်။

3. ndjson JSON ပိုင်းခြားရန်။ ဤစာကြည့်တိုက်ကို အသုံးပြုသည်။ xtensor ပရောဂျက်တွင် ရှိနေလျှင် အလိုအလျောက်။

4. RcppThread JSON မှ vector တစ်ခု၏ multi-threaded processing ကို စီစဉ်ရန်။ ဤပက်ကေ့ဂျ်မှ ပံ့ပိုးပေးသော ခေါင်းစီးဖိုင်များကို အသုံးပြုခဲ့သည်။ ပိုနာမည်ကြီးလာတာ RcppParallel ပက်ကေ့ဂျ်တွင် အခြားအရာများကြားတွင် တပ်ဆင်ထားသော စက်ဝိုင်းကြားဖြတ်စနစ်ပါရှိသည်။

ထိုသို့သတိပြုရကျိုးနပ်သည် xtensor နတ်ဘုရားများဖြစ်လာသည်- ၎င်းတွင် ကျယ်ပြန့်သောလုပ်ဆောင်နိုင်စွမ်းနှင့် စွမ်းဆောင်ရည်မြင့်မားသည့်အချက်အပြင်၊ ၎င်း၏ဆော့ဖ်ဝဲအင်ဂျင်နီယာများသည် အတော်လေးတုံ့ပြန်မှုနှင့် မေးခွန်းများကို ချက်ခြင်းအသေးစိတ်ဖြေကြားပေးခဲ့ကြသည်။ ၎င်းတို့၏အကူအညီဖြင့်၊ OpenCV matrices ၏ xtensor tensors များအဖြစ် အသွင်ပြောင်းခြင်းအပြင် 3-ဖက်မြင်ရုပ်ပုံတင်းဆာများကို မှန်ကန်သောအတိုင်းအတာ၏ 4-dimensional tensor အဖြစ် (အသုတ်ကိုယ်တိုင်) ပေါင်းစပ်ရန် နည်းလမ်းတစ်ခုလည်း ဖြစ်နိုင်သည်။

Rcpp၊ xtensor နှင့် RcppThread သင်ယူရန်အတွက် ပစ္စည်းများ

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

စနစ်ဖိုင်များနှင့် စနစ်တွင်ထည့်သွင်းထားသည့် ဒစ်ဂျစ်တယ်များနှင့် ရွေ့လျားချိတ်ဆက်ခြင်းတို့ကို အသုံးပြုသည့် ဖိုင်များကို စုစည်းရန်၊ ပက်ကေ့ဂျ်တွင် အကောင်အထည်ဖော်ထားသည့် ပလပ်အင်ယန္တရားကို ကျွန်ုပ်တို့ အသုံးပြုခဲ့သည်။ Rcpp. လမ်းကြောင်းများနှင့် အလံများကို အလိုအလျောက်ရှာဖွေရန်၊ ကျွန်ုပ်တို့သည် လူကြိုက်များသော Linux utility ကို အသုံးပြုခဲ့သည်။ pkg-config ကို.

OpenCV စာကြည့်တိုက်ကို အသုံးပြုရန်အတွက် Rcpp plugin ကို အကောင်အထည်ဖော်ခြင်း။

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)
  ))
})

ပလပ်အင်၏လုပ်ဆောင်ချက်ကြောင့်၊ စုစည်းမှုလုပ်ငန်းစဉ်အတွင်း အောက်ပါတန်ဖိုးများကို အစားထိုးပေးမည်-

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 ကို ခွဲခြမ်းစိတ်ဖြာပြီး မော်ဒယ်သို့ ထုတ်လွှင့်ခြင်းအတွက် အသုတ်တစ်ခု ဖန်တီးခြင်းအတွက် အကောင်အထည်ဖော်မှုကုဒ်ကို spoiler အောက်တွင် ပေးထားသည်။ ပထမဦးစွာ၊ ခေါင်းစီးဖိုင်များကိုရှာဖွေရန် (ndjson အတွက်လိုအပ်သည်) ကိုရှာဖွေရန် ဒေသခံပရောဂျက်လမ်းညွှန်တစ်ခုကို ထည့်ပါ။

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

C++ တွင် tensor ပြောင်းလဲခြင်းသို့ JSON ကို အကောင်အထည်ဖော်ခြင်း။

// [[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;
}

ဒီကုဒ်ကို ဖိုင်ထဲမှာ ထည့်ထားသင့်ပါတယ်။ src/cv_xt.cpp command ဖြင့် compile လုပ်ပါ။ Rcpp::sourceCpp(file = "src/cv_xt.cpp", env = .GlobalEnv); အလုပ်အတွက်လည်း လိုအပ်တယ်။ nlohmann/json.hpp မှ သိုလှောင်မှု. ကုဒ်ကို လုပ်ဆောင်ချက်များစွာဖြင့် ပိုင်းခြားထားသည်။

• to_xt — image matrix တစ်ခုအသွင်ပြောင်းရန်အတွက် နမူနာပုံစံလုပ်ဆောင်ချက်တစ်ခု (cv::Mat) tensor တစ်ခုသို့ xt::xtensor;

• parse_json — လုပ်ဆောင်ချက်သည် JSON စာကြောင်းတစ်ခုကို ခွဲခြမ်းစိပ်ဖြာပြီး အမှတ်များ၏ သြဒီနိတ်များကို ထုတ်ယူကာ vector တစ်ခုအဖြစ် ထုပ်ပိုးသည်။

• ocv_draw_lines - အမှတ်များ၏ရလဒ် vector မှ ရောင်စုံမျဉ်းကြောင်းများဆွဲပါ။

• process — အထက်ဖော်ပြပါ လုပ်ဆောင်ချက်များကို ပေါင်းစပ်ပြီး ထွက်ပေါ်လာသော ရုပ်ပုံအား အတိုင်းအတာကို ချဲ့ထွင်နိုင်စွမ်းကိုလည်း ပေါင်းထည့်သည်။

• cpp_process_json_str - function ကိုကျော်ထုပ်ပိုး processရလဒ်ကို R-object ( multidimensional array ) သို့ တင်ပို့သည်။

• cpp_process_json_vector - function ကိုကျော်ထုပ်ပိုး cpp_process_json_strMulti-threaded မုဒ်တွင် string vector တစ်ခုကို လုပ်ဆောင်ရန် ခွင့်ပြုသည်။

ရောင်စုံလိုင်းများဆွဲရန် HSV အရောင်မော်ဒယ်ကို အသုံးပြုပြီး RGB သို့ပြောင်းသည်။ ရလဒ်ကို စမ်းသပ်ကြည့်ရအောင်။

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

R နှင့် C++ တွင် အကောင်အထည်ဖော်မှုအမြန်နှုန်းကို နှိုင်းယှဉ်ခြင်း။

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") 

သင်တွေ့မြင်ရသည့်အတိုင်း မြန်နှုန်းတိုးမှုသည် အလွန်သိသာထင်ရှားလာပြီး R ကုဒ်ကို အပြိုင်ပြုလုပ်ခြင်းဖြင့် C++ ကုဒ်ကို အမီလိုက်ရန် မဖြစ်နိုင်ပါ။

3. ဒေတာဘေ့စ်မှ အတွဲများကို လွှင့်တင်ရန်အတွက် Iterators

R သည် RAM တွင် အံဝင်ခွင်ကျရှိသော ဒေတာကို စီမံဆောင်ရွက်ပေးခြင်းအတွက် ထိုက်တန်သော ဂုဏ်သတင်းတစ်ခု ရှိပြီး Python သည် သင့်အား ပြင်ပမှတ်ဉာဏ်ကို အသုံးပြု၍ တွက်ချက်မှုများ (ပြင်ပမှတ်ဉာဏ်ကို အသုံးပြု၍ တွက်ချက်မှုများ) ကို လွယ်ကူပြီး သဘာဝကျကျ လုပ်ဆောင်နိုင်စေမည့် ထပ်တလဲလဲ ဒေတာလုပ်ဆောင်ခြင်းဖြင့် ပိုမိုသွင်ပြင်လက္ခဏာရှိသည်။ ဖော်ပြထားသောပြဿနာ၏အခြေအနေတွင် ကျွန်ုပ်တို့အတွက် ဂန္ထဝင်နှင့်သက်ဆိုင်သော ဥပမာတစ်ခုသည် သေးငယ်သောအစိတ်အပိုင်း သို့မဟုတ် အသေးစားအသုတ်ကို အသုံးပြု၍ အဆင့်တစ်ဆင့်ချင်းစီရှိ gradient ၏အနီးစပ်ဆုံးနည်းလမ်းဖြင့် လေ့ကျင့်ထားသော နက်နဲသောအာရုံကြောကွန်ရက်များဖြစ်သည်။

Python တွင်ရေးထားသော နက်ရှိုင်းသောသင်ယူမှုဘောင်များတွင် ဒေတာအပေါ်အခြေခံ၍ iterators များကိုအကောင်အထည်ဖော်သည့် အထူးအတန်းများရှိသည်- ဇယားများ၊ ဖိုင်တွဲများရှိပုံများ၊ binary ဖော်မတ်များစသည်ဖြင့် အဆင်သင့်လုပ်ထားသောရွေးချယ်စရာများကိုသုံးနိုင်သည် သို့မဟုတ် သီးခြားလုပ်ဆောင်စရာများအတွက် သင့်ကိုယ်ပိုင်ရေးသားနိုင်သည်။ R တွင် ကျွန်ုပ်တို့သည် Python စာကြည့်တိုက်၏ အင်္ဂါရပ်အားလုံးကို အသုံးချနိုင်သည်။ ကရား အထုပ်၏ထိပ်တွင်အလုပ်လုပ်သောအမည်တူအထုပ်ကိုအသုံးပြုပြီး၎င်း၏အမျိုးမျိုးသော backend များနှင့်အတူ နယူးယောက်မြို့. နောက်ဆုံးတွင် သီးခြားရှည်လျားသော ဆောင်းပါးတစ်ပုဒ်ကို ထိုက်တန်ပါသည်။ ၎င်းသည် သင့်အား R မှ Python ကုဒ်ကို run နိုင်ရုံသာမက R နှင့် Python sessions များကြားတွင် အရာဝတ္ထုများကို လွှဲပြောင်းပေးကာ လိုအပ်သောအမျိုးအစားကူးပြောင်းမှုများကို အလိုအလျောက်လုပ်ဆောင်နိုင်စေမည်ဖြစ်သည်။

MonetDBLite ကို အသုံးပြု၍ RAM တွင် ဒေတာအားလုံးကို သိမ်းဆည်းထားရန် လိုအပ်မှုကို ဖယ်ရှားလိုက်ပြီး၊ "Neural Network" အားလုံးကို Python တွင် မူရင်းကုဒ်ဖြင့် လုပ်ဆောင်သွားမည်ဖြစ်ပြီး၊ ကျွန်ုပ်တို့သည် ဒေတာပေါ်တွင် ထပ်လောင်းရေးသားရန် လိုအပ်သောကြောင့်၊ R သို့မဟုတ် Python တွင်ထိုကဲ့သို့သောအခြေအနေအတွက်။ ၎င်းအတွက် အခြေခံအားဖြင့် လိုအပ်ချက် နှစ်ခုသာ ရှိသည်- ၎င်းသည် အဆုံးမရှိသော ကွက်လပ်တစ်ခုတွင် အစုလိုက်အစည်းများကို ပြန်၍ ထပ်ခါထပ်ခါ လုပ်ဆောင်မှုများကြားတွင် ၎င်း၏အခြေအနေကို သိမ်းဆည်းရမည် (နောက်ပိုင်းတွင် R သည် အရိုးရှင်းဆုံးနည်းလမ်းဖြင့် အကောင်အထည်ဖော်သည်)။ ယခင်က၊ R array များကို iterator အတွင်းရှိ numpy array များအဖြစ်သို့ ပြတ်သားစွာပြောင်းလဲရန် လိုအပ်သော်လည်း၊ package ၏ လက်ရှိဗားရှင်း ကရား သူကိုယ်တိုင်လုပ်တယ်။

လေ့ကျင့်ရေး နှင့် မှန်ကန်ကြောင်း အချက်အလက်များအတွက် ထပ်လောင်းလှည့်ပေးသူမှာ အောက်ပါအတိုင်းဖြစ်သည် ။

လေ့ကျင့်ရေးနှင့် အတည်ပြုချက်ဒေတာအတွက် Iterator

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)
  }
}

လုပ်ဆောင်ချက်သည် ဒေတာဘေ့စ်သို့ ချိတ်ဆက်မှုနှင့်အတူ ကိန်းရှင်တစ်ခုအား ထည့်သွင်းခြင်း၊ အသုံးပြုထားသော လိုင်းနံပါတ်များ၊ အတန်းအရေအတွက်၊ အတွဲအရွယ်အစား၊ အတိုင်းအတာ (scale = 1 256x256 pixels ၏ rendering ပုံများနှင့် ကိုက်ညီသည်၊ scale = 0.5 — 128x128 pixels)၊ အရောင်အညွှန်း (color = FALSE အသုံးပြုသည့်အခါ မီးခိုးရောင်စကေးဖြင့် rendering ကို သတ်မှတ်သည်။ color = TRUE လေဖြတ်ခြင်းတစ်ခုစီကို အရောင်အသစ်ဖြင့် ရေးဆွဲထားသည်) နှင့် imagenet တွင် ကြိုတင်လေ့ကျင့်ထားသော ကွန်ရက်များအတွက် ကြိုတင်လုပ်ဆောင်ခြင်း အညွှန်းတစ်ခု။ ကြားကာလ [0၊ 1] မှ ကြားကာလ [-1၊ 1] အထိ pixel တန်ဖိုးများကို တိုင်းတာရန်အတွက် နောက်ပိုင်းတွင် လိုအပ်သည်၊ ကရား မော်ဒယ်များ။

ပြင်ပလုပ်ဆောင်ချက်တွင် အငြင်းအခုံအမျိုးအစားစစ်ဆေးခြင်း၊ ဇယားတစ်ခုပါရှိသည်။ data.table ကျပန်း မျဉ်းကြောင်းနံပါတ်များ ရောစပ်ထားသည် samples_index နှင့် အသုတ်နံပါတ်များ၊ တန်ပြန် နှင့် အများဆုံး အစုအဝေး အရေအတွက် နှင့် ဒေတာဘေ့စ်မှ ဒေတာကို လွှင့်တင်ရန်အတွက် SQL စကားရပ်။ ထို့အပြင်၊ ကျွန်ုပ်တို့သည် အတွင်း၌ လုပ်ဆောင်မှု၏ မြန်ဆန်သော analogue တစ်ခုကို သတ်မှတ်ခဲ့သည်။ keras::to_categorical(). ကျွန်ုပ်တို့သည် လေ့ကျင့်ရေးအတွက် ဒေတာအားလုံးနီးပါးကို အသုံးပြုပြီး အတည်ပြုရန် ရာခိုင်နှုန်းတစ်ဝက်ကို ချန်ထားသောကြောင့် အပိုင်းအရွယ်အစားကို ကန့်သတ်ချက်ဖြင့် ကန့်သတ်ထားသည်။ steps_per_epoch ခေါ်သောအခါ keras::fit_generator(), နှင့်အခြေအနေ if (i > max_i) validation iterator အတွက်သာအလုပ်လုပ်ခဲ့သည်။

အတွင်းလုပ်ဆောင်ချက်တွင်၊ နောက်အသုတ်အတွက် အတန်းအညွှန်းများကို ပြန်လည်ရယူသည်၊ အသုတ်ကောင်တာတိုးလာခြင်းဖြင့် ဒေတာဘေ့စ်မှ မှတ်တမ်းများကို ဖြုတ်ယူသည်၊ JSON ခွဲခြမ်းစိတ်ဖြာခြင်း (လုပ်ဆောင်ချက် cpp_process_json_vector()C++ ဖြင့် ရေးသားထားသော) နှင့် ပုံများနှင့် သက်ဆိုင်သော array များကို ဖန်တီးခြင်း။ ထို့နောက် အတန်းအညွှန်းများပါသည့် hot vector များကို ဖန်တီးပြီး pixel တန်ဖိုးများနှင့် အညွှန်းများပါသည့် array များကို return valueဖြစ်သည့် စာရင်းတစ်ခုအဖြစ် ပေါင်းစပ်ထားသည်။ အလုပ်ကို အရှိန်မြှင့်ရန်၊ ဇယားများတွင် အညွှန်းများဖန်တီးခြင်းကို အသုံးပြုခဲ့သည်။ data.table လင့်ခ်မှတစ်ဆင့် ပြုပြင်မွမ်းမံခြင်း - ဤပက်ကေ့ချ် "chips" မပါဘဲ ဒေတာ R တွင် သိသာထင်ရှားသော ဒေတာပမာဏတစ်ခုနှင့် ထိထိရောက်ရောက် လုပ်ဆောင်ရန် စိတ်ကူးရန်မှာ အလွန်ခက်ခဲသည်။

Core i5 လက်ပ်တော့တစ်လုံးရှိ အမြန်နှုန်းတိုင်းတာမှုရလဒ်များမှာ အောက်ပါအတိုင်းဖြစ်သည်။

Iterator စံနှုန်း

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)

သင့်တွင် လုံလောက်သော RAM ပမာဏရှိပါက၊ ၎င်းကို ဤတူညီသော RAM သို့လွှဲပြောင်းခြင်းဖြင့် ဒေတာဘေ့စ်၏လည်ပတ်မှုကို အရှိန်မြှင့်နိုင်သည် (ကျွန်ုပ်တို့၏လုပ်ငန်းတာဝန်အတွက် 32 GB လုံလောက်သည်)။ Linux တွင်၊ အခန်းကန့်ကို မူရင်းအတိုင်းတပ်ဆင်ထားသည်။ /dev/shmRAM ပမာဏ ထက်ဝက်အထိ ရယူထားသည်။ တည်းဖြတ်ခြင်းဖြင့် သင်ပိုမိုပေါ်လွင်နိုင်သည်။ /etc/fstabကြိုက်တဲ့ စံချိန်ရဖို့ tmpfs /dev/shm tmpfs defaults,size=25g 0 0. command ကို run ခြင်းဖြင့် reboot လုပ်ပြီးရလဒ်ကိုစစ်ဆေးပါ။ df -h.

စမ်းသပ်ဒေတာအတွက် iterator သည် RAM နှင့် လုံးလုံးလျားလျားကိုက်ညီသောကြောင့် စမ်းသပ်ဒေတာသည် ပိုမိုရိုးရှင်းပါသည်။

စမ်းသပ်ဒေတာအတွက် Iterator

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. မော်ဒယ်ဗိသုကာရွေးချယ်ရေး

ပထမဆုံးအသုံးပြုသော ဗိသုကာလက်ရာဖြစ်သည်။ မိုဘိုင်းကွန်ရက် v1၌ ဆွေးနွေးတင်ပြထားသော အင်္ဂါရပ်များ ဤ သတင်းစကား။ စံအဖြစ်ပါဝင်ပါသည်။ ကရား ထို့ကြောင့် R အတွက် အမည်တူ ပက်ကေ့ဂျ်တွင် ရနိုင်ပါသည်။ သို့သော် ၎င်းကို ချန်နယ်ပုံများ နှင့် အသုံးပြုရန် ကြိုးစားသောအခါတွင် ထူးဆန်းသည့် အရာတစ်ခု ထွက်ပေါ်လာသည်- input tensor သည် အတိုင်းအတာ အမြဲရှိရမည် (batch, height, width, 3)ဆိုလိုသည်မှာ ချန်နယ်အရေအတွက်ကို ပြောင်းလဲ၍မရပါ။ Python တွင် ထိုသို့သော ကန့်သတ်ချက်မရှိသောကြောင့် ကျွန်ုပ်တို့သည် မူရင်းဆောင်းပါး (keras ဗားရှင်းတွင်ရှိသော ကျောင်းထွက်ခြင်းမရှိဘဲ) ဤဗိသုကာလက်ရာကို ကျွန်ုပ်တို့၏ကိုယ်ပိုင် အကောင်အထည်ဖော်မှုကို အလျင်စလို ရေးသားဖော်ပြလိုက်ပါသည်။

Mobilenet v1 ဗိသုကာ

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)
}

ဒီနည်းလမ်းရဲ့ အားနည်းချက်တွေက သိသာထင်ရှားပါတယ်။ မော်ဒယ်များစွာကို စမ်းသပ်ချင်သော်လည်း ဆန့်ကျင်ဘက်အနေနှင့် ဗိသုကာတစ်ခုစီကို ကိုယ်တိုင်ပြန်မရေးချင်ပါ။ imagenet တွင်ကြိုတင်လေ့ကျင့်ထားသောမော်ဒယ်များ၏အလေးများကိုအသုံးပြုရန်အခွင့်အရေးကိုလည်းဆုံးရှုံးခဲ့ရသည်။ ထုံးစံအတိုင်း စာရွက်စာတမ်းတွေကို လေ့လာခြင်းက အထောက်အကူဖြစ်စေပါတယ်။ လုပ်ဆောင်ချက် get_config() တည်းဖြတ်ရန် သင့်လျော်သော ပုံစံဖြင့် မော်ဒယ်၏ ဖော်ပြချက်တစ်ခုကို သင်ရနိုင်သည် (base_model_conf$layers - ပုံမှန် R စာရင်း) နှင့် function ကို from_config() စံပြအရာဝတ္တုတစ်ခုသို့ ပြောင်းပြန်အဖြစ်ပြောင်းလဲခြင်းကို လုပ်ဆောင်သည်-

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)

ယခု ပံ့ပိုးပေးထားသည့် မည်သည့်အရာကိုမဆို ရယူရန် universal function တစ်ခုရေးရန် မခက်ခဲပါ။ ကရား imagenet တွင် လေ့ကျင့်ထားသော အလေးများ မပါသော မော်ဒယ်များ

အဆင်သင့်လုပ်ထားသော ဗိသုကာများကို တင်ရန်အတွက် လုပ်ဆောင်ချက်

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)
}

ချန်နယ်တစ်ခုတည်းပုံများကို အသုံးပြုသည့်အခါ၊ ကြိုတင်လေ့ကျင့်ထားသည့် အလေးများကို အသုံးမပြုပါ။ လုပ်ဆောင်ချက်ကို အသုံးပြု၍ ၎င်းကို ပြင်ဆင်နိုင်သည်။ get_weights() R အခင်းအကျင်းများစာရင်းပုံစံဖြင့် မော်ဒယ်အလေးများကိုရယူပါ၊ ဤစာရင်း၏ပထမဒြပ်စင်၏အတိုင်းအတာကိုပြောင်းပါ (အရောင်ချန်နယ်တစ်ခု (သို့) ပျမ်းမျှသုံးမျိုးလုံးကို ပေါင်းခြင်းဖြင့်) ပြီးနောက် အလေးချိန်များကို လုပ်ဆောင်ချက်ဖြင့် မော်ဒယ်ထဲသို့ ပြန်ထည့်ပါ။ set_weights(). ကျွန်ုပ်တို့သည် ဤလုပ်ဆောင်ချက်ကို ဘယ်သောအခါမှ မထည့်ခဲ့ပါ။ အကြောင်းမှာ ဤအဆင့်တွင် အရောင်အသွေးပုံများနှင့် အလုပ်လုပ်ရာတွင် ပိုမိုအကျိုးဖြစ်ထွန်းကြောင်း ရှင်းလင်းနေပြီဖြစ်သောကြောင့်ဖြစ်သည်။

ကျွန်ုပ်တို့သည် mobilenet ဗားရှင်း 1 နှင့် 2 အပြင် resnet34 ကို အသုံးပြု၍ စမ်းသပ်မှုအများစုကို လုပ်ဆောင်ခဲ့သည်။ SE-ResNeXt ကဲ့သို့သော ခေတ်မီဗိသုကာလက်ရာများသည် ဤပြိုင်ပွဲတွင် ကောင်းမွန်စွာ စွမ်းဆောင်နိုင်ခဲ့သည်။ ကံမကောင်းစွာဖြင့်၊ ကျွန်ုပ်တို့တွင် အဆင်သင့်လုပ်ထားသော အကောင်အထည်ဖော်မှုများ မရှိပါက ကျွန်ုပ်တို့ကိုယ်တိုင် မရေးပါ (သို့သော် ကျိန်းသေ ရေးပါမည်)။

5. Script များ၏ ကန့်သတ်ချက်များ

အဆင်ပြေစေရန်၊ လေ့ကျင့်မှုစတင်ခြင်းအတွက် ကုဒ်အားလုံးကို ဇာတ်ညွှန်းတစ်ခုတည်းအဖြစ် ကန့်သတ်သတ်မှတ်ထားပြီး အသုံးပြုထားသည်။ docopt အောက်ပါအတိုင်း:

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)

အထုပ် docopt အကောင်အထည်ဖော်မှုကို ကိုယ်စားပြုသည်။ http://docopt.org/ R. အတွက် ၎င်း၏အကူအညီဖြင့်၊ scripts များကို ရိုးရှင်းသော command များဖြင့် စတင်သည်။ Rscript bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db သို့မဟုတ် ./bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_dbဖိုင်ရှိရင် train_nn.R အကောင်အထည်ဖော်နိုင်သည် (ဤ command သည် model ကိုစတင်လေ့ကျင့်ပေးလိမ့်မည်။ resnet50 128x128 pixels တိုင်းတာသည့် သုံးရောင်စုံပုံများတွင်၊ ဒေတာဘေ့စ်ကို ဖိုဒါတွင် ထားရှိရမည်၊ /home/andrey/doodle_db) သင်ယူမှုအမြန်နှုန်း၊ ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်နိုင်သော အမျိုးအစားနှင့် အခြားစိတ်ကြိုက်ပြင်ဆင်နိုင်သော ဘောင်များကို စာရင်းထဲသို့ သင်ထည့်နိုင်သည်။ ထုတ်ဝေမှုပြင်ဆင်ခြင်းလုပ်ငန်းစဉ်တွင်, ကဗိသုကာကိုထွက်လှည့် mobilenet_v2 လက်ရှိဗားရှင်းမှ ကရား R ကိုအသုံးပြုသည်။ မဟုတ်ရပါမည် R ပက်ကေ့ဂျ်တွင် ထည့်သွင်းစဉ်းစားခြင်းမရှိသော အပြောင်းအလဲများကြောင့်၊ ၎င်းတို့ကို ပြင်ဆင်ရန် ကျွန်ုပ်တို့ စောင့်မျှော်နေပါသည်။

ဤချဉ်းကပ်မှုသည် RStudio တွင် scripts များကို သာ၍သုံးလေ့ရှိသည်နှင့် နှိုင်းယှဉ်ပါက မတူညီသော မော်ဒယ်များနှင့် စမ်းသပ်မှုများကို သိသိသာသာ အရှိန်မြှင့်နိုင်စေသည် (ပက်ကေ့ဂျ်ကို ဖြစ်နိုင်ခြေရှိသော အခြားရွေးချယ်စရာအဖြစ် ကျွန်ုပ်တို့ မှတ်ယူပါသည်။ tfruns) သို့သော် အဓိကအားသာချက်မှာ ၎င်းအတွက် RStudio ကိုထည့်သွင်းခြင်းမပြုဘဲ Docker တွင် script များဖွင့်ခြင်း သို့မဟုတ် ရိုးရိုးရှင်းရှင်းဖြင့် ဆာဗာပေါ်တွင် အလွယ်တကူစီမံခန့်ခွဲနိုင်ခြင်းဖြစ်သည်။

6. Script များကို Dockerization ပြုလုပ်ခြင်း။

အဖွဲ့၀င်များကြား လေ့ကျင့်ရေးပုံစံများနှင့် cloud တွင် လျင်မြန်စွာ ဖြန့်ကျက်ခြင်းအတွက် ပတ်ဝန်းကျင်၏ သယ်ဆောင်ရလွယ်ကူစေရန်အတွက် Docker ကို ကျွန်ုပ်တို့ အသုံးပြုခဲ့သည်။ R ပရိုဂရမ်မာတစ်ယောက်အတွက် အထူးအဆန်းဖြစ်နေသော ဤကိရိယာကို သင်စတင်သိကျွမ်းနိုင်ပြီဖြစ်သည်။ ဤ စီးရီးများ သို့မဟုတ် ထုတ်ဝေမှုများ ဗီဒီယိုသင်တန်း.

Docker သည် သင့်အား သင့်ကိုယ်ပိုင်ပုံများကို အစမှအဆုံး ဖန်တီးနိုင်ပြီး သင့်ကိုယ်ပိုင်ဖန်တီးမှုအတွက် အခြေခံအဖြစ် အခြားပုံများကို အသုံးပြုနိုင်သည်။ ရရှိနိုင်သောရွေးချယ်မှုများအား ပိုင်းခြားစိတ်ဖြာသောအခါတွင်၊ NVIDIA၊ CUDA+cuDNN ဒရိုက်ဘာများနှင့် Python စာကြည့်တိုက်များကို ထည့်သွင်းခြင်းသည် ရုပ်ပုံ၏ အလွန်တောက်ပသော အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး တရားဝင်ပုံကို အခြေခံအဖြစ် ယူရန် ဆုံးဖြတ်လိုက်ပါသည်။ tensorflow/tensorflow:1.12.0-gpuအဲဒီမှာ လိုအပ်တဲ့ R ပက်ကေ့ခ်ျတွေ ပေါင်းထည့်တယ်။

နောက်ဆုံး docker ဖိုင်သည် ဤကဲ့သို့ ဖြစ်သည်-

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

အဆင်ပြေစေရန်အတွက်၊ အသုံးပြုထားသော ပက်ကေ့ဂျ်များကို ပြောင်းလဲနိုင်သော ပုံစံများဖြင့် ထည့်သွင်းထားပါသည်။ ကွန်တိန်နာအတွင်းတွင် ရေးသားထားသော Script အများစုကို ကွန်တိန်နာအတွင်း ကူးယူပါသည်။ ကျွန်ုပ်တို့သည်လည်း command shell ကိုပြောင်းထားသည်။ /bin/bash အကြောင်းအရာအသုံးပြုရလွယ်ကူစေရန် /etc/os-release. ၎င်းသည် ကုဒ်တွင် OS ဗားရှင်းကို သတ်မှတ်ရန် လိုအပ်မှုကို ရှောင်ရှားခဲ့သည်။

ထို့အပြင်၊ သေးငယ်သော bash script ကိုသင်သည် command အမျိုးမျိုးဖြင့် container တစ်ခုကိုစတင်ရန်ခွင့်ပြုသည်။ ဥပမာအားဖြင့်၊ ၎င်းတို့သည် ကွန်တိန်နာအတွင်း ယခင်က ထားရှိခဲ့သော အာရုံကြောကွန်ရက်များကို လေ့ကျင့်ရန်အတွက် script များ သို့မဟုတ် ကွန်တိန်နာ၏ လုပ်ဆောင်ချက်ကို အမှားရှာပြင်ခြင်းနှင့် စောင့်ကြည့်ခြင်းအတွက် အမိန့်ပေးခွံများ ဖြစ်နိုင်သည်-

ကွန်တိန်နာကိုဖွင့်ရန် Script

#!/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}

ဤ bash script ကို ကန့်သတ်ချက်များမပါဘဲ လုပ်ဆောင်ပါက၊ script ကို container အတွင်းတွင် ခေါ်ပါမည်။ train_nn.R မူရင်းတန်ဖိုးများနှင့်အတူ; အကယ်၍ ပထမ positional argument သည် "bash" ဖြစ်ပါက container သည် command shell ဖြင့် အပြန်အလှန်အကျိုးသက်ရောက်စွာ စတင်မည်ဖြစ်ပါသည်။ အခြားကိစ္စများတွင်၊ positional arguments များ၏တန်ဖိုးများကို အစားထိုးသည်- CMD="Rscript /app/train_nn.R $@".

အရင်းအမြစ်ဒေတာနှင့် ဒေတာဘေ့စ်များပါသည့် လမ်းညွှန်များအပြင် လေ့ကျင့်သင်ကြားထားသော မော်ဒယ်များကို သိမ်းဆည်းရန်အတွက် လမ်းညွှန်များကို လက်ခံဆောင်ရွက်ပေးသည့်စနစ်မှ ကွန်တိန်နာအတွင်းတွင် တပ်ဆင်ထားသောကြောင့် မလိုအပ်ဘဲ ဇာတ်ညွှန်းများ၏ ရလဒ်များကို ဝင်ရောက်ကြည့်ရှုနိုင်စေကြောင်း သတိပြုသင့်သည်။

7. Google Cloud တွင် GPU များစွာကို အသုံးပြုခြင်း။

ပြိုင်ဆိုင်မှု၏အင်္ဂါရပ်များထဲမှတစ်ခုမှာ အလွန်ဆူညံသောဒေတာဖြစ်သည် (ခေါင်းစဉ်ပုံကိုကြည့်ပါ၊ ODS slack မှ @Leigh.plt မှချေးယူထားသည်)။ ကြီးမားသောအသုတ်များသည် ၎င်းကိုတိုက်ဖျက်ရန် ကူညီပေးပြီး GPU 1 ခုပါသည့် PC တွင် စမ်းသပ်မှုများပြီးနောက်၊ cloud ရှိ GPU များစွာတွင် လေ့ကျင့်ရေးမော်ဒယ်များကို ကျွမ်းကျင်ရန် ဆုံးဖြတ်ခဲ့သည်။ သုံးထားသော GoogleCloud (အခြေခံကောင်းလမ်းညွှန်) ရရှိနိုင်သောဖွဲ့စည်းပုံများ အများအပြားရွေးချယ်မှုများကြောင့် ကျိုးကြောင်းဆီလျော်သောစျေးနှုန်းများနှင့် $300 ဘောနပ်စ်များ။ လောဘကြီးစွာဖြင့်၊ SSD နှင့် RAM တစ်တန်ဖြင့် 4xV100 instance တစ်ခုကို မှာယူခဲ့ပြီး ၎င်းသည် ကြီးမားသောအမှားတစ်ခုဖြစ်သည်။ ထိုသို့သောစက်သည် ငွေကို လျင်မြန်စွာစားသည်၊ သက်သေပြထားသော ပိုက်လိုင်းမပါဘဲ စမ်းသပ်မှု ပျက်သွားနိုင်သည်။ ပညာရေးရည်ရွယ်ချက်အတွက် K80 ယူတာ ပိုကောင်းပါတယ်။ ဒါပေမယ့် RAM ပမာဏအများကြီးက အဆင်ပြေပါတယ် - cloud SSD က သူ့ရဲ့စွမ်းဆောင်ရည်ကို အထင်ကြီးမခံတဲ့အတွက် ဒေတာဘေ့စ်ကို လွှဲပြောင်းခဲ့ပါတယ်။ dev/shm.

စိတ်ဝင်စားစရာ အကောင်းဆုံးမှာ GPU အများအပြားကို အသုံးပြုရန် တာဝန်ရှိသော ကုဒ်အပိုင်းအစဖြစ်သည်။ ပထမဦးစွာ၊ မော်ဒယ်ကို Python တွင်ကဲ့သို့ context manager ကိုအသုံးပြု၍ CPU ပေါ်တွင်ဖန်တီးသည်-

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
  )
})

ထို့နောက် စုစည်းမထားသော (အရေးကြီးသည်) မော်ဒယ်ကို ရရှိနိုင်သော GPU အရေအတွက်သို့ ကူးယူပြီး၊ ၎င်းကို စုစည်းပြီးမှသာ-

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)
)

နောက်ဆုံးတစ်ခုမှလွဲ၍ အလွှာအားလုံးကို အေးခဲစေသည့် ဂန္တဝင်နည်းပညာ၊ နောက်ဆုံးအလွှာကို လေ့ကျင့်ပေးခြင်း၊ GPU များစွာအတွက် မော်ဒယ်တစ်ခုလုံးကို အေးခဲစေခြင်းနှင့် ပြန်လည်လေ့ကျင့်ခြင်းတို့ကို အကောင်အထည်မဖော်နိုင်ပါ။

လေ့ကျင့်မှုကို အသုံးမပြုဘဲ စောင့်ကြည့်ခဲ့သည်။ ။မှတ်တမ်းများကို မှတ်တမ်းတင်ခြင်းနှင့် ခေတ်တစ်ခုစီပြီးနောက် သတင်းအချက်အလက်ပေးသည့်အမည်များဖြင့် မော်ဒယ်များကို သိမ်းဆည်းခြင်းတွင် ကျွန်ုပ်တို့အား ကန့်သတ်ခြင်း-

ပြန်လည်ခေါ်ဆိုမှုများ

# 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. ကောက်ချက်ချရာ၌၊

ကျွန်ုပ်တို့ ကြုံတွေ့နေရသော ပြဿနာများစွာကို မကျော်လွှားနိုင်သေးပါ။

• в ကရား အကောင်းဆုံးသင်ယူမှုနှုန်းကို အလိုအလျောက်ရှာဖွေရန်အတွက် အဆင်သင့်လုပ်ထားသော လုပ်ဆောင်ချက်မရှိပါ။ (analogue lr_finder စာကြည့်တိုက်ထဲမှာ fast.ai); အားစိုက်ထုတ်မှုအချို့ဖြင့်၊ ဥပမာအားဖြင့်၊ ပြင်ပအဖွဲ့အစည်း၏အကောင်အထည်ဖော်မှုများကို R သို့ ပေးပို့နိုင်သည်။ ဤ;
• ယခင်အချက်၏အကျိုးဆက်အနေဖြင့် GPU များစွာကိုအသုံးပြုသည့်အခါ မှန်ကန်သောလေ့ကျင့်ရေးအမြန်နှုန်းကို ရွေးချယ်ရန် မဖြစ်နိုင်ပါ။
• အထူးသဖြင့် imagenet တွင် ကြိုတင်လေ့ကျင့်ထားသော ခေတ်မီအာရုံကြောကွန်ရက်ဗိသုကာလက်ရာများ နည်းပါးနေပါသည်။
• မူဝါဒနှင့် ခွဲခြားဆက်ဆံမှုဆိုင်ရာ သင်ယူမှုနှုန်းများကို သံသရာလည်ခြင်းမရှိပါ (cosine annealing သည် ကျွန်ုပ်တို့၏တောင်းဆိုချက်အရဖြစ်သည်။ အကောင်အထည်ဖော်ခဲ့သည်။, ကျေးဇူးတင်ပါတယ် စကီးဒန်).

ဒီပြိုင်ပွဲကနေ ဘယ်လို အသုံးဝင်တဲ့အရာတွေကို သင်ယူခဲ့ရလဲ။

• ပါဝါနည်းပါးသော ဟာ့ဒ်ဝဲတွင်၊ သင်သည် နာကျင်မှုမရှိဘဲ သင့်လျော်သော (RAM ၏ အရွယ်အစား အဆများစွာ) ဒေတာပမာဏများဖြင့် လုပ်ဆောင်နိုင်သည်။ ပလပ်စတစ်အိတ် ဒေတာ ၎င်းတို့ကို ကူးယူခြင်းမှ ရှောင်ကြဉ်ပြီး မှန်ကန်စွာ အသုံးပြုသောအခါတွင်၊ ၎င်း၏ စွမ်းဆောင်ရည်များသည် ကျွန်ုပ်တို့ထံ ဇာတ်ညွှန်းရေးသားသည့် ဘာသာစကားများအတွက် သိကြသည့် ကိရိယာအားလုံးကြားတွင် အမြင့်ဆုံးမြန်နှုန်းကို အမြဲတမ်းနီးပါး ပြသနေသောကြောင့် မှတ်ဉာဏ်ကို သိမ်းဆည်းပေးပါသည်။ ဒေတာဘေ့စ်တစ်ခုတွင် ဒေတာသိမ်းဆည်းခြင်းသည် များစွာသောကိစ္စများတွင် ဒေတာအတွဲတစ်ခုလုံးကို RAM အတွင်းသို့ ညှစ်ထုတ်ရန် မလိုအပ်ကြောင်း လုံးဝမတွေးဘဲ ထားနိုင်စေပါသည်။
• ပက်ကေ့ဂျ်ကို အသုံးပြု၍ R တွင် နှေးကွေးသော လုပ်ဆောင်ချက်များကို C++ တွင် မြန်ဆန်သော အရာများဖြင့် အစားထိုးနိုင်သည်။ Rcpp. အပြင်ကိုသုံးရင် RcppThread သို့မဟုတ် RcppParallelကျွန်ုပ်တို့သည် cross-platform multi-threaded အကောင်အထည်ဖော်မှုများကို ရရှိသည်၊ ထို့ကြောင့် R အဆင့်တွင် ကုဒ်ကို အပြိုင်ဆွဲရန် မလိုအပ်ပါ။
• အထုပ် Rcpp C++ ကို လေးနက်စွာ မသိဘဲ အသုံးပြုနိုင်သည်၊ လိုအပ်သော အနိမ့်ဆုံးကို ဖော်ပြထားပါသည်။ ဒီမှာ. အမိုက်စား C-libraries အများအပြားအတွက် ခေါင်းစီးဖိုင်များ xtensor CRAN တွင် ရရှိနိုင်သည်၊ ဆိုလိုသည်မှာ၊ အဆင်သင့်လုပ်ထားသော စွမ်းဆောင်ရည်မြင့် C++ ကုဒ်ကို R သို့ ပေါင်းစပ်ထားသည့် ပရောဂျက်များကို အကောင်အထည်ဖော်ရန်အတွက် အခြေခံအဆောက်အဦတစ်ခုကို ဖွဲ့စည်းထားပါသည်။ ထပ်လောင်းအဆင်ပြေမှုမှာ RStudio ရှိ static C++ ကုဒ်ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခုဖြစ်သည်။
• docopt parameters များဖြင့် ကိုယ်တိုင်ပါရှိသော script များကို run နိုင်စေပါသည်။ ၎င်းသည် အဝေးထိန်းဆာဗာတွင် အသုံးပြုရန် အဆင်ပြေသည်။ docker အောက်တွင်။ RStudio တွင်၊ လေ့ကျင့်ရေးအာရုံကြောကွန်ရက်များနှင့်အတူ နာရီပေါင်းများစွာ စမ်းသပ်မှုများပြုလုပ်ရန် အဆင်မပြေဖြစ်ပြီး ဆာဗာပေါ်တွင် IDE ကို ထည့်သွင်းခြင်းသည် အမြဲတမ်း တရားမျှတမှုမရှိပါ။
• Docker သည် OS နှင့် libraries အမျိုးမျိုးရှိ developer များကြားတွင် ရလဒ်များကို သယ်ဆောင်ရလွယ်ကူပြီး ပြန်ထုတ်ပေးနိုင်မှုကို သေချာစေသည့်အပြင် ဆာဗာများတွင် လုပ်ဆောင်ရလွယ်ကူစေသည်။ အမိန့်တစ်ခုတည်းဖြင့် လေ့ကျင့်ရေးပိုက်လိုင်းတစ်ခုလုံးကို သင်စတင်နိုင်သည်။
• Google Cloud သည် စျေးကြီးသော ဟာ့ဒ်ဝဲကို စမ်းသပ်ရန် ဘတ်ဂျက်နှင့် အဆင်ပြေသော နည်းလမ်းဖြစ်သည်၊ သို့သော် သင်ဂရုတစိုက် ဖွဲ့စည်းမှုပုံစံများကို ရွေးချယ်ရန် လိုအပ်ပါသည်။
• ကုဒ်အပိုင်းအစတစ်ခုချင်းစီ၏ အမြန်နှုန်းကို တိုင်းတာခြင်းသည် အထူးသဖြင့် R နှင့် C++ ကို ပေါင်းစပ်လိုက်သောအခါတွင်၊ package နှင့် အလွန်အသုံးဝင်ပါသည်။ ခုံရှည် - အရမ်းလွယ်ပါတယ်။

ယေဘုယျအားဖြင့် ဤအတွေ့အကြုံသည် အလွန်အကျိုးရှိပြီး ပေါ်ပေါက်လာသော ပြဿနာအချို့ကို ဖြေရှင်းရန် ကျွန်ုပ်တို့ ဆက်လက်လုပ်ဆောင်ပါသည်။

source: www.habr.com