實(shí)戰(zhàn) | 深度學(xué)習(xí)輕松學(xué)：如何用可視化界面來(lái)部署深度學(xué)習(xí)模型

轉(zhuǎn)載 2017年12月27日 00:00:00

• 標(biāo)簽：

• 109
• 編輯
• 刪除

翻譯 | AI科技大本營(yíng)

參與 | 王赫

上個(gè)月，我有幸結(jié)識(shí)了?DeepCognition.ai?的創(chuàng)始人。

Deep Cognition (深度認(rèn)知) 建立的深度學(xué)習(xí)工作室，為很多準(zhǔn)備部署深度學(xué)習(xí)框架和采用人工智能技術(shù)的機(jī)構(gòu)打破了諸多難以逾越的障礙。

究竟什么是深度學(xué)習(xí)？

在我們說明Deep Cognition是如何簡(jiǎn)化深度學(xué)習(xí)和人工智能之前，先讓我們定義一些深度學(xué)習(xí)的主要概念。

深度學(xué)習(xí)，它的核心是用連續(xù)"層狀"結(jié)構(gòu)來(lái)逐級(jí)遞進(jìn)的學(xué)習(xí)有意義的特征表示，其作為機(jī)器學(xué)習(xí)的一個(gè)特定的子研究領(lǐng)域，現(xiàn)已成為了一種新的從數(shù)據(jù)中抽取可學(xué)習(xí)特征表示的方法。

在深度學(xué)習(xí)中，由多個(gè)處理層構(gòu)成的計(jì)算模塊可以學(xué)習(xí)到具有多重抽象級(jí)別的數(shù)據(jù)特征。

這些層狀的特征表示正是通過一個(gè)稱為”神經(jīng)網(wǎng)絡(luò)”的模型來(lái)學(xué)習(xí)的，其結(jié)構(gòu)依次層疊在一起。

實(shí)際上，我們?cè)谏疃葘W(xué)習(xí)中使用的是一種稱為人工神經(jīng)網(wǎng)絡(luò)（ANN）的東西。這個(gè)網(wǎng)絡(luò)是受到生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)，用于估計(jì)或近似地趨近于一個(gè)依賴于海量未知輸入變量的函數(shù)。

雖然，深度學(xué)習(xí)在機(jī)器學(xué)習(xí)中是一個(gè)相當(dāng)古老的領(lǐng)域，但其在2010年初才開始漸漸顯露鋒芒。在此之后的幾年里，深度學(xué)習(xí)取得了很大的成就。Francois Collet 在下面列出了其中的主要成就：

• 接近人類水平的圖像分類技術(shù)。

• 接近人類水平的語(yǔ)音識(shí)別技術(shù)。

• 接近人類水平的手寫筆跡轉(zhuǎn)錄技術(shù)。

• 經(jīng)過改良的機(jī)器翻譯技術(shù)。

• 經(jīng)過改良的文本到語(yǔ)音轉(zhuǎn)換技術(shù)。

• 數(shù)字助理，如Google Now或Amazon Alexa。

• 接近人類水平的自動(dòng)駕駛技術(shù)。

• 經(jīng)過改良的廣告精準(zhǔn)投放，如Google，百度和Bing所使用的。

• 經(jīng)過改良的搜索引擎結(jié)果。

• 對(duì)自然語(yǔ)言問題解答。

• 遠(yuǎn)超人類能力的游戲，如Go。

為什么深度學(xué)習(xí)如此的牛逼？

正如 Fran?ois Collet 在他的書中所說的那樣，直到21世紀(jì)后期，我們?nèi)匀粵]有可以訓(xùn)練非常深的神經(jīng)網(wǎng)絡(luò)的可靠方法。因此，當(dāng)時(shí)的神經(jīng)網(wǎng)絡(luò)仍然很淺，只能用一到兩層來(lái)表示，所以它們還不能挖掘出像SVMs或隨機(jī)森林那樣更加精細(xì)的淺層特征。

但在近十年以來(lái)，隨著幾個(gè)簡(jiǎn)單但又重要的算法的改進(jìn)與發(fā)展、硬件（主要是GPU）的進(jìn)步以及大數(shù)據(jù)的指數(shù)級(jí)積累，在現(xiàn)今深度學(xué)習(xí)的幫助下，你也可以在自家的筆記本電腦（或云端）上運(yùn)行一個(gè)小型深度學(xué)習(xí)模型。

究竟該如何深度學(xué)習(xí)呢？

來(lái)看看我們通常是如何做深度學(xué)習(xí)的。

盡管這不是一個(gè)新的領(lǐng)域，但我們可以通過一種全新的方式與計(jì)算機(jī)進(jìn)行交互來(lái)深度學(xué)習(xí)。而這個(gè)領(lǐng)域最重要的一個(gè)事件就是TensorFlow的創(chuàng)建。

TensorFlow是一個(gè)使用數(shù)據(jù)流圖進(jìn)行數(shù)值計(jì)算的開源軟件庫(kù)。數(shù)據(jù)流圖中的節(jié)點(diǎn)表示數(shù)學(xué)運(yùn)算，而圖中的邊表示在它們之間交流的多維數(shù)據(jù)陣列（張量）。

?什么是張量？

根據(jù)數(shù)學(xué)的定義，張量是由數(shù)字或函數(shù)構(gòu)成的簡(jiǎn)單數(shù)組，它們按照一定的規(guī)則進(jìn)行坐標(biāo)變換。

但是從這個(gè)角度而言，張量可以是向量和矩陣向更高維度的泛化推廣。 在TensorFlow的內(nèi)部，張量被表示為基本數(shù)據(jù)類型的n維數(shù)組。

我們需要使用張量的原因是因?yàn)?NumPy（在Python里進(jìn)行科學(xué)計(jì)算的基礎(chǔ)軟件包）缺乏創(chuàng)建張量的能力。 我們可以將張量與NumPy之間互相轉(zhuǎn)換。 由于其構(gòu)造早已明確的被定義為數(shù)組/矩陣，所以這是完全可能的。

通過結(jié)合了諸多優(yōu)化編譯技術(shù)的計(jì)算代數(shù)程序，TensorFlow使得運(yùn)行許多難以計(jì)算的數(shù)學(xué)表達(dá)式變得非常簡(jiǎn)單。

Keras

雖然這不是一個(gè)關(guān)于TensorFlow的博客，何況網(wǎng)上有很多優(yōu)質(zhì)的TensorFlow資源帖子。但在本文中介紹一下Keras依然是很有必要的。

Keras是一個(gè)高級(jí)的神經(jīng)網(wǎng)絡(luò)API，它用Python編寫，并且能夠在TensorFlow，CNTK或Theano之上運(yùn)行。 它的開發(fā)重點(diǎn)就是能夠快速構(gòu)建實(shí)驗(yàn)?zāi)Ｐ汀?要知道，能夠做好研究的關(guān)鍵就是能夠盡可能快的從想法點(diǎn)子到最終實(shí)驗(yàn)結(jié)果。

這就是Fran?ois Collet所構(gòu)建該框架的初衷，也是為了讓大眾在深度學(xué)習(xí)面前能勇敢的邁出第一步。

TensorFlow本來(lái)有一個(gè)不復(fù)雜的Python API，但Keras可以更容易讓很多人進(jìn)入到深度學(xué)習(xí)領(lǐng)域中。 還應(yīng)該提及的是，Keras現(xiàn)在已經(jīng)正式成為Tensorflow的一部分：https://www.tensorflow.org/api_docs/python/tf/contrib/keras

深度學(xué)習(xí)框架

我對(duì)深度學(xué)習(xí)框架進(jìn)行了比較。

Keras現(xiàn)在在流行度上優(yōu)勝于其他框架，顯而易見的可以看到人們更喜歡其簡(jiǎn)單的界面和可用性。

如果你想了解更多關(guān)于keras的信息，請(qǐng)?jiān)L問我在LinkedIn上發(fā)布的帖子：https://www.linkedin.com/feed/update/urn:li:activity:6344255087057211393

Deep Cognition

因此，通常我們會(huì)進(jìn)行深度學(xué)習(xí)編程，然后學(xué)習(xí)新的API。其中有些API要更復(fù)雜一些，也有一些是非常容易的，比如Keras。但是如何通過點(diǎn)擊幾個(gè)按鈕就可以輕松創(chuàng)建和部署深度學(xué)習(xí)框架呢？

這就是Deep Cognition所許諾要達(dá)到的目標(biāo)。

正如他們所說，Deep Cognition平臺(tái)是為了“民主化AI”而建立的。

人工智能為世界的經(jīng)濟(jì)已經(jīng)創(chuàng)造了巨大的價(jià)值。然而，AI企業(yè)在準(zhǔn)備部署人工智能技術(shù)時(shí)所面臨的巨大障礙也正是他們的（巨大）短板。 這就是Deep Cognition所正在解決的問題。

Deep Cognition的深度學(xué)習(xí)工作室平臺(tái)可以采用云解決方案，也可以是在你的機(jī)器中運(yùn)行的桌面解決方案（http://deepcognition.ai/desktop/）或者是企業(yè)解決方案（私有云或內(nèi)部解決方案）。

桌面版本允許人們使用他們自己的電腦，并且無(wú)需為GPU付費(fèi)。

為此，我們將使用Deep Learning Studio的云端版本，并使用單用戶解決方案來(lái)創(chuàng)建和部署AI。簡(jiǎn)單的界面拖放就可以幫助您輕松設(shè)計(jì)深度學(xué)習(xí)模型。

預(yù)訓(xùn)練的模型以及使用內(nèi)置的輔助功能可以簡(jiǎn)化和加速模型開發(fā)。 您可以導(dǎo)入模型代碼并使用可視化界面來(lái)編輯模型。 當(dāng)您迭代和調(diào)整超參數(shù)以提高性能時(shí)，平臺(tái)會(huì)自動(dòng)的保存每個(gè)模型版本。 您還可以通過比較不同版本的性能以找到最佳模型設(shè)計(jì)。

在 MNIST 數(shù)據(jù)集上使用 Deep Cognition 和 AutoML

Deep Learning Studio可以自動(dòng)地為您自定義的數(shù)據(jù)集設(shè)計(jì)深度學(xué)習(xí)模型，這要?dú)w功于我們先進(jìn)的AutoML功能。 您只需在幾分鐘內(nèi)就可以啟動(dòng)并運(yùn)行得到一個(gè)良好的模型結(jié)果。

沒錯(cuò)！AutoML就是能隨時(shí)實(shí)現(xiàn)你所想的，專門為深度學(xué)習(xí)而設(shè)計(jì)的自動(dòng)化機(jī)器學(xué)習(xí)系統(tǒng)。它可以為你創(chuàng)建一個(gè)從原始數(shù)據(jù)到預(yù)測(cè)結(jié)果完整的流水線。

作為深度學(xué)習(xí)工作室的一個(gè)小教程，我們來(lái)研究一下經(jīng)典的MNIST數(shù)據(jù)集。

MNIST是一個(gè)簡(jiǎn)單的計(jì)算機(jī)視覺數(shù)據(jù)集。 它由這樣的手寫數(shù)字圖像組成：

它還包括每個(gè)圖像的標(biāo)簽，這樣就可以告訴我們它對(duì)應(yīng)的是哪個(gè)數(shù)字。

運(yùn)用Deep Cognition的云端工作室和AutoML功能，我們來(lái)訓(xùn)練一個(gè)可以查看圖像并預(yù)測(cè)圖像數(shù)字的模型。

如果你已經(jīng)有一個(gè)帳戶，你就只需要進(jìn)入http://deepcognition.ai網(wǎng)頁(yè)，然后點(diǎn)擊啟動(dòng)云應(yīng)用程序。

然后，你進(jìn)入到用戶界面，以及可以選擇一些示例項(xiàng)目：

現(xiàn)在要做的是創(chuàng)建一個(gè)新的項(xiàng)目：

接下來(lái)的頁(yè)面，您可以選擇訓(xùn)練集-驗(yàn)證集-測(cè)試集的比率，加載數(shù)據(jù)集或使用已上傳的數(shù)據(jù)集，指定數(shù)據(jù)的類型等等。

"模型"選項(xiàng)卡可以讓您使用很多先進(jìn)的深度學(xué)習(xí)功能以及不同類型的神經(jīng)網(wǎng)絡(luò)層來(lái)創(chuàng)建自己的模型，但是為了讓Deep Cognition能處理所有的建模，我們將使用AutoML功能：

我們選擇了Image，因?yàn)檫@是我們正要試圖預(yù)測(cè)的數(shù)據(jù)類型。

在您點(diǎn)擊"設(shè)計(jì)"之后，您就擁有了您的第一個(gè)深度學(xué)習(xí)模型，在此基礎(chǔ)上可以進(jìn)一步來(lái)自定義和分析：

模型看起來(lái)像這樣：

所以，你可以看到在這個(gè)非常棒的平臺(tái)下，深度學(xué)習(xí)所有復(fù)雜的建模過程和編程代碼得到了顯著的簡(jiǎn)化。

你也可以在平臺(tái)內(nèi)的Jupyter Notevook中進(jìn)行編程，其中已經(jīng)預(yù)安裝了所有必要的程序軟件：

配置神經(jīng)網(wǎng)絡(luò)非常困難的主要原因在于神經(jīng)網(wǎng)絡(luò)中有很多超參數(shù)需要設(shè)置。與任何其他機(jī)器學(xué)習(xí)算法相比，超參數(shù)的調(diào)參過程是神經(jīng)網(wǎng)絡(luò)中是最難的一部分。

但是在Deep Cognition中，調(diào)參可以非常簡(jiǎn)單且非常靈活的實(shí)現(xiàn)。在”超參數(shù)“選項(xiàng)卡中，您可以在幾個(gè)Loss函數(shù)和優(yōu)化器中進(jìn)行選擇來(lái)調(diào)整參數(shù)。

接下來(lái)是很有趣的一部分：訓(xùn)練模型。 在“訓(xùn)練”選項(xiàng)卡中，您可以從不同類型的實(shí)例（包括CPU和GPU）中進(jìn)行選擇。 它也將幫助您監(jiān)控您的整個(gè)訓(xùn)練過程，并為您創(chuàng)建一個(gè)損失和準(zhǔn)確率的圖：

上面的gif小圖就是訓(xùn)練過程

您可以在"結(jié)果"選項(xiàng)卡中查看到您所有的訓(xùn)練結(jié)果

最后，您得到了一個(gè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，它參考了測(cè)試集和驗(yàn)證集（或其他您已上傳的）來(lái)訓(xùn)練的。您可以立刻使用這個(gè)模型并預(yù)測(cè)圖像中的數(shù)字以查看它的表現(xiàn)如何。

黑盒問題

有時(shí)候在你會(huì)這樣想：好吧，我正在深入學(xué)習(xí)，但我不知道它是如何做到的。

由于您實(shí)際上可以下載能夠預(yù)測(cè)結(jié)果的模型代碼，您將會(huì)看到它是用Keras編寫的。然后您可以上傳該代碼并使用系統(tǒng)提供的notebook進(jìn)行測(cè)試。

AutoML功能具有Keras和其他深度學(xué)習(xí)框架中的優(yōu)秀功能，而且它的好處在于：只需輕輕一點(diǎn)，它就為您自動(dòng)選擇了最佳的深度學(xué)習(xí)框架實(shí)例，如果您對(duì)選擇不滿意，您還可以很輕松在圖像界面下修改或者在notebook中交互式的更改。

這個(gè)系統(tǒng)平臺(tái)建立的初衷是人人都可以輕松使用AI。為了構(gòu)造一個(gè)復(fù)雜的模型，你并不需要一定是一個(gè)AI專家。但我的建議是，你需要對(duì)自己在做什么有了一個(gè)清晰的認(rèn)識(shí)。你可以通過閱讀TensorFlow或Keras文檔，觀看一些視頻和關(guān)注相關(guān)資訊。如果你是這相關(guān)領(lǐng)域的專家，那就太棒了！這將使您的生活更加簡(jiǎn)單輕松，并且在構(gòu)建模型時(shí)仍然可以運(yùn)用您的專業(yè)知識(shí)。

請(qǐng)點(diǎn)擊(閱讀)下面的參考資料，以獲取有關(guān)Deep Learning和AI的更多信息。

關(guān)于Favio Vázquez

物理學(xué)家和計(jì)算機(jī)工程師。 他擁有墨西哥國(guó)立自治大學(xué)物理科學(xué)碩士學(xué)位，現(xiàn)正在從事大數(shù)據(jù)，數(shù)據(jù)科學(xué)，機(jī)器學(xué)習(xí)和計(jì)算宇宙學(xué)等相關(guān)領(lǐng)域的工作。 自2015年以來(lái)，他一直是Apache Spark與Core和MLlib庫(kù)的合作者。

他是Iron公司的首席數(shù)據(jù)科學(xué)家，主要負(fù)責(zé)執(zhí)行分布式處理，數(shù)據(jù)分析，機(jī)器學(xué)習(xí)和指導(dǎo)數(shù)據(jù)項(xiàng)目。 此外，他在BBVA Data & Analytics擔(dān)任數(shù)據(jù)科學(xué)家，工作范圍包括機(jī)器學(xué)習(xí)，數(shù)據(jù)分析，以及使用Apache Spark維護(hù)項(xiàng)目和模型的生命周期。

參考文獻(xiàn)

TensorFlow 101: Understanding Tensors and Graphs to get you started in Deep Learning?*Introduction TensorFlow is one of the most popular libraries in Deep Learning. When I started with TensorFlow it felt

Deep Learning with Python?The clearest explanation of deep learning I have come across...it was a joy to read.

leriomaggio/deep-learning-keras-tensorflowdeep-learning-keras-tensorflow - Introduction to Deep Neural Networks with Keras and Tensorflow

MNIST For ML Beginners | TensorFlowWe know that every image in MNIST is of a handwritten digit between zero and nine. So there are only ten possible…

Tutorial: Optimizing Neural Networks using Keras (with Image recognition case study)?Introduction In my previous article, I discussed the implementation of neural networks using TensorFlow. Continuing the…

PacktPublishing/Deep-Learning-with-Keras?Deep-Learning-with-Keras - Code repository for Deep Learning with Keras published by Packt

Latest Deep Learning OCR with Keras and Supervisely in 15 minutes?Tutorial on how to build your own state-of-the art text recognition system

關(guān)鍵詞:Machine Learning,Deep Cognition,Deep Learning,Artificial Intelligence

?

原文

https://medium.com/@favio.vazquezp/deep-learning-made-easy-with-deep-cognition-403fbe445351

總結(jié)

以上是生活随笔為你收集整理的实战 | 深度学习轻松学：如何用可视化界面来部署深度学习模型 转载 2017年12月27日 00:00:00 109 翻译 | AI科技大本营 参与 | 王赫 上个月，我有幸结识了 DeepCogn的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。