|
引言 部署機器學(xué)習的過(guò)程涉及多個(gè)步驟。首先選擇一個(gè)模型，針對特定任務(wù)加以訓練，用測試數據進(jìn)行驗證，然后，將該模型部署到實(shí)際系統中并進(jìn)行監控。在本文中，我們將討論這些步驟，將每個(gè)步驟拆分講解來(lái)介紹機器學(xué)習。 機器學(xué)習是指在沒(méi)有明確指令的情況下能夠學(xué)習和加以改進(jìn)的系統。這些系統從數據中學(xué)習，用于執行特定的任務(wù)或功能。在某些情況下，學(xué)習，或者更具體地說(shuō)，訓練，是在受監督的方式下進(jìn)行，當輸出不正確時(shí)對模型加以調整，使其生成正確的輸出。在其他情況下，則實(shí)行無(wú)監督學(xué)習，由系統負責梳理數據來(lái)發(fā)現以前未知的模式。大多數機器學(xué)習模型都是遵循這兩種范式（監督學(xué)習與無(wú)監督學(xué)習）。 現在，讓我們深入研究“模型”的含義，然后探究數據如何成為機器學(xué)習的燃料。 機器學(xué)習模型 模型是機器學(xué)習解決方案的抽象化表述。模型定義架構，架構經(jīng)過(guò)訓練變成產(chǎn)品實(shí)現。所以，我們不是部署模型，而是部署經(jīng)過(guò)數據訓練的模型的實(shí)現（在下一節中有更加詳細的介紹）。模型 + 數據 + 訓練=機器學(xué)習解決方案的實(shí)例（圖1）。 
圖1：從機器學(xué)習模型到解決方案。（圖源：作者） 機器學(xué)習解決方案代表一個(gè)系統。它們接受輸入，在網(wǎng)絡(luò )中執行不同類(lèi)型的計算，然后提供輸出。輸入和輸出代表數值型數據，這意味著(zhù)，在某些情況下，需要轉譯。例如，將文本數據輸入深度學(xué)習網(wǎng)絡(luò )需要將單詞編碼成數字形式，考慮到可以使用的單詞的多樣性，該數字形式通常是高維向量。同樣，輸出可能需要從數字形式轉譯回文本形式。 機器學(xué)習模型有多種類(lèi)型，如神經(jīng)網(wǎng)絡(luò )模型、貝葉斯 (Bayesian) 模型、回歸模型、聚類(lèi)模型等。您選擇的模型是基于著(zhù)手解決的問(wèn)題。 對于神經(jīng)網(wǎng)絡(luò )來(lái)說(shuō)，模型從淺多層網(wǎng)絡(luò )到深度神經(jīng)網(wǎng)絡(luò )，類(lèi)型豐富，而深度神經(jīng)網(wǎng)絡(luò )還包括多層特化神經(jīng)元（處理單元）。深度神經(jīng)網(wǎng)絡(luò )還有一系列基于目標應用的可用模型。例如： 如果您的應用側重于識別圖像中的對象，那么卷積神經(jīng)網(wǎng)絡(luò ) (CNN) 就是理想的模型。CNN已被應用于皮膚癌檢測，效果優(yōu)于皮膚科醫生的平均水平。 如果您的應用涉及預測或生成復雜序列（如人類(lèi)語(yǔ)言句子），那么遞歸神經(jīng)網(wǎng)絡(luò ) (RNN) 或長(cháng)短期記憶網(wǎng)絡(luò ) (LSTM) 是理想模型。LSTM也已經(jīng)應用到人類(lèi)語(yǔ)言的機器翻譯中。 如果您的應用涉及用人類(lèi)語(yǔ)言描述圖像內容，可以使用CNN和LSTM的組合（圖像輸入CNN，CNN的輸出代表LSTM的輸入，后者發(fā)出詞匯序列）。 如果您的應用涉及生成現實(shí)圖像（如風(fēng)景或人臉），那么生成對抗網(wǎng)絡(luò ) (GAN) 是當前最先進(jìn)的模型。 這些模型代表了當今常用的部分深層神經(jīng)網(wǎng)絡(luò )架構。深度神經(jīng)網(wǎng)絡(luò )深受歡迎，因為它們可以接受非結構化數據，如圖像、視頻或音頻信息。網(wǎng)絡(luò )中的各層構成一個(gè)特征層次結構，使它們能夠對非常復雜的信息進(jìn)行分類(lèi)。深度神經(jīng)網(wǎng)絡(luò )已經(jīng)在許多問(wèn)題領(lǐng)域展示出先進(jìn)的性能。但是像其他機器學(xué)習模型一樣，它們的準確性依賴(lài)于數據。接下來(lái)我們就探討一下這個(gè)方面。 數據和訓練 無(wú)論在運算中，還是在通過(guò)模型訓練構建機器學(xué)習解決方案的過(guò)程中，數據皆為驅動(dòng)機器學(xué)習的燃料。對于深度神經(jīng)網(wǎng)絡(luò )的訓練數據，探索數量和質(zhì)量前提下的必要數據至關(guān)重要。 深度神經(jīng)網(wǎng)絡(luò )需要大量數據進(jìn)行訓練；按經(jīng)驗來(lái)說(shuō)，圖像分類(lèi)中每類(lèi)需要1,000張圖像。但具體答案顯然取決于模型的復雜度和容錯度。實(shí)際機器學(xué)習解決方案中的一些示例表明，數據集有各種大小。一個(gè)面部檢測和識別系統需要45萬(wàn)張圖像，一個(gè)問(wèn)答聊天機器人需要接受20萬(wàn)個(gè)問(wèn)題和200萬(wàn)個(gè)匹配答案的訓練。根據要解決的問(wèn)題，有時(shí)較小的數據集也足夠。一個(gè)情感分析解決方案（根據書(shū)面文本確定觀(guān)點(diǎn)的極性）只需要數萬(wàn)個(gè)樣本。 數據的質(zhì)量和數量同等重要。鑒于訓練需要大數據集，即使少量的錯誤訓練數據也會(huì )導致糟糕的解決方案。根據所需的數據類(lèi)型，數據可能會(huì )經(jīng)歷一個(gè)清洗過(guò)程。此過(guò)程確保數據集一致、沒(méi)有重復數據且準確、完整（沒(méi)有無(wú)效或不完整數據）。有可以支持此過(guò)程的工具。驗證數據的偏差也很重要，確保數據不會(huì )導致有偏差的機器學(xué)習解決方案。 機器學(xué)習訓練對數值型數據進(jìn)行運算，因此，根據您的解決方案，可能需要預處理步驟。例如，如果數據是人類(lèi)語(yǔ)言，其必須首先轉譯為數字形式才能處理�？梢詫D像進(jìn)行預處理以保持一致性。例如，除了其他運算外，輸入深度神經(jīng)網(wǎng)絡(luò )的圖像還需要調整大小和平滑處理，以去除噪聲。 機器學(xué)習中最大的問(wèn)題之一是獲取數據集來(lái)訓練機器學(xué)習解決方案。根據您的具體問(wèn)題，這個(gè)工作量可能非常大，因為可能沒(méi)有現成的數據，需要您另外設法獲取。 最后，應該分割數據集，分別用作訓練數據和測試數據。訓練數據用于訓練模型，在訓練完成后，測試數據用于驗證解決方案的準確性（圖2）。
圖2：分割數據集分別用于訓練和驗證。（圖源：作者） 有工具來(lái)幫助完成這個(gè)過(guò)程，大多數框架都擁有“分割”功能，用于分割訓練和測試數據�，F在我們來(lái)看一些簡(jiǎn)化機器學(xué)習解決方案構造的框架。 框架 現在，不再需要從頭開(kāi)始構建機器學(xué)習模型。您可以使用包含這些模型和其他工具的框架來(lái)準備數據和驗證您的解決方案。這些框架還提供用于部署解決方案的環(huán)境。選擇哪個(gè)框架通常取決于您的熟悉程度，但在剛開(kāi)始的時(shí)候可以選擇一個(gè)適合您要使用的應用與模型的框架。 TensorFlow是最好的深度學(xué)習框架。它支持所有流行的模型（CNN、RNN、LSTM等），并允許您使用Python或C++進(jìn)行開(kāi)發(fā)。從高端服務(wù)器到移動(dòng)設備，均可部署TensorFlow解決方案。如果您剛剛上手，TensorFlow是一個(gè)不錯的起點(diǎn)，它有教程和豐富的文檔。 CAFFE最初是一個(gè)學(xué)術(shù)項目，但在發(fā)布到開(kāi)源后，已經(jīng)發(fā)展成為一個(gè)流行的深度學(xué)習框架。CAFFE采用C++編寫(xiě)，但也支持Python模型開(kāi)發(fā)。同TensorFlow一樣，它也支持廣泛的深度學(xué)習模型。 PyTorch的框架中。PyTorch是另一個(gè)很好的選擇，它基于豐富的可用信息，包括構建不同類(lèi)型解決方案的實(shí)踐教程。 R語(yǔ)言和環(huán)境是機器學(xué)習和數據科學(xué)的流行工具。其為交互式工具，可幫助您逐步構建解決方案的原型，同時(shí)分階段查看結果。有了Keras（一個(gè)開(kāi)源的神經(jīng)網(wǎng)絡(luò )庫），您可以用極少量的開(kāi)發(fā)投入來(lái)構建CNN和RNN。 模型審核 一旦模型經(jīng)過(guò)訓練并滿(mǎn)足了準確性要求，即可部署到生產(chǎn)系統中。但是到了這一步就需要審核解決方案，以確保其符合要求�？紤]到?jīng)Q策是由模型來(lái)做以及對人們的影響，這一點(diǎn)尤為重要。 有些機器學(xué)習模型是透明的，可以理解（例如，決策樹(shù)）。但深度神經(jīng)網(wǎng)絡(luò )等其他模型被認為是“黑箱”，決策是由數百萬(wàn)個(gè)無(wú)法用模型本身解釋的計算做出的。因此，過(guò)去一度可以接受定期審核，但是，連續審核正在迅速成為這些暗箱情況下的標配，因為錯誤是不可避免的。一旦發(fā)現錯誤，這些信息可以用作調整模型的數據。 另一個(gè)考慮是解決方案的生命周期。模型會(huì )衰退，輸入數據會(huì )發(fā)生變化，從而導致模型性能的變化。因此，必須接受解決方案隨著(zhù)時(shí)間的推移會(huì )變得羸弱，機器學(xué)習解決方案必須隨著(zhù)周?chē)澜绲淖兓粩嘧龀龈淖儭?br /> 總結 為了部署機器學(xué)習解決方案，我們從一個(gè)問(wèn)題開(kāi)始，然后考慮可能的解決模型。接下來(lái)是獲取數據，經(jīng)過(guò)正確清理和分割，就可以使用機器學(xué)習框架訓練和驗證模型。并非所有的框架都是相同的，您可以根據您的模型和經(jīng)驗來(lái)選擇和應用。然后，使用該框架部署機器學(xué)習解決方案，通過(guò)適當的審核，解決方案可以在真實(shí)世界中使用實(shí)時(shí)數據進(jìn)行運算。 來(lái)源：貿澤電子 作者：M. Tim Jones |
