द्रुत ड्र डूडल पहिचान: कसरी R, C++ र न्यूरल नेटवर्कहरूसँग साथी बनाउने

हे हाबर!

पछिल्लो पतनमा, Kaggle ले हातले कोरेका तस्बिरहरू, Quick Draw Doodle Recognition को वर्गीकरण गर्न प्रतियोगिताको आयोजना गर्यो, जसमा, अरूहरू मध्ये, R-वैज्ञानिकहरूको टोलीले भाग लिए: Artem Klevtsova, फिलिप्पा प्रबन्धक и Andrey Ogurtsov। हामी प्रतियोगिताको विस्तृत वर्णन गर्दैनौं; त्यो पहिले नै गरिसकिएको छ भर्खरको प्रकाशन.

यस पटक यो पदक खेती संग काम गरेन, तर धेरै बहुमूल्य अनुभव प्राप्त भयो, त्यसैले म समुदायलाई कागले र दैनिक काममा धेरै रोचक र उपयोगी चीजहरूको बारेमा बताउन चाहन्छु। छलफल गरिएका विषयहरू मध्ये: बिना कठिन जीवन OpenCV, JSON पार्सिङ (यी उदाहरणहरूले R मा लिपि वा प्याकेजहरूमा C++ कोडको एकीकरण परीक्षण गर्दछ Rcpp), स्क्रिप्टको प्यारामिटराइजेशन र अन्तिम समाधानको डकराइजेशन। सन्देशबाट सबै कोड कार्यान्वयनको लागि उपयुक्त फारममा उपलब्ध छ भण्डारहरू.

सामग्रीहरू:

1. CSV बाट MonetDB मा डेटा कुशलतापूर्वक लोड गर्नुहोस्
2. ब्याचहरू तयार गर्दै
3. डाटाबेसबाट ब्याचहरू अनलोड गर्नका लागि पुनरावृत्तिहरू
4. मोडेल वास्तुकला चयन गर्दै
5. स्क्रिप्ट प्यारामिटराइजेशन
6. लिपिहरूको डकरीकरण
7. गुगल क्लाउडमा धेरै GPU हरू प्रयोग गर्दै
8. बरु एक निष्कर्षमा को

1. मोनेटडीबी डाटाबेसमा CSV बाट डाटा कुशलतापूर्वक लोड गर्नुहोस्

यस प्रतियोगितामा डेटा तयार छविहरूको रूपमा प्रदान गरिएको छैन, तर 340 CSV फाइलहरूको रूपमा (प्रत्येक कक्षाको लागि एउटा फाइल) बिन्दु समन्वयहरू सहित JSON हरू। यी बिन्दुहरूलाई रेखाहरूसँग जोडेर, हामीले २५६x२५६ पिक्सेल नाप्ने अन्तिम छवि पाउँछौँ। साथै प्रत्येक रेकर्डको लागि त्यहाँ डेटासेट सङ्कलन गर्दा प्रयोग गरिएको वर्गीकरणकर्ताद्वारा तस्वीर सही रूपमा पहिचान गरिएको थियो कि भनेर संकेत गर्ने लेबल हुन्छ, चित्रको लेखकको निवासको देशको दुई-अक्षरको कोड, एक अद्वितीय पहिचानकर्ता, टाइमस्ट्याम्प। र फाइल नामसँग मिल्ने वर्गको नाम। मूल डाटाको सरल संस्करणको तौल अभिलेखमा ७.४ जीबी हुन्छ र अनप्याक गरिसकेपछि लगभग २० जीबी हुन्छ, अनप्याक गरेपछि पूर्ण डाटाले २४० जीबी लिन्छ। आयोजकहरूले सुनिश्चित गरे कि दुबै संस्करणहरूले एउटै रेखाचित्रहरू पुन: उत्पादन गरे, जसको अर्थ पूर्ण संस्करण अनावश्यक थियो। जे भए पनि, ग्राफिक फाइलहरूमा वा एरेको रूपमा 256 मिलियन छविहरू भण्डारण गर्नुलाई तुरुन्तै लाभदायी मानिन्थ्यो, र हामीले अभिलेखबाट सबै CSV फाइलहरू मर्ज गर्ने निर्णय गर्यौं। train_simplified.zip प्रत्येक ब्याचको लागि "उडानमा" आवश्यक आकारको छविहरूको पछिल्ला पुस्ताको साथ डेटाबेसमा।

DBMS को रूपमा एक राम्रो प्रमाणित प्रणाली छनोट गरिएको थियो MonetDB, अर्थात् प्याकेजको रूपमा R को लागि कार्यान्वयन MonetDBLite। प्याकेजले डाटाबेस सर्भरको एम्बेडेड संस्करण समावेश गर्दछ र तपाइँलाई आर सत्रबाट सीधा सर्भर उठाउन र त्यहाँ काम गर्न अनुमति दिन्छ। एक डाटाबेस सिर्जना र यसलाई जडान एक आदेश संग प्रदर्शन गरिन्छ:

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

हामीले दुईवटा तालिकाहरू सिर्जना गर्न आवश्यक हुनेछ: एउटा सबै डेटाको लागि, अर्को डाउनलोड गरिएका फाइलहरूको बारेमा सेवा जानकारीको लागि (केही गडबड भएमा उपयोगी छ र धेरै फाइलहरू डाउनलोड गरेपछि प्रक्रिया पुन: सुरु गर्नुपर्छ):

तालिकाहरू सिर्जना गर्दै

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"
    )
  )
}

डाटाबेसमा डाटा लोड गर्ने सबैभन्दा छिटो तरिका SQL - आदेश प्रयोग गरेर सीधा CSV फाइलहरू प्रतिलिपि गर्न थियो COPY OFFSET 2 INTO tablename FROM path USING DELIMITERS ',','n','"' NULL AS '' BEST EFFORTकहाँ tablename - तालिका नाम र path - फाइलको बाटो। अभिलेख संग काम गर्दा, यो बिल्ट-इन कार्यान्वयन पत्ता लाग्यो unzip in R ले अभिलेखबाट धेरै फाइलहरूसँग सही रूपमा काम गर्दैन, त्यसैले हामीले प्रणाली प्रयोग गर्यौं unzip (प्यारामिटर प्रयोग गरेर getOption("unzip")).

डाटाबेसमा लेख्नको लागि कार्य

#' @title Извлечение и загрузка файлов
#'
#' @description
#' Извлечение CSV-файлов из ZIP-архива и загрузка их в базу данных
#'
#' @param con Объект подключения к базе данных (класс `MonetDBEmbeddedConnection`).
#' @param tablename Название таблицы в базе данных.
#' @oaram zipfile Путь к ZIP-архиву.
#' @oaram filename Имя файла внури ZIP-архива.
#' @param preprocess Функция предобработки, которая будет применена извлечённому файлу.
#'   Должна принимать один аргумент `data` (объект `data.table`).
#'
#' @return `TRUE`.
#'
upload_file <- function(con, tablename, zipfile, filename, preprocess = NULL) {
  # Проверка аргументов
  checkmate::assert_class(con, "MonetDBEmbeddedConnection")
  checkmate::assert_string(tablename)
  checkmate::assert_string(filename)
  checkmate::assert_true(DBI::dbExistsTable(con, tablename))
  checkmate::assert_file_exists(zipfile, access = "r", extension = "zip")
  checkmate::assert_function(preprocess, args = c("data"), null.ok = TRUE)

  # Извлечение файла
  path <- file.path(tempdir(), filename)
  unzip(zipfile, files = filename, exdir = tempdir(), 
        junkpaths = TRUE, unzip = getOption("unzip"))
  on.exit(unlink(file.path(path)))

  # Применяем функция предобработки
  if (!is.null(preprocess)) {
    .data <- data.table::fread(file = path)
    .data <- preprocess(data = .data)
    data.table::fwrite(x = .data, file = path, append = FALSE)
    rm(.data)
  }

  # Запрос к БД на импорт CSV
  sql <- sprintf(
    "COPY OFFSET 2 INTO %s FROM '%s' USING DELIMITERS ',','n','"' NULL AS '' BEST EFFORT",
    tablename, path
  )
  # Выполнение запроса к БД
  DBI::dbExecute(con, sql)

  # Добавление записи об успешной загрузке в служебную таблицу
  DBI::dbExecute(con, sprintf("INSERT INTO upload_log(file_name, uploaded) VALUES('%s', true)",
                              filename))

  return(invisible(TRUE))
}

यदि तपाइँ यसलाई डेटाबेसमा लेख्नु अघि तालिका परिवर्तन गर्न आवश्यक छ भने, यो तर्कमा पास गर्न पर्याप्त छ। preprocess प्रकार्य जसले डाटा परिवर्तन गर्नेछ।

डाटाबेसमा क्रमिक रूपमा डाटा लोड गर्नको लागि कोड:

डाटाबेसमा डाटा लेख्दै

# 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

डाटा लोडिङ समय प्रयोग गरिएको ड्राइव को गति विशेषताहरु मा निर्भर गर्दछ भिन्न हुन सक्छ। हाम्रो अवस्थामा, एउटा SSD भित्र वा फ्ल्यास ड्राइभ (स्रोत फाइल) बाट SSD (DB) मा पढ्न र लेख्न १० मिनेट भन्दा कम समय लाग्छ।

पूर्णांक वर्ग लेबल र अनुक्रमणिका स्तम्भ (ORDERED INDEX) रेखा संख्याहरू जसद्वारा ब्याचहरू सिर्जना गर्दा अवलोकनहरू नमूना हुनेछन्:

अतिरिक्त स्तम्भ र अनुक्रमणिका सिर्जना गर्दै

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)"))

उडानमा ब्याच सिर्जना गर्ने समस्या समाधान गर्न, हामीले तालिकाबाट अनियमित पङ्क्तिहरू निकाल्ने अधिकतम गति हासिल गर्न आवश्यक छ। doodles। यसका लागि हामीले ३ वटा युक्तिहरू प्रयोग गरेका छौं। पहिलो भनेको अवलोकन आईडी भण्डारण गर्ने प्रकारको आयाम घटाउनु थियो। मूल डेटा सेटमा, ID भण्डारण गर्न आवश्यक प्रकार हो bigint, तर अवलोकनहरूको संख्याले तिनीहरूको पहिचानकर्ताहरूलाई क्रमबद्ध संख्याको बराबर, प्रकारमा फिट गर्न सम्भव बनाउँछ। int। यस मामला मा खोज धेरै छिटो छ। दोस्रो चाल प्रयोग गर्न थियो ORDERED INDEX - हामी यो निर्णयमा प्रायोगिक रूपमा आएका छौं, सबै उपलब्ध मार्फत गएर विकल्पहरू। तेस्रो प्यारामिटराइज्ड प्रश्नहरू प्रयोग गर्न थियो। विधिको सार भनेको आदेशलाई एक पटक कार्यान्वयन गर्नु हो PREPARE एउटै प्रकारको प्रश्नहरूको गुच्छा सिर्जना गर्दा तयार अभिव्यक्तिको पछिल्ला प्रयोगको साथ, तर वास्तवमा त्यहाँ एक साधारणसँग तुलनामा फाइदा छ। SELECT सांख्यिकीय त्रुटिको दायरा भित्र बाहिर निस्कियो।

डाटा अपलोड गर्ने प्रक्रियाले RAM को 450 MB भन्दा बढी खपत गर्दैन। त्यो हो, वर्णन गरिएको दृष्टिकोणले तपाइँलाई केहि एकल-बोर्ड उपकरणहरू सहित, लगभग कुनै पनि बजेट हार्डवेयरमा दशौं गिगाबाइट तौलको डेटासेटहरू सार्न अनुमति दिन्छ, जुन धेरै राम्रो छ।

बाँकी रहेका सबै (यादृच्छिक) डाटा पुन: प्राप्त गर्ने गति मापन गर्न र विभिन्न आकारका ब्याचहरू नमूना गर्दा स्केलिङको मूल्याङ्कन गर्नु हो:

डाटाबेस बेन्चमार्क

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. ब्याचहरू तयार गर्दै

सम्पूर्ण ब्याच तयारी प्रक्रिया निम्न चरणहरू समावेश गर्दछ:

1. बिन्दुहरूको समन्वयका साथ स्ट्रिङका भेक्टरहरू समावेश भएका धेरै JSON हरू पार्स गर्दै।
2. आवश्यक साइजको छविमा बिन्दुहरूको निर्देशांकमा आधारित रंगीन रेखाहरू कोर्दै (उदाहरणका लागि, 256×256 वा 128×128)।
3. परिणामस्वरूप छविहरूलाई टेन्सरमा रूपान्तरण गर्दै।

पाइथन कर्नेलहरू बीचको प्रतिस्पर्धाको भागको रूपमा, समस्या मुख्य रूपमा प्रयोग गरेर हल गरिएको थियो OpenCV। R मा सबै भन्दा सरल र सबैभन्दा स्पष्ट analogues मध्ये एक यस्तो देखिन्छ:

R मा टेन्सर रूपान्तरणमा JSON लाई कार्यान्वयन गर्दै

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)
}

रेखाचित्र मानक R उपकरणहरू प्रयोग गरेर प्रदर्शन गरिन्छ र RAM मा भण्डारण गरिएको अस्थायी PNG मा बचत गरिन्छ (लिनक्समा, अस्थायी R डाइरेक्टरीहरू डाइरेक्टरीमा अवस्थित छन्। /tmp, RAM मा माउन्ट गरिएको)। यस फाइललाई ० देखि १ सम्मका संख्याहरू सहितको त्रि-आयामी एरेको रूपमा पढिन्छ। यो महत्त्वपूर्ण छ किनभने अधिक परम्परागत BMP हेक्स रङ कोडहरू भएको कच्चा एरेमा पढिनेछ।

नतिजा परीक्षण गरौं:

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))

ब्याच आफैं निम्नानुसार गठन हुनेछ:

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

यो कार्यान्वयन हामीलाई सबोप्टिमल जस्तो लाग्यो, किनकि ठूला ब्याचहरूको गठनले अशोभनीय रूपमा लामो समय लिन्छ, र हामीले शक्तिशाली पुस्तकालय प्रयोग गरेर हाम्रा सहकर्मीहरूको अनुभवको फाइदा उठाउने निर्णय गर्यौं। OpenCV। त्यसबेला R को लागि कुनै तयार प्याकेज थिएन (अहिले कुनै पनि छैन), त्यसैले आवश्यक कार्यक्षमताको न्यूनतम कार्यान्वयन C++ मा लेखिएको थियो R कोड प्रयोग गरेर एकीकरणको साथ। Rcpp.

समस्या समाधान गर्न, निम्न प्याकेज र पुस्तकालयहरू प्रयोग गरियो:

1. OpenCV छविहरू र रेखाचित्र रेखाहरूसँग काम गर्नको लागि। पूर्व-स्थापित प्रणाली पुस्तकालयहरू र हेडर फाइलहरू, साथै गतिशील लिङ्किङ प्रयोग गरियो।

2. xtensor बहुआयामी arrays र tensors संग काम गर्न को लागी। हामीले एउटै नामको आर प्याकेजमा समावेश हेडर फाइलहरू प्रयोग गर्यौं। पुस्तकालयले तपाईंलाई पङ्क्ति प्रमुख र स्तम्भ प्रमुख क्रममा, बहुआयामिक एरेहरूसँग काम गर्न अनुमति दिन्छ।

3. ndjson JSON पार्सिङको लागि। यो पुस्तकालय मा प्रयोग गरिन्छ xtensor स्वचालित रूपमा यदि यो परियोजना मा उपस्थित छ।

4. RcppThread JSON बाट भेक्टरको बहु-थ्रेडेड प्रशोधन व्यवस्थित गर्नको लागि। यो प्याकेज द्वारा प्रदान गरिएको हेडर फाइलहरू प्रयोग गरियो। अधिक लोकप्रिय बाट Rcpp समानान्तर प्याकेज, अन्य चीजहरूको बीचमा, निर्मित लूप अवरोध संयन्त्र छ।

यो उल्लेख गर्न लायक छ xtensor एक गॉडसेन्ड हुन पुग्यो: यस तथ्यको अतिरिक्त कि यसमा व्यापक कार्यक्षमता र उच्च प्रदर्शन छ, यसको विकासकर्ताहरू एकदम उत्तरदायी र तुरुन्तै र विस्तृत रूपमा प्रश्नहरूको जवाफ दिए। तिनीहरूको मद्दतले, ओपनसीभी म्याट्रिक्सलाई xtensor टेन्सरहरूमा रूपान्तरणहरू कार्यान्वयन गर्न सम्भव थियो, साथै 3-आयामी छवि टेन्सरहरूलाई सही आयामको 4-आयामी टेन्सरमा संयोजन गर्ने तरिका (ब्याच आफैं)।

Rcpp, xtensor र RcppThread सिक्नको लागि सामग्री

https://thecoatlessprofessor.com/programming/unofficial-rcpp-api-documentation

https://docs.opencv.org/4.0.1/d7/dbd/group__imgproc.html

https://xtensor.readthedocs.io/en/latest/

https://xtensor.readthedocs.io/en/latest/file_loading.html#loading-json-data-into-xtensor

https://cran.r-project.org/web/packages/RcppThread/vignettes/RcppThread-vignette.pdf

प्रणाली फाइलहरू र प्रणालीमा स्थापित पुस्तकालयहरूसँग गतिशील लिङ्किङ प्रयोग गर्ने फाइलहरू कम्पाइल गर्न, हामीले प्याकेजमा लागू गरिएको प्लगइन मेकानिजम प्रयोग गर्यौं। Rcpp। स्वचालित रूपमा मार्ग र झण्डाहरू फेला पार्न, हामीले लोकप्रिय लिनक्स उपयोगिता प्रयोग गर्यौं pkg- कन्फिगरेसन.

OpenCV पुस्तकालय प्रयोग गर्नको लागि Rcpp प्लगइनको कार्यान्वयन

Rcpp::registerPlugin("opencv", function() {
  # Возможные названия пакета
  pkg_config_name <- c("opencv", "opencv4")
  # Бинарный файл утилиты pkg-config
  pkg_config_bin <- Sys.which("pkg-config")
  # Проврека наличия утилиты в системе
  checkmate::assert_file_exists(pkg_config_bin, access = "x")
  # Проверка наличия файла настроек OpenCV для pkg-config
  check <- sapply(pkg_config_name, 
                  function(pkg) system(paste(pkg_config_bin, pkg)))
  if (all(check != 0)) {
    stop("OpenCV config for the pkg-config not found", call. = FALSE)
  }

  pkg_config_name <- pkg_config_name[check == 0]
  list(env = list(
    PKG_CXXFLAGS = system(paste(pkg_config_bin, "--cflags", pkg_config_name), 
                          intern = TRUE),
    PKG_LIBS = system(paste(pkg_config_bin, "--libs", pkg_config_name), 
                      intern = TRUE)
  ))
})

प्लगइनको सञ्चालनको नतिजाको रूपमा, निम्न मानहरू संकलन प्रक्रियाको क्रममा प्रतिस्थापन गरिनेछ:

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 गर्न र मोडेलमा प्रसारणको लागि ब्याच उत्पन्न गर्ने कार्यान्वयन कोड स्पोइलर अन्तर्गत दिइएको छ। पहिले, हेडर फाइलहरू खोज्नको लागि स्थानीय परियोजना डाइरेक्टरी थप्नुहोस् (ndjson को लागि आवश्यक):

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

C++ मा टेन्सर रूपान्तरणमा JSON को कार्यान्वयन

// [[Rcpp::plugins(cpp14)]]
// [[Rcpp::plugins(opencv)]]
// [[Rcpp::depends(xtensor)]]
// [[Rcpp::depends(RcppThread)]]

#include <xtensor/xjson.hpp>
#include <xtensor/xadapt.hpp>
#include <xtensor/xview.hpp>
#include <xtensor-r/rtensor.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <Rcpp.h>
#include <RcppThread.h>

// Синонимы для типов
using RcppThread::parallelFor;
using json = nlohmann::json;
using points = xt::xtensor<double,2>;     // Извлечённые из JSON координаты точек
using strokes = std::vector<points>;      // Извлечённые из JSON координаты точек
using xtensor3d = xt::xtensor<double, 3>; // Тензор для хранения матрицы изоображения
using xtensor4d = xt::xtensor<double, 4>; // Тензор для хранения множества изображений
using rtensor3d = xt::rtensor<double, 3>; // Обёртка для экспорта в R
using rtensor4d = xt::rtensor<double, 4>; // Обёртка для экспорта в R

// Статические константы
// Размер изображения в пикселях
const static int SIZE = 256;
// Тип линии
// См. https://en.wikipedia.org/wiki/Pixel_connectivity#2-dimensional
const static int LINE_TYPE = cv::LINE_4;
// Толщина линии в пикселях
const static int LINE_WIDTH = 3;
// Алгоритм ресайза
// https://docs.opencv.org/3.1.0/da/d54/group__imgproc__transform.html#ga5bb5a1fea74ea38e1a5445ca803ff121
const static int RESIZE_TYPE = cv::INTER_LINEAR;

// Шаблон для конвертирования OpenCV-матрицы в тензор
template <typename T, int NCH, typename XT=xt::xtensor<T,3,xt::layout_type::column_major>>
XT to_xt(const cv::Mat_<cv::Vec<T, NCH>>& src) {
  // Размерность целевого тензора
  std::vector<int> shape = {src.rows, src.cols, NCH};
  // Общее количество элементов в массиве
  size_t size = src.total() * NCH;
  // Преобразование cv::Mat в xt::xtensor
  XT res = xt::adapt((T*) src.data, size, xt::no_ownership(), shape);
  return res;
}

// Преобразование JSON в список координат точек
strokes parse_json(const std::string& x) {
  auto j = json::parse(x);
  // Результат парсинга должен быть массивом
  if (!j.is_array()) {
    throw std::runtime_error("'x' must be JSON array.");
  }
  strokes res;
  res.reserve(j.size());
  for (const auto& a: j) {
    // Каждый элемент массива должен быть 2-мерным массивом
    if (!a.is_array() || a.size() != 2) {
      throw std::runtime_error("'x' must include only 2d arrays.");
    }
    // Извлечение вектора точек
    auto p = a.get<points>();
    res.push_back(p);
  }
  return res;
}

// Отрисовка линий
// Цвета HSV
cv::Mat ocv_draw_lines(const strokes& x, bool color = true) {
  // Исходный тип матрицы
  auto stype = color ? CV_8UC3 : CV_8UC1;
  // Итоговый тип матрицы
  auto dtype = color ? CV_32FC3 : CV_32FC1;
  auto bg = color ? cv::Scalar(0, 0, 255) : cv::Scalar(255);
  auto col = color ? cv::Scalar(0, 255, 220) : cv::Scalar(0);
  cv::Mat img = cv::Mat(SIZE, SIZE, stype, bg);
  // Количество линий
  size_t n = x.size();
  for (const auto& s: x) {
    // Количество точек в линии
    size_t n_points = s.shape()[1];
    for (size_t i = 0; i < n_points - 1; ++i) {
      // Точка начала штриха
      cv::Point from(s(0, i), s(1, i));
      // Точка окончания штриха
      cv::Point to(s(0, i + 1), s(1, i + 1));
      // Отрисовка линии
      cv::line(img, from, to, col, LINE_WIDTH, LINE_TYPE);
    }
    if (color) {
      // Меняем цвет линии
      col[0] += 180 / n;
    }
  }
  if (color) {
    // Меняем цветовое представление на RGB
    cv::cvtColor(img, img, cv::COLOR_HSV2RGB);
  }
  // Меняем формат представления на float32 с диапазоном [0, 1]
  img.convertTo(img, dtype, 1 / 255.0);
  return img;
}

// Обработка JSON и получение тензора с данными изображения
xtensor3d process(const std::string& x, double scale = 1.0, bool color = true) {
  auto p = parse_json(x);
  auto img = ocv_draw_lines(p, color);
  if (scale != 1) {
    cv::Mat out;
    cv::resize(img, out, cv::Size(), scale, scale, RESIZE_TYPE);
    cv::swap(img, out);
    out.release();
  }
  xtensor3d arr = color ? to_xt<double,3>(img) : to_xt<double,1>(img);
  return arr;
}

// [[Rcpp::export]]
rtensor3d cpp_process_json_str(const std::string& x, 
                               double scale = 1.0, 
                               bool color = true) {
  xtensor3d res = process(x, scale, color);
  return res;
}

// [[Rcpp::export]]
rtensor4d cpp_process_json_vector(const std::vector<std::string>& x, 
                                  double scale = 1.0, 
                                  bool color = false) {
  size_t n = x.size();
  size_t dim = floor(SIZE * scale);
  size_t channels = color ? 3 : 1;
  xtensor4d res({n, dim, dim, channels});
  parallelFor(0, n, [&x, &res, scale, color](int i) {
    xtensor3d tmp = process(x[i], scale, color);
    auto view = xt::view(res, i, xt::all(), xt::all(), xt::all());
    view = tmp;
  });
  return res;
}

यो कोड फाइलमा राख्नुपर्छ src/cv_xt.cpp र आदेश संग कम्पाइल गर्नुहोस् Rcpp::sourceCpp(file = "src/cv_xt.cpp", env = .GlobalEnv); कामको लागि पनि आवश्यक छ nlohmann/json.hpp बाट REPOSITORIA। कोड धेरै प्रकार्यहरूमा विभाजित छ:

• to_xt - छवि म्याट्रिक्स रूपान्तरणको लागि टेम्प्लेट गरिएको प्रकार्य (cv::Mat) टेन्सरमा xt::xtensor;

• parse_json - प्रकार्यले JSON स्ट्रिङलाई पार्स गर्छ, बिन्दुहरूको निर्देशांकहरू निकाल्छ, तिनीहरूलाई भेक्टरमा प्याक गर्छ;

• ocv_draw_lines - बिन्दुहरूको नतिजा भेक्टरबाट, बहु-रंग रेखाहरू कोर्छ;

• process - माथिका प्रकार्यहरू संयोजन गर्दछ र परिणामस्वरूप छवि मापन गर्ने क्षमता पनि थप्छ;

• cpp_process_json_str - समारोह माथि र्‍यापर process, जसले परिणामलाई R-वस्तु (बहु-आयामी एरे) मा निर्यात गर्दछ;

• cpp_process_json_vector - समारोह माथि र्‍यापर cpp_process_json_str, जसले तपाईंलाई बहु-थ्रेडेड मोडमा स्ट्रिङ भेक्टर प्रशोधन गर्न अनुमति दिन्छ।

बहु-रङ रेखाहरू कोर्नको लागि, HSV रङ मोडेल प्रयोग गरिएको थियो, त्यसपछि RGB मा रूपान्तरण। नतिजा परीक्षण गरौं:

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

R र C++ मा कार्यान्वयनको गतिको 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") 

तपाईले देख्न सक्नुहुने रूपमा, गति वृद्धि धेरै महत्त्वपूर्ण भयो, र R कोड समानान्तर गरेर C++ कोडसँग समात्न सम्भव छैन।

3. डाटाबेसबाट ब्याचहरू अनलोड गर्नका लागि पुनरावृत्तिहरू

R सँग RAM मा फिट हुने डाटा प्रशोधन गर्नको लागि राम्रोसँग योग्य प्रतिष्ठा छ, जबकि पाइथनलाई पुनरावृत्ति डेटा प्रशोधनद्वारा अधिक विशेषता दिइएको छ, जसले तपाईंलाई सजिलै र स्वाभाविक रूपमा आउट-अफ-कोर गणनाहरू (बाह्य मेमोरी प्रयोग गरेर गणनाहरू) लागू गर्न अनुमति दिन्छ। वर्णन गरिएको समस्याको सन्दर्भमा हाम्रो लागि एक क्लासिक र सान्दर्भिक उदाहरण भनेको ग्रेडियन्ट डिसेन्ट विधिद्वारा प्रशिक्षित गहिरो न्यूरल नेटवर्कहरू हो जुन प्रत्येक चरणमा अवलोकनको सानो भाग वा मिनी-ब्याच प्रयोग गरेर ग्रेडियन्टको अनुमानित हुन्छ।

पाइथनमा लेखिएका डीप लर्निंग फ्रेमवर्कहरूमा डेटामा आधारित पुनरावृत्तिहरू लागू गर्ने विशेष कक्षाहरू छन्: तालिकाहरू, फोल्डरहरूमा चित्रहरू, बाइनरी ढाँचाहरू, इत्यादि। तपाईंले तयार विकल्पहरू प्रयोग गर्न सक्नुहुन्छ वा विशिष्ट कार्यहरूको लागि आफ्नै लेख्न सक्नुहुन्छ। R मा हामीले पाइथन लाइब्रेरीका सबै सुविधाहरूको फाइदा लिन सक्छौं केरास एउटै नामको प्याकेज प्रयोग गरेर यसको विभिन्न ब्याकएन्डहरूसँग, जसले प्याकेजको शीर्षमा काम गर्दछ जाली। पछिल्लो एक अलग लामो लेख योग्य छ; यसले तपाइँलाई R बाट पाइथन कोड चलाउन मात्र अनुमति दिँदैन, तर तपाइँलाई सबै आवश्यक प्रकारका रूपान्तरणहरू स्वचालित रूपमा प्रदर्शन गर्दै R र पाइथन सत्रहरू बीच वस्तुहरू स्थानान्तरण गर्न अनुमति दिन्छ।

हामीले MonetDBLite प्रयोग गरेर RAM मा सबै डाटा भण्डारण गर्ने आवश्यकताबाट छुटकारा पायौं, सबै "न्यूरल नेटवर्क" कार्यहरू पाइथनमा मूल कोडद्वारा प्रदर्शन गरिनेछ, हामीले डाटामा पुनरावृत्ति लेख्नु पर्छ, किनकि त्यहाँ केहि तयार छैन। R वा पाइथनमा यस्तो अवस्थाको लागि। त्यहाँ अनिवार्य रूपमा यसको लागि केवल दुई आवश्यकताहरू छन्: यसले अनन्त लुपमा ब्याचहरू फर्काउनु पर्छ र पुनरावृत्तिहरू बीचको स्थिति बचत गर्नुपर्छ (R मा पछिल्लो क्लोजरहरू प्रयोग गरेर सरल तरिकामा लागू गरिएको छ)। पहिले, यो स्पष्ट रूपमा आर एरेहरूलाई पुनरावृत्ति भित्र नम्पी एरेहरूमा रूपान्तरण गर्न आवश्यक थियो, तर प्याकेजको हालको संस्करण केरास आफै गर्छ।

प्रशिक्षण र प्रमाणीकरण डेटाको लागि पुनरावृत्ति निम्नानुसार भयो:

प्रशिक्षण र प्रमाणीकरण डेटाको लागि पुनरावृत्ति

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)
  }
}

प्रकार्यले डाटाबेससँग जडान भएको चर इनपुटको रूपमा लिन्छ, प्रयोग गरिएका लाइनहरूको संख्या, वर्गहरूको संख्या, ब्याच साइज, स्केल (scale = 1 256x256 पिक्सेलको छविहरू रेन्डरिङसँग मेल खान्छ, scale = 0.5 - 128x128 पिक्सेल), रंग सूचक (color = FALSE प्रयोग गर्दा ग्रेस्केलमा रेन्डरिङ निर्दिष्ट गर्दछ color = TRUE प्रत्येक स्ट्रोक नयाँ रङमा कोरिएको छ) र इमेजनेटमा पूर्व-प्रशिक्षित नेटवर्कहरूको लागि एक पूर्व-प्रक्रिया सूचक। पछिल्लो अन्तराल [0, 1] बाट अन्तराल [-1, 1] मा पिक्सेल मानहरू मापन गर्न आवश्यक छ, जुन आपूर्ति गरिएको प्रशिक्षण गर्दा प्रयोग गरिएको थियो। केरास मोडेलहरु।

बाह्य प्रकार्यले तर्क प्रकार जाँच, तालिका समावेश गर्दछ data.table बाट अनियमित रूपमा मिश्रित रेखा संख्याहरूको साथ samples_index र ब्याच नम्बरहरू, काउन्टर र ब्याचहरूको अधिकतम संख्या, साथै डाटाबेसबाट डाटा अनलोड गर्नको लागि SQL अभिव्यक्ति। थप रूपमा, हामीले भित्रको प्रकार्यको द्रुत एनालग परिभाषित गर्यौं keras::to_categorical()। हामीले प्रशिक्षणको लागि लगभग सबै डेटा प्रयोग गर्यौं, प्रमाणीकरणको लागि आधा प्रतिशत छोडेर, त्यसैले युगको आकार प्यारामिटरद्वारा सीमित थियो। steps_per_epoch जब बोलाइन्छ keras::fit_generator(), र अवस्था if (i > max_i) प्रमाणीकरण पुनरावृत्तिको लागि मात्र काम गर्यो।

आन्तरिक प्रकार्यमा, पङ्क्ति अनुक्रमणिकाहरू अर्को ब्याचको लागि पुन: प्राप्त गरिन्छ, ब्याच काउन्टर बढ्दै डाटाबेसबाट रेकर्डहरू अनलोड हुन्छन्, JSON पार्सिङ (कार्य cpp_process_json_vector(), C++ मा लेखिएको छ) र चित्रहरूसँग सम्बन्धित एरेहरू सिर्जना गर्दै। त्यसपछि वर्ग लेबलहरू भएका एक-हट भेक्टरहरू सिर्जना गरिन्छन्, पिक्सेल मानहरू र लेबलहरूसँग एरेहरू सूचीमा जोडिन्छन्, जुन फिर्ता मान हो। कामको गति बढाउनको लागि, हामीले तालिकाहरूमा अनुक्रमणिकाहरूको सिर्जना प्रयोग गर्यौं data.table र लिङ्क मार्फत परिमार्जन - यी प्याकेज बिना "चिप्स" डाटा.टेबल यो R मा डाटा को कुनै पनि महत्वपूर्ण मात्रा संग प्रभावकारी काम गर्ने कल्पना गर्न धेरै गाह्रो छ।

कोर i5 ल्यापटपमा गति मापनको नतिजा निम्नानुसार छन्:

पुनरावृत्ति बेन्चमार्क

library(Rcpp)
library(keras)
library(ggplot2)

source("utils/rcpp.R")
source("utils/keras_iterator.R")

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

ind <- seq_len(DBI::dbGetQuery(con, "SELECT count(*) FROM doodles")[[1L]])
num_classes <- DBI::dbGetQuery(con, "SELECT max(label_int) + 1 FROM doodles")[[1L]]

# Индексы для обучающей выборки
train_ind <- sample(ind, floor(length(ind) * 0.995))
# Индексы для проверочной выборки
val_ind <- ind[-train_ind]
rm(ind)
# Коэффициент масштаба
scale <- 0.5

# Проведение замера
res_bench <- bench::press(
  batch_size = 2^(4:10),
  {
    it1 <- train_generator(
      db_connection = con,
      samples_index = train_ind,
      num_classes = num_classes,
      batch_size = batch_size,
      scale = scale
    )
    bench::mark(
      it1(),
      min_iterations = 50L
    )
  }
)
# Параметры бенчмарка
cols <- c("batch_size", "min", "median", "max", "itr/sec", "total_time", "n_itr")
res_bench[, cols]

#   batch_size      min   median      max `itr/sec` total_time n_itr
#        <dbl> <bch:tm> <bch:tm> <bch:tm>     <dbl>   <bch:tm> <int>
# 1         16     25ms  64.36ms   92.2ms     15.9       3.09s    49
# 2         32   48.4ms 118.13ms 197.24ms     8.17       5.88s    48
# 3         64   69.3ms 117.93ms 181.14ms     8.57       5.83s    50
# 4        128  157.2ms 240.74ms 503.87ms     3.85      12.71s    49
# 5        256  359.3ms 613.52ms 988.73ms     1.54       30.5s    47
# 6        512  884.7ms    1.53s    2.07s     0.674      1.11m    45
# 7       1024     2.7s    3.83s    5.47s     0.261      2.81m    44

ggplot(res_bench, aes(x = factor(batch_size), y = median, group = 1)) +
    geom_point() +
    geom_line() +
    ylab("median time, s") +
    theme_minimal()

DBI::dbDisconnect(con, shutdown = TRUE)

यदि तपाइँसँग पर्याप्त मात्रामा RAM छ भने, तपाइँ गम्भीर रूपमा डाटाबेसको सञ्चालनलाई समान RAM मा स्थानान्तरण गरेर गति बढाउन सक्नुहुन्छ (हाम्रो कार्यको लागि 32 GB पर्याप्त छ)। लिनक्समा, विभाजन पूर्वनिर्धारित रूपमा माउन्ट गरिएको छ /dev/shm, RAM क्षमताको आधा सम्म ओगटेको छ। तपाईं सम्पादन गरेर थप हाइलाइट गर्न सक्नुहुन्छ /etc/fstabजस्तै रेकर्ड प्राप्त गर्न tmpfs /dev/shm tmpfs defaults,size=25g 0 0। रिबुट गर्न निश्चित हुनुहोस् र आदेश चलाएर परिणाम जाँच गर्नुहोस् df -h.

परीक्षण डेटाको लागि पुनरावृत्ति धेरै सरल देखिन्छ, किनकि परीक्षण डेटासेट RAM मा पूर्ण रूपमा फिट हुन्छ:

परीक्षण डेटाको लागि पुनरावृत्ति

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. मोडेल वास्तुकला को चयन

प्रयोग गरिएको पहिलो वास्तुकला थियो mobilenet v1, जसका विशेषताहरु मा चर्चा गरिएको छ यो सन्देश। यो मानक रूपमा समावेश छ केरास र, तदनुसार, R को लागि उही नामको प्याकेजमा उपलब्ध छ। तर यसलाई एकल-च्यानल छविहरूसँग प्रयोग गर्ने प्रयास गर्दा, एउटा अनौठो कुरा बाहिरियो: इनपुट टेन्सरमा सधैं आयाम हुनुपर्छ। (batch, height, width, 3), अर्थात् च्यानलहरूको संख्या परिवर्तन गर्न सकिँदैन। पाइथनमा त्यस्तो कुनै सीमा छैन, त्यसैले हामीले मूल लेख (केरास संस्करणमा रहेको ड्रपआउट बिना) पछ्याउँदै यस वास्तुकलाको आफ्नै कार्यान्वयन हतार गर्यौं र लेख्यौं।

Mobilenet v1 वास्तुकला

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)
}

यो दृष्टिकोण को बेफाइदा स्पष्ट छन्। म धेरै मोडेलहरू परीक्षण गर्न चाहन्छु, तर यसको विपरित, म प्रत्येक वास्तुकला म्यानुअल रूपमा पुन: लेख्न चाहन्न। हामी इमेजनेटमा पूर्व-प्रशिक्षित मोडेलहरूको वजनहरू प्रयोग गर्ने अवसरबाट पनि वञ्चित भयौं। सामान्य रूपमा, कागजात अध्ययन गर्न मद्दत गर्यो। समारोह get_config() तपाईंलाई सम्पादनको लागि उपयुक्त फारममा मोडेलको विवरण प्राप्त गर्न अनुमति दिन्छ (base_model_conf$layers - नियमित आर सूची), र प्रकार्य from_config() मोडेल वस्तुमा उल्टो रूपान्तरण गर्दछ:

base_model_conf <- get_config(base_model)
base_model_conf$layers[[1]]$config$batch_input_shape[[4]] <- 1L
base_model <- from_config(base_model_conf)

अब कुनै पनि आपूर्ति प्राप्त गर्न विश्वव्यापी प्रकार्य लेख्न गाह्रो छैन केरास इमेजनेट मा प्रशिक्षित वजन संग वा बिना मोडेल:

रेडीमेड आर्किटेक्चरहरू लोड गर्ने 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-च्यानल छविहरू प्रयोग गर्दा, कुनै पूर्व प्रशिक्षित वजनहरू प्रयोग गरिँदैन। यो फिक्स गर्न सकिन्छ: प्रकार्य प्रयोग गरेर get_weights() R arrays को सूचीको रूपमा मोडेल वजनहरू प्राप्त गर्नुहोस्, यो सूचीको पहिलो तत्वको आयाम परिवर्तन गर्नुहोस् (एउटा रङ च्यानल लिएर वा तीनवटै औसत गरेर), र त्यसपछि प्रकार्यको साथ मोडेलमा तौलहरू लोड गर्नुहोस्। set_weights()। हामीले यो कार्यक्षमता कहिल्यै थपेका छैनौं, किनभने यो चरणमा यो पहिले नै स्पष्ट थियो कि यो रंगीन चित्रहरूसँग काम गर्न बढी उत्पादक थियो।

हामीले मोबाइलनेट संस्करण 1 र 2, साथै resnet34 प्रयोग गरेर धेरैजसो प्रयोगहरू गर्यौं। SE-ResNeXt जस्ता थप आधुनिक वास्तुकलाहरूले यस प्रतियोगितामा राम्रो प्रदर्शन गरे। दुर्भाग्यवश, हामीसँग हाम्रो निपटानमा तयार कार्यान्वयनहरू थिएनन्, र हामीले आफ्नै लेखेनौं (तर हामी निश्चित रूपमा लेख्नेछौं)।

5. लिपिहरूको प्यारामिटराइजेशन

सुविधाको लागि, प्रशिक्षण सुरु गर्नका लागि सबै कोडहरू एकल लिपिको रूपमा डिजाइन गरिएको थियो, प्रयोग गरेर प्यारामिटराइज्ड कागजात निम्न अनुसार:

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)

प्याकेज कागजात कार्यान्वयनको प्रतिनिधित्व गर्दछ http://docopt.org/ R को लागि। यसको मद्दतले, स्क्रिप्टहरू साधारण आदेशहरू जस्तै लन्च गरिन्छ Rscript bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db वा ./bin/train_nn.R -m resnet50 -c -d /home/andrey/doodle_db, यदि फाइल train_nn.R कार्यान्वयनयोग्य छ (यो आदेशले मोडेललाई तालिम सुरु गर्नेछ resnet50 128x128 पिक्सेल मापन गर्ने तीन रङ छविहरूमा, डाटाबेस फोल्डरमा अवस्थित हुनुपर्छ। /home/andrey/doodle_db)। तपाईं सूचीमा सिक्ने गति, अनुकूलक प्रकार, र कुनै पनि अन्य अनुकूलन प्यारामिटरहरू थप्न सक्नुहुन्छ। प्रकाशन तयार गर्ने प्रक्रियामा, यो वास्तुकला बाहिर भयो mobilenet_v2 हालको संस्करणबाट केरास आर प्रयोगमा सक्दैन आर प्याकेजमा ध्यान नदिइएका परिवर्तनहरूका कारण, हामी तिनीहरूलाई समाधान गर्न पर्खिरहेका छौं।

यो दृष्टिकोणले RStudio मा स्क्रिप्टहरूको अधिक परम्परागत सुरुवातको तुलनामा विभिन्न मोडेलहरूसँग प्रयोगहरूलाई उल्लेखनीय रूपमा गति दिन सम्भव बनायो (हामी प्याकेजलाई सम्भावित विकल्पको रूपमा नोट गर्छौं। tfruns)। तर मुख्य फाइदा भनेको यसका लागि RStudio स्थापना नगरी सजिलैसँग डकरमा वा सर्भरमा स्क्रिप्टहरू प्रक्षेपण गर्ने क्षमता हो।

6. लिपिहरूको डकरीकरण

टोलीका सदस्यहरू बीचको प्रशिक्षण मोडेलहरू र क्लाउडमा द्रुत तैनातीका लागि वातावरणको पोर्टेबिलिटी सुनिश्चित गर्न हामीले डकर प्रयोग गर्यौं। तपाईं यस उपकरणसँग परिचित हुन सुरु गर्न सक्नुहुन्छ, जुन आर प्रोग्रामरको लागि अपेक्षाकृत असामान्य छ यो प्रकाशनहरूको श्रृंखला वा भिडियो पाठ्यक्रम.

डकरले तपाइँलाई तपाइँको आफ्नै छविहरू स्क्र्याचबाट सिर्जना गर्न र तपाइँको आफ्नै सिर्जना गर्न आधारको रूपमा अन्य छविहरू प्रयोग गर्न अनुमति दिन्छ। उपलब्ध विकल्पहरूको विश्लेषण गर्दा, हामी NVIDIA, CUDA + cuDNN ड्राइभरहरू र पाइथन पुस्तकालयहरू स्थापना गर्नु छविको एकदम ठूलो भाग हो भन्ने निष्कर्षमा पुग्यौं, र हामीले आधिकारिक छविलाई आधारको रूपमा लिने निर्णय गर्यौं। tensorflow/tensorflow:1.12.0-gpu, त्यहाँ आवश्यक R प्याकेजहरू थप्दै।

अन्तिम डकर फाइल यस्तो देखिन्थ्यो:

डकरफाइल

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

सुविधाको लागि, प्रयोग गरिएका प्याकेजहरूलाई चरहरूमा राखिएको थियो; लिखित स्क्रिप्टहरूको ठूलो भाग सम्मेलनको समयमा कन्टेनर भित्र प्रतिलिपि गरिन्छ। हामीले आदेश शेललाई पनि परिवर्तन गर्यौं /bin/bash सामग्री को उपयोग को सजिलो को लागी /etc/os-release। यसले कोडमा OS संस्करण निर्दिष्ट गर्ने आवश्यकतालाई बेवास्ता गर्यो।

थप रूपमा, एउटा सानो ब्यास स्क्रिप्ट लेखिएको थियो जसले तपाईंलाई विभिन्न आदेशहरूसँग कन्टेनर सुरू गर्न अनुमति दिन्छ। उदाहरण को लागी, यी पहिले कन्टेनर भित्र राखिएको तंत्रिका नेटवर्क को प्रशिक्षण को लागी स्क्रिप्ट हुन सक्छ, वा कन्टेनर को संचालन को डिबग र निगरानी को लागी एक आदेश शेल:

कन्टेनर सुरु गर्न लिपि

#!/bin/sh

DBDIR=${PWD}/db
LOGSDIR=${PWD}/logs
MODELDIR=${PWD}/models
DATADIR=${PWD}/data
ARGS="--runtime=nvidia --rm -v ${DBDIR}:/db -v ${LOGSDIR}:/app/logs -v ${MODELDIR}:/app/models -v ${DATADIR}:/app/data"

if [ -z "$1" ]; then
    CMD="Rscript /app/train_nn.R"
elif [ "$1" = "bash" ]; then
    ARGS="${ARGS} -ti"
else
    CMD="Rscript /app/train_nn.R $@"
fi

docker run ${ARGS} doodles-tf ${CMD}

यदि यो bash स्क्रिप्ट प्यारामिटर बिना चलाइएको छ भने, स्क्रिप्ट कन्टेनर भित्र बोलाइनेछ train_nn.R पूर्वनिर्धारित मानहरूसँग; यदि पहिलो स्थितित्मक तर्क "bash" हो, तब कन्टेनर अन्तरक्रियात्मक रूपमा कमाण्ड शेलसँग सुरु हुनेछ। अन्य सबै अवस्थामा, स्थितित्मक तर्कहरूको मानहरू प्रतिस्थापित छन्: CMD="Rscript /app/train_nn.R $@".

यो ध्यान दिन लायक छ कि स्रोत डाटा र डाटाबेस, साथै प्रशिक्षित मोडेलहरू बचत गर्नका लागि डाइरेक्टरीहरू, होस्ट प्रणालीबाट कन्टेनर भित्र माउन्ट गरिएका छन्, जसले तपाईंलाई अनावश्यक हेरफेर बिना स्क्रिप्टहरूको परिणामहरू पहुँच गर्न अनुमति दिन्छ।

7. Google Cloud मा धेरै GPU हरू प्रयोग गर्दै

प्रतियोगिताको विशेषताहरू मध्ये एक धेरै कोलाहलपूर्ण डाटा थियो (शीर्षक चित्र हेर्नुहोस्, ODS slack बाट @Leigh.plt बाट उधारो)। ठूला ब्याचहरूले यसलाई लड्न मद्दत गर्दछ, र 1 GPU भएको पीसीमा प्रयोगहरू पछि, हामीले क्लाउडमा धेरै GPU हरूमा प्रशिक्षण मोडेलहरू मास्टर गर्ने निर्णय गर्यौं। प्रयोग गरिएको GoogleCloud (आधारभूत लागि राम्रो गाइड) उपलब्ध कन्फिगरेसन, उचित मूल्य र $300 बोनस को ठूलो चयन को कारण। लोभको कारण, मैले SSD र एक टन RAM संग 4xV100 उदाहरण अर्डर गरें, र त्यो ठूलो गल्ती थियो। यस्तो मेसिनले चाँडै पैसा खान्छ; तपाईं प्रमाणित पाइपलाइन बिना प्रयोग तोड्न जान सक्नुहुन्छ। शैक्षिक उद्देश्यका लागि, यो K80 लिन राम्रो छ। तर ठूलो मात्रामा RAM काममा आयो - क्लाउड SSD ले यसको प्रदर्शनमा प्रभाव पारेन, त्यसैले डाटाबेसलाई स्थानान्तरण गरियो। dev/shm.

सबैभन्दा ठूलो चासो धेरै GPUs प्रयोग गर्न जिम्मेवार कोड टुक्रा हो। पहिले, मोडेल CPU मा सन्दर्भ प्रबन्धक प्रयोग गरी सिर्जना गरिएको छ, जस्तै पाइथनमा:

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
  )
})

त्यसपछि uncompiled (यो महत्त्वपूर्ण छ) मोडेल उपलब्ध GPU को दिइएको संख्यामा प्रतिलिपि गरिएको छ, र त्यसपछि मात्र यो कम्पाइल गरिएको छ:

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)
)

अन्तिम एक बाहेक सबै तहहरू फ्रिज गर्ने, अन्तिम तहलाई तालिम दिने, धेरै GPU हरूका लागि सम्पूर्ण मोडेललाई अनफ्रिज गर्ने र पुनः तालिम दिने क्लासिक प्रविधि लागू गर्न सकिएन।

तालिम प्रयोग नगरी अनुगमन गरिएको थियो। टेन्सरबोर्ड, रेकर्डिङ लगहरू र प्रत्येक युग पछि जानकारीमूलक नामहरूको साथ मोडेलहरू बचत गर्न आफैलाई सीमित गर्दै:

कलब्याकहरू

# 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. निष्कर्षको सट्टा

हामीले सामना गरेका धेरै समस्याहरू अझै पार भएका छैनन्:

• в केरास इष्टतम सिकाइ दर (एनालग lr_finder पुस्तकालय मा छिटो।आई); केहि प्रयास संग, यो R मा तेस्रो-पक्ष कार्यान्वयन पोर्ट गर्न सम्भव छ, उदाहरण को लागी, यो;
• अघिल्लो बिन्दुको परिणामको रूपमा, धेरै GPUs प्रयोग गर्दा सही प्रशिक्षण गति चयन गर्न सम्भव थिएन;
• त्यहाँ आधुनिक न्यूरल नेटवर्क आर्किटेक्चरको अभाव छ, विशेष गरी इमेजनेटमा पूर्व प्रशिक्षितहरू;
• कुनै एक चक्र नीति र भेदभावपूर्ण शिक्षा दरहरू (कोसाइन एनिलिङ हाम्रो अनुरोधमा थियो। कार्यान्वयन गरियो, धन्यवाद skeydan).

यस प्रतियोगिताबाट के के उपयोगी कुराहरू सिकियो:

• अपेक्षाकृत कम-शक्ति हार्डवेयरमा, तपाईं पीडा बिना डेटाको सभ्य (रामको आकार धेरै पटक) को साथ काम गर्न सक्नुहुन्छ। प्लास्टिक झोला डाटा.टेबल तालिकाहरूको इन-प्लेस परिमार्जनको कारणले मेमोरी बचत गर्दछ, जसले तिनीहरूलाई प्रतिलिपि गर्नबाट जोगाउँछ, र सही रूपमा प्रयोग गर्दा, यसको क्षमताहरूले प्रायः सधैँ स्क्रिप्टिङ भाषाहरूको लागि हामीलाई थाहा भएका सबै उपकरणहरू बीच उच्चतम गति प्रदर्शन गर्दछ। डाटाबेसमा डाटा बचत गर्नाले तपाईंलाई धेरै अवस्थामा, सम्पूर्ण डाटासेटलाई RAM मा निचोड गर्नुपर्ने आवश्यकताको बारेमा सोच्न नदिने अनुमति दिन्छ।
• R मा ढिलो प्रकार्यहरू प्याकेज प्रयोग गरेर C++ मा द्रुत कार्यहरूसँग प्रतिस्थापन गर्न सकिन्छ Rcpp। यदि प्रयोगको अतिरिक्त RcppThread वा Rcpp समानान्तर, हामीले क्रस-प्लेटफर्म बहु-थ्रेडेड कार्यान्वयनहरू पाउँछौं, त्यसैले R स्तरमा कोडलाई समानान्तर गर्न आवश्यक छैन।
• प्याकेज Rcpp C++ को गम्भीर ज्ञान बिना प्रयोग गर्न सकिन्छ, आवश्यक न्यूनतम उल्लिखित छ यहाँ। धेरै कूल C-लाइब्रेरीहरूको लागि हेडर फाइलहरू जस्तै xtensor CRAN मा उपलब्ध छ, अर्थात्, पूर्वाधार निर्माण भइरहेको छ परियोजनाहरूको कार्यान्वयनको लागि जुन रेडिमेड उच्च-प्रदर्शन C++ कोडलाई R मा एकीकृत गर्दछ। थप सुविधा भनेको सिन्ट्याक्स हाइलाइटिङ र RStudio मा एक स्थिर C++ कोड विश्लेषक हो।
• कागजात तपाईंलाई प्यारामिटरहरूसँग आत्म-निहित लिपिहरू चलाउन अनुमति दिन्छ। यो रिमोट सर्भरमा प्रयोगको लागि सुविधाजनक छ, सहित। डकर अन्तर्गत। RStudio मा, तंत्रिका सञ्जालहरू प्रशिक्षणको साथ धेरै घण्टा प्रयोगहरू सञ्चालन गर्न असुविधाजनक छ, र सर्भरमा IDE स्थापना गर्नु सधैं उचित हुँदैन।
• डकरले कोड पोर्टेबिलिटी र OS र पुस्तकालयहरूको बिभिन्न संस्करणहरू भएका विकासकर्ताहरू बीच परिणामहरूको पुन: उत्पादन योग्यता, साथै सर्भरहरूमा कार्यान्वयनको सहजता सुनिश्चित गर्दछ। तपाइँ केवल एक आदेश संग सम्पूर्ण प्रशिक्षण पाइपलाइन सुरु गर्न सक्नुहुन्छ।
• गुगल क्लाउड महँगो हार्डवेयरमा प्रयोग गर्ने बजेट-अनुकूल तरिका हो, तर तपाईंले कन्फिगरेसनहरू सावधानीपूर्वक छनौट गर्न आवश्यक छ।
• व्यक्तिगत कोड टुक्राहरूको गति मापन धेरै उपयोगी छ, विशेष गरी जब R र C++ संयोजन गर्दा, र प्याकेजको साथ। बेंच - पनि धेरै सजिलो।

समग्रमा यो अनुभव धेरै इनामदायी थियो र हामीले उठाएका केही समस्याहरू समाधान गर्न काम जारी राख्छौं।

स्रोत: www.habr.com