隨著機(jī)器學(xué)習(xí)(ML)成為每個(gè)行業(yè)的重要組成部分，對(duì)機(jī)器學(xué)習(xí)工程師(MLE)的需求急劇增長(zhǎng)。MLE需要將機(jī)器學(xué)習(xí)技能與軟件工程專業(yè)知識(shí)相結(jié)合，為特定應(yīng)用程序找到高性能的模型，并應(yīng)對(duì)出現(xiàn)的實(shí)施挑戰(zhàn)——從構(gòu)建訓(xùn)練基礎(chǔ)架構(gòu)到準(zhǔn)備部署模型。在新的機(jī)器學(xué)習(xí)團(tuán)隊(duì)中，遇到最常見(jiàn)的障礙之一是工程師習(xí)慣傳統(tǒng)軟件工程的開(kāi)發(fā)過(guò)程，而開(kāi)發(fā)新ML模型的過(guò)程從一開(kāi)始就是非常不確定的，需要不斷的嘗試才能找到一個(gè)比較合適的模型。

許多類型的專業(yè)人員都面臨著類似的情況：軟件和商業(yè)開(kāi)發(fā)人員，尋求產(chǎn)品市場(chǎng)契合的初創(chuàng)公司等，這些職業(yè)中的每一個(gè)都采用了一個(gè)共同的框架，以幫助團(tuán)隊(duì)高效地工作：軟件開(kāi)發(fā)中的agile/scrum，初創(chuàng)公司和美國(guó)空軍的OODA環(huán)。MLE同樣可以遵循類似的框架來(lái)應(yīng)對(duì)不確定性并快速開(kāi)發(fā)出優(yōu)質(zhì)的產(chǎn)品。

ML工程環(huán)

在本文中，我們將描述ML的“OODA環(huán)”的概念：ML工程循環(huán)，其中ML工程師迭代地

1.分析

2.選擇一種方法

3.實(shí)現(xiàn)

4.測(cè)量

快速有效地發(fā)現(xiàn)最佳模型并適應(yīng)未知的環(huán)境。此外，我們將為每個(gè)階段，以及優(yōu)化過(guò)程給出具體的提示。

 

 

MLE環(huán)

ML團(tuán)隊(duì)的成功通常意味著在給定的約束條件下提供高性能模型。例如，實(shí)現(xiàn)高預(yù)測(cè)準(zhǔn)確性的模型，同時(shí)還受到內(nèi)存使用、預(yù)測(cè)時(shí)間等約束。性能由與最終產(chǎn)品成功最相關(guān)的指標(biāo)定義，無(wú)論是準(zhǔn)確性、運(yùn)行速度、輸出多樣性等。簡(jiǎn)單起見(jiàn)，本文選擇將“錯(cuò)誤率”最小化作為性能指標(biāo)。

當(dāng)剛開(kāi)始確定新項(xiàng)目的范圍時(shí)，就應(yīng)該準(zhǔn)確定義成功的標(biāo)準(zhǔn)，然后將其轉(zhuǎn)換為模型指標(biāo)。在產(chǎn)品方面，服務(wù)需要達(dá)到什么樣的性能水平?例如，如果在新聞平臺(tái)上向個(gè)人用戶推薦5篇文章，我們需要多少相關(guān)內(nèi)容，以及如何定義相關(guān)性?鑒于此性能標(biāo)準(zhǔn)和擁有的數(shù)據(jù)，可以構(gòu)建的最簡(jiǎn)單的模型是什么?

ML工程環(huán)的目的是圍繞開(kāi)發(fā)過(guò)程設(shè)置一個(gè)死記硬背的框架，簡(jiǎn)化決策過(guò)程，專注于其中最重要的步驟。當(dāng)不確定性增加時(shí)，即使是最有經(jīng)驗(yàn)的工程師，這個(gè)框架仍然是非常有價(jià)值，例如，當(dāng)模型意外地?zé)o法滿足要求時(shí)、團(tuán)隊(duì)的目標(biāo)突然改變等情況。

入門

要引導(dǎo)下面描述的循環(huán)，您應(yīng)該從一個(gè)涉及非常少的不確定性的最小實(shí)現(xiàn)開(kāi)始。通常我們希望盡快建立足夠的系統(tǒng)，以便我們可以評(píng)估其性能并開(kāi)始迭代開(kāi)發(fā)。這通常意味著：

設(shè)置訓(xùn)練、開(kāi)發(fā)和測(cè)試數(shù)據(jù)集，以及構(gòu)建好一個(gè)簡(jiǎn)單的模型。

例如，如果要構(gòu)建一個(gè)樹(shù)木探測(cè)器來(lái)測(cè)量一個(gè)地區(qū)的樹(shù)木種群，可能會(huì)使用類似的Kaggle 競(jìng)賽中的現(xiàn)成訓(xùn)練集，以及來(lái)自目標(biāo)區(qū)域的手工收集的一組照片用于開(kāi)發(fā)和測(cè)試集。然后可以對(duì)原始像素進(jìn)行邏輯回歸，或者在訓(xùn)練圖像上運(yùn)行預(yù)訓(xùn)練網(wǎng)絡(luò)(如ResNet)。此時(shí)的目標(biāo)不是一次性地完成項(xiàng)目，而是開(kāi)始迭代周期。以下是一些有所幫助的提示：

提示

關(guān)于測(cè)試集：

由于團(tuán)隊(duì)的目標(biāo)是在測(cè)試集上表現(xiàn)良好，所以測(cè)試集應(yīng)該反映產(chǎn)品或業(yè)務(wù)的需求。例如，如果正在構(gòu)建一個(gè)應(yīng)用程序來(lái)檢測(cè)自拍的皮膚狀況，請(qǐng)隨意對(duì)任何一組圖像進(jìn)行訓(xùn)練，但要確保測(cè)試集中包含光線不足且質(zhì)量差的圖片。

更改測(cè)試集會(huì)改變團(tuán)隊(duì)的目標(biāo)，因此盡早修復(fù)測(cè)試集并對(duì)其進(jìn)行修改以反映項(xiàng)目、產(chǎn)品或業(yè)務(wù)目標(biāo)的變化會(huì)很有幫助。

測(cè)試集合訓(xùn)練集大小都設(shè)置足夠大，以使獲得的性能指標(biāo)足夠準(zhǔn)確，以便在模型之間做出良好區(qū)分。

盡可能地為開(kāi)發(fā)集和測(cè)試集創(chuàng)建對(duì)的標(biāo)簽或注釋。錯(cuò)誤標(biāo)記的測(cè)試集等同于錯(cuò)誤指定的產(chǎn)品要求。

了解人類在測(cè)試集上的表現(xiàn)如何，或者現(xiàn)有/競(jìng)爭(zhēng)系統(tǒng)的表現(xiàn)如何，這將為你提供最佳的錯(cuò)誤率，即目前可以實(shí)現(xiàn)的最佳性能。

最終目標(biāo)是使測(cè)試性能盡可能接近我們的猜測(cè)，以獲得最佳性能。

關(guān)于開(kāi)發(fā)和訓(xùn)練集：

開(kāi)發(fā)集是團(tuán)隊(duì)的測(cè)試性能代理，可用于超參數(shù)的調(diào)整。因此，它應(yīng)該與測(cè)試集有相同的分布。一個(gè)好方法是首先收集一大堆樣本，然后將它們隨機(jī)分成開(kāi)發(fā)集和測(cè)試集。

如果認(rèn)為生產(chǎn)數(shù)據(jù)會(huì)產(chǎn)生噪音，請(qǐng)確保通過(guò)使用數(shù)據(jù)增強(qiáng)或降級(jí)來(lái)解決訓(xùn)練集中的噪音問(wèn)題。

一旦獲得初始原型后，應(yīng)檢查其在訓(xùn)練、開(kāi)發(fā)和測(cè)試集上的性能，評(píng)估測(cè)試性能與產(chǎn)品所需性能之間的差距。開(kāi)始迭代開(kāi)發(fā)模型了!

 

 

分析

確定性能瓶頸

分析階段就像醫(yī)療診斷一樣：配備了一套可以執(zhí)行的診斷程序，目標(biāo)是針對(duì)限制模型性能的因素提出最可能的診斷。在實(shí)踐中，可能會(huì)有許多不同的重疊問(wèn)題導(dǎo)致當(dāng)前的結(jié)果。不要試圖全面了解每一個(gè)缺點(diǎn)，而是要了解最重要的因素，因?yàn)樵S多小問(wèn)題會(huì)隨著模型改進(jìn)而改變甚至消失。

下面，我們列出了一組常用的診斷流程。

每次分析的一個(gè)良好起點(diǎn)是查看訓(xùn)練、開(kāi)發(fā)和測(cè)試性能。建議在每次實(shí)驗(yàn)結(jié)束時(shí)使用代碼執(zhí)行此操作，以使自己習(xí)慣于每次查看這些數(shù)字。一般而言，訓(xùn)練集錯(cuò)誤<=開(kāi)發(fā)集錯(cuò)誤<=測(cè)試集錯(cuò)誤(如果每組中的數(shù)據(jù)遵循相同的分布)。根據(jù)上一次實(shí)驗(yàn)的訓(xùn)練、開(kāi)發(fā)和測(cè)試錯(cuò)誤率，可以快速查看這些因素中的哪些是當(dāng)前的約束約束。

 

 

權(quán)重直方圖

診斷和治療

如果訓(xùn)練集錯(cuò)誤是當(dāng)前的限制因素，則可能會(huì)出現(xiàn)以下問(wèn)題：

1.優(yōu)化算法未被精確調(diào)整。查看學(xué)習(xí)曲線，看看loss損失是否在減少，檢查是否過(guò)擬合�？梢酝ㄟ^(guò)可視化神經(jīng)元反應(yīng)的直方圖，以檢查它們是否飽和(導(dǎo)致梯度消失)。

2.訓(xùn)練集可能包含錯(cuò)誤標(biāo)記或損壞的數(shù)據(jù)。在訓(xùn)練算法使用之前，在代碼階段手動(dòng)檢查一些訓(xùn)練樣例。

3.模型可能太小或泛化能力不強(qiáng)。

如果開(kāi)發(fā)集錯(cuò)誤是當(dāng)前限制因素，這可能是由以下問(wèn)題引起的：

1.模型可能太大或過(guò)擬合。

2.沒(méi)有足夠的訓(xùn)練數(shù)據(jù)來(lái)學(xué)習(xí)基礎(chǔ)模式的良好模型。

3.訓(xùn)練數(shù)據(jù)的分布與開(kāi)發(fā)或測(cè)試數(shù)據(jù)分布不匹配。

4.模型的超參數(shù)設(shè)置很差。

5.模型歸納與數(shù)據(jù)匹配不佳。

如果測(cè)試集錯(cuò)誤是當(dāng)前限制因素，這通常是由于開(kāi)發(fā)集太小或者實(shí)驗(yàn)過(guò)程中過(guò)度擬合開(kāi)發(fā)集導(dǎo)致。

對(duì)于上述任何一種情況，可以通過(guò)手動(dòng)檢查模型出錯(cuò)的一組隨機(jī)示例來(lái)了解模型的失敗。

1.嘗試通過(guò)可視化數(shù)據(jù)來(lái)識(shí)別常見(jiàn)的錯(cuò)誤類型，然后瀏覽這些示例并記錄每種錯(cuò)誤發(fā)生的頻率。

2.某些樣本可能被錯(cuò)誤標(biāo)記或具有多個(gè)合理標(biāo)簽。

3.一些樣本可能比其他樣本更難預(yù)測(cè)，或者可能缺少做出正確決策所需的上下文。

請(qǐng)注意，上述許多診斷都有直接而明顯的應(yīng)對(duì)方法。例如，如果訓(xùn)練數(shù)據(jù)太少，那么只需獲取更多訓(xùn)練數(shù)據(jù)即可!我們?nèi)匀话l(fā)現(xiàn)在心理上將分析階段和選擇階段分開(kāi)是有用的，因?yàn)楹芏嗳巳菀紫萑雵L試隨機(jī)方法而不真正深入挖掘潛在的問(wèn)題。此外，以開(kāi)放的心態(tài)努力回歸錯(cuò)誤分析通常會(huì)發(fā)現(xiàn)更有用的見(jiàn)解，可以改善做出的決定。

例子

 

 

眾所周知，衛(wèi)星數(shù)據(jù)噪聲很大，通常需要檢查。以Insight為例，當(dāng)AI研究員Jack Kwok正在建立一個(gè)幫助災(zāi)難恢復(fù)的分割系統(tǒng)時(shí)，他注意到雖然他的分割模型在他的衛(wèi)星圖像訓(xùn)練集上表現(xiàn)良好，但它在開(kāi)發(fā)集上表現(xiàn)不佳。原因是颶風(fēng)圖像質(zhì)量較低且比訓(xùn)練數(shù)據(jù)更模糊。向訓(xùn)練管道添加額外的增強(qiáng)操作，對(duì)圖像應(yīng)用模糊有助于縮小訓(xùn)練和開(kāi)發(fā)性能之間的差距。

 

 

選擇方法

找到解決瓶頸的最簡(jiǎn)單方法

在進(jìn)行分析之后，需要很好地了解模型所出現(xiàn)的錯(cuò)誤類型以及影響性能的因素。對(duì)于給定的診斷，可能存在幾種可能的解決方案，下一步是枚舉并優(yōu)化它們。

上面的一些診斷有著潛在的解決方案。例如，如果訓(xùn)練數(shù)據(jù)集太小，收集更多訓(xùn)練數(shù)據(jù)可能是一個(gè)相當(dāng)快速和簡(jiǎn)單的解決方案。

建議ML工程師列舉盡可能多的想法，然后偏向簡(jiǎn)單、快速的解決方案。如果現(xiàn)有解決方案可能有效，請(qǐng)嘗試在此基礎(chǔ)之上使用遷移學(xué)習(xí)。

提示

根據(jù)診斷，以下是一些常見(jiàn)的解決方案。

如果需要調(diào)整優(yōu)化器以更好地適應(yīng)數(shù)據(jù)：

對(duì)于數(shù)值優(yōu)化器，嘗試調(diào)整學(xué)習(xí)速率或動(dòng)量設(shè)置。

嘗試不同的初始化策略，或從預(yù)先訓(xùn)練的模型開(kāi)始。

嘗試一種更容易調(diào)整的模型。在深度學(xué)習(xí)中，具有批量歸一化的剩余網(wǎng)絡(luò)或網(wǎng)絡(luò)可能更容易訓(xùn)練。

如果模型無(wú)法很好地?cái)M合訓(xùn)練數(shù)據(jù)：

使用更大或更具表現(xiàn)力的模型類。

檢查模型在標(biāo)記錯(cuò)誤、缺少字段等的訓(xùn)練集上出錯(cuò)的示例。在訓(xùn)練數(shù)據(jù)清理中投入時(shí)間可以顯著改善性能。

如果模型沒(méi)有在開(kāi)發(fā)集表現(xiàn)不好：

添加更多訓(xùn)練數(shù)據(jù)。

使用真實(shí)訓(xùn)練示例生成的新樣本擴(kuò)充數(shù)據(jù)。例如，如果注意樹(shù)檢測(cè)器在模糊圖像上始終表現(xiàn)不佳，請(qǐng)使用OpenCV對(duì)圖像增強(qiáng)，使圖像看起來(lái)有點(diǎn)模糊。

搜索更廣泛或更細(xì)粒度的超參數(shù)范圍，以確保在開(kāi)發(fā)集上找到表現(xiàn)最佳的模型。

嘗試不同形式的正則化(例如權(quán)重衰減、dropout或決策樹(shù)的修剪)。

嘗試不同的模型，不同類型的模型可以改變數(shù)據(jù)擬合程度以及泛化能力。最好先從最簡(jiǎn)單的模型開(kāi)始。

 

 

實(shí)現(xiàn)

只構(gòu)建需要構(gòu)建的內(nèi)容，并快速完成

這個(gè)階段的目標(biāo)是快速實(shí)現(xiàn)基礎(chǔ)模型，以便可以測(cè)量出結(jié)果，并從中學(xué)習(xí)，之后快速回到開(kāi)發(fā)循環(huán)周期中。因此，建議專注于構(gòu)建當(dāng)前實(shí)驗(yàn)所需的內(nèi)容。

提示

大多數(shù)人高估了收集和標(biāo)記數(shù)據(jù)所帶來(lái)的成本，并低估了在數(shù)據(jù)匱乏的環(huán)境中解決問(wèn)題的困難。

當(dāng)收集和標(biāo)記數(shù)據(jù)時(shí)：

定期查看數(shù)據(jù)。查看原始數(shù)據(jù)，在預(yù)處理后查看、查看標(biāo)簽。這一點(diǎn)非常重要!通過(guò)在每個(gè)步驟中密切關(guān)注數(shù)據(jù)來(lái)捕獲許多錯(cuò)誤。

標(biāo)簽和清洗數(shù)據(jù)是一項(xiàng)常見(jiàn)任務(wù)。大多數(shù)人高估了收集和標(biāo)記數(shù)據(jù)所帶來(lái)的成本，并低估了在數(shù)據(jù)匱乏的環(huán)境中解決問(wèn)題的困難。一旦進(jìn)入節(jié)奏，可以輕松地每分鐘標(biāo)記20張圖像。思考下，你是想花一個(gè)小時(shí)標(biāo)記圖像，并花一個(gè)小時(shí)來(lái)解決1200個(gè)圖像數(shù)據(jù)集的簡(jiǎn)單分類問(wèn)題，或者花3個(gè)星期試圖從5個(gè)樣本中學(xué)習(xí)模型呢?

當(dāng)構(gòu)造新的模型時(shí)，請(qǐng)從類似的現(xiàn)有實(shí)現(xiàn)開(kāi)始。許多相似的研究論文都開(kāi)源代碼，這將節(jié)省大量的開(kāi)發(fā)時(shí)間。對(duì)于任何問(wèn)題，建議連續(xù)執(zhí)行以下步驟：

1.找到解決類似問(wèn)題的模型的實(shí)現(xiàn)。

2.在現(xiàn)有模型(相同數(shù)據(jù)集和超參數(shù))的條件下重現(xiàn)實(shí)驗(yàn)。

3.慢慢調(diào)整模型和數(shù)據(jù)以滿足任務(wù)的需求。

4.重寫所需的任何部件。

編寫測(cè)試程序以檢查梯度、張量值、輸入數(shù)據(jù)和標(biāo)簽是否格式正確。在最初設(shè)置模型時(shí)執(zhí)行此操作，這樣一旦捕獲錯(cuò)誤并解決后，之后再也不會(huì)遇到了。

 

 

測(cè)量

打印出需要的測(cè)試結(jié)果和任何其他指標(biāo)。

如果實(shí)驗(yàn)結(jié)果的表現(xiàn)有所改善，這可能說(shuō)明你正走上正軌。在這種情況下，可能是弄清楚運(yùn)行良好組件的好時(shí)機(jī)，并確保團(tuán)隊(duì)中的其他人可以復(fù)現(xiàn)該實(shí)驗(yàn)。

另一方面，如果性能變差或沒(méi)有足夠的改善，你需要決定是再次嘗試(回到分析階段)還是放棄當(dāng)前的想法。這點(diǎn)取決于二者的成本，嘗試成本和沉沒(méi)成本。

提示

有用的績(jī)效指標(biāo)包括模型的準(zhǔn)確性和損失，以及業(yè)務(wù)價(jià)值指標(biāo)。注意，業(yè)務(wù)相關(guān)的指標(biāo)最終是重要的，因?yàn)樗鼈儧Q定了目前開(kāi)發(fā)的模型的有用性。如果測(cè)試指標(biāo)與業(yè)務(wù)指標(biāo)不同，則此測(cè)量周期結(jié)束是停止并考慮更改優(yōu)化標(biāo)準(zhǔn)或測(cè)試集的好時(shí)機(jī)。

由于在每個(gè)開(kāi)發(fā)循環(huán)結(jié)束時(shí)都打印出相關(guān)的指標(biāo)，此時(shí)也是計(jì)算其他指標(biāo)的時(shí)機(jī)，可以在分析階段幫助你看決定是否繼續(xù)使用當(dāng)前的想法。

最終會(huì)建立一個(gè)“儀表板”，其中包含測(cè)試指標(biāo)和業(yè)務(wù)指標(biāo)，以及每次實(shí)驗(yàn)結(jié)束時(shí)可以看到的其他有用數(shù)據(jù)。

優(yōu)化循環(huán)

盡管任務(wù)固有的不確定性，上面的ML工程環(huán)將幫助開(kāi)發(fā)者朝著更好的模型方向前進(jìn)。遺憾的是，它無(wú)法保證立刻開(kāi)發(fā)出正確的模型，還需要我們需要培養(yǎng)自己在每個(gè)階段做出正確選擇的能力，比如確定性能瓶頸、決定嘗試哪些解決方案、如何正確實(shí)現(xiàn)，以及如何衡量應(yīng)用程序的性能。此外，還應(yīng)該花時(shí)間考慮提高迭代的質(zhì)量和速度，以便在每個(gè)周期中取得最大進(jìn)展，并且可以快速完成多次迭代。

提示

如果在分析階段的結(jié)果并不滿意的話，請(qǐng)創(chuàng)建一個(gè)總結(jié)實(shí)驗(yàn)結(jié)果的腳本，從訓(xùn)練和開(kāi)發(fā)集中收集錯(cuò)誤，并對(duì)其進(jìn)行格式化。“儀表板”經(jīng)常使用的診斷輸出能幫助你克服這一時(shí)刻的思維。

如果覺(jué)得自己想要嘗試什么，那就只選擇一個(gè)方向?qū)ζ溥M(jìn)行實(shí)驗(yàn)。試圖一次做太多事情會(huì)減慢速度。

收集數(shù)據(jù)是獲得更好性能的常用方法，投資工具以使數(shù)據(jù)更易于收集、清理和標(biāo)記是有意義的。

如果感覺(jué)困在診斷瓶頸或不知道如何選擇一個(gè)好的模型來(lái)嘗試下一步時(shí)，請(qǐng)考慮聯(lián)系該領(lǐng)域的專家。專家通�？梢栽阱e(cuò)誤分析期間提供有用的見(jiàn)解，而研究論文或經(jīng)驗(yàn)豐富的ML從業(yè)者可能會(huì)有創(chuàng)造性的解決方案添加到您要嘗試的事物列表中。

好的實(shí)現(xiàn)技能很重要，編碼規(guī)范可以防止錯(cuò)誤。

如果實(shí)驗(yàn)花費(fèi)的時(shí)間太長(zhǎng)，請(qǐng)考慮花一些時(shí)間尋找代碼的優(yōu)化，或者與系統(tǒng)專家討論如何加快訓(xùn)練速度。

與其他決策一樣，只有在解決當(dāng)前的痛點(diǎn)時(shí)才能處理這些項(xiàng)目。有些團(tuán)隊(duì)花費(fèi)太多時(shí)間構(gòu)建“完美”框架，卻發(fā)現(xiàn)真正令人頭疼的事情在其他地方。

結(jié)論

機(jī)器學(xué)習(xí)項(xiàng)目具有內(nèi)在的不確定性，上面推薦的方法旨在為開(kāi)發(fā)者提供一些指導(dǎo)。雖然每次實(shí)驗(yàn)的結(jié)果無(wú)法預(yù)測(cè)，很難讓自己對(duì)達(dá)到特定的準(zhǔn)確度目標(biāo)負(fù)責(zé)，但至少可以讓自己負(fù)責(zé)完成錯(cuò)誤分析、制定想法列表、編寫代碼并查看其工作原理。

作者信息

Emmanuel，數(shù)據(jù)科學(xué)家

文章原標(biāo)題《how to deliver on machine learning projects》，譯者：海棠

http://t.cn/EhSVR6w?spm=a2c4e.11153940.blogcont647485.8.ddd050f7NUGCMa

標(biāo)簽： 代碼 腳本 開(kāi)發(fā)者 搜索 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。