Practical Aspects of Learning
轉載請註明作者：夢裏風林
Github工程地址：https://github.com/ahangchen/GDLnotes
歡迎star，有問題可以到Issue區討論
官方教程地址
視頻/字幕下載課程目標：學習簡單的數據展示，訓練一個Logistics Classifier，熟悉以後要使用的數據
Install Ipython NoteBook
可以參考這個教程
- 可以直接安裝anaconda，裏面包含了各種庫，也包含了ipython；
- 推薦使用python2的版本，因爲很多lib只支持python2，而且python3在升級中，支持3.4還是3.5是個很糾結的問題。
- 安裝anaconda後直接在終端輸入 ipython notebook，則會運行一個ipython的server端，同時在你的瀏覽器中打開基於你終端目錄的一個頁面：
![]()
- 點開ipynb文件即可進入文件編輯頁面
![]()
上圖即爲practical部分的教程，可以在github下載
官方推薦使用docker來進行這部分教程，但簡單起見我們先用ipython notebook
Install TensorFlow
安裝教程就在TensorFlow的github頁上>>>點擊查看
按照官方的流程裝就好了，這裏講一下幾種方式的特點：
1. pip: 安裝在全局的python解釋器中，簡單
2. Third party: Virtualenv, Anaconda and Docker：都能創建tensorflow獨立的編譯環境，但就是多了一份包
3. Source: 能夠適應不同的python版本（比如編譯一個3.5版的），但源碼編譯可能有許多坑
- ubuntu安裝時，需要注意自己的python - pip - tensorflow版本是否對應（比如是否都是2.7），
- 使用sudo命令時，注意自己的環境變量是否變化（會導致pip或python命令對應的版本變化）
具體講一下ubuntu安裝tensorflow流程：
- 安裝anaconda2
- 確定自己終端的pip和python版本：
$ pip -V && python -V
確認使用的是否都來自anaconda，如果不是，則應該使用類似這樣的命令運行對應的pip：
$ /home/cwh/anaconda2/bin/pip -V使用sudo命令時最好也看一下版本
使用anaconda創建一個tensorflow虛擬環境：
$ conda create -n tensorflow python=2.7切換到tensorflow環境下（實際上是更換了環境變量裏的pip和python），下載安裝tensorflow，需要sudo權限
$ source activate tensorflow (tensorflow)$ sudo pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.wh $ source deactivate
注意如果安裝的是gpu版本，還需要按照官網說明安裝cuda和cudaCNN
- 安裝成功後就可以在tensorflow的python環境下，執行import tensorflow看看了。
notMNIST
修改的MNIST，不夠乾淨，更接近真實數據，比MNIST任務更困難。
Todo
我將官方教程的一個文件拆成了多個（以文件持久化爲邊界），然後在schedule.py裏統一調用，在各個文件裏可以執行各個部分的功能測試。
下載
- 使用urlretrieve來獲取數據集notMNIST_large.tar.gz和notMNIST_small.tar.gz
代碼示例：load_data.py
解壓
- 使用tarfile模塊來解壓剛剛下載的壓縮包
代碼示例：extract.py
讀圖 - 展示 - 序列化
- 用ndimage讀取一部分圖片，用pickle將讀取到的對象（ndarray對象的list）序列化存儲到磁盤
- 用matplotlib.plot.imshow實現圖片顯示，可以展示任意的numpy.ndarray，詳見show_imgs(dataset)
- 這裏展示的是二值化圖片，可以設置顯示爲灰度圖
- 將每個class對應的圖像數據集序列化到磁盤
代碼示例：img_pickle.py
整理數據集
- 用pickle讀取pickle文件，
- 從train_folder中爲10個class分別獲取10000個valid_dataset和20000個train_dataset，
- 其中對每個class讀取到的數據，用random.shuffle將數據亂序化
- 將各個class及其對應的label序列化到磁盤，分別爲訓練器和校驗集
- 從test_folder中爲10個class分別獲取10000個test_dataset,
- 其中對每個class讀取到的數據，用random.shuffle將數據亂序化
- 將各個class及其對應的label序列化到磁盤，作爲測試集
代碼示例merge_prune.py
去除重複數據
- load_pickle，加載dataset
- 先將valid_dataset中與test_dataset重複部分剔除，再將train_dataset中與valid_dataset重複部分剔除
- 每個dataset都是一個二維浮點數組的list，也可以理解爲三維浮點數組，
- 比較list中的每個圖，也就是將list1中每個二維浮點數組與list2中每個二維浮點數組比較
示例代碼即爲clean_overlap.py中的imgs_idx_except
我們在拿list1中的一個元素跟list2中的一個元素比較時，總共需要比較len(list1) * len(list2) * image_size * image_size次，速度極慢
- 實際上這是有重複的計算的，就在於，list2中的每個元素，都被遍歷了len(list1)次
- 因此有這樣的一個優化，我們遍歷每個圖，用圖中的灰度值，仿照BKDRHash，得到每個圖都不同的hash值，比較hash值來比較圖像
示例代碼即爲clean_overlap.py中的imgs_idx_hash_except
這樣每個圖都只需要訪問一次，計算hash的時間變爲(len(list1) + len(list2)) * image_size * image_size
- 比較的次數是len(list1) * len(list2)
- 由於我們的數據中，list1和list2的長度是大數，所以節省的時間是相當可觀的
在我的機器上，比較完valid_dataset和test_dataset需要的時間分別是25000秒（10000次比較，每次2-3秒）和60秒
然後再將清理後的數據序列化到磁盤即可
代碼示例： clean_overlap.py
訓練一個logistics 模型
- 將train_dataset作爲輸入，用valid_dataset進行驗證（預測成功率82.5%）
- 爲了重複利用訓練後的分類器，將其序列化到磁盤
代碼示例： logistic_train.py
Measure Performance
- 分類器會嘗試去記住訓練集
- 遇到訓練集中沒有的數據時，分類器可能就沒轍了
- 所以我們應該measure的是，分類器如何產生新數據（生成能力（推導能力）越大，說明它應對新數據能力越強）
- 僅measure分類器記憶數據集的能力並不能應對新數據（沒有學到規律），所以不應該拿舊數據去measure
因此measure的方式應該是拿新數據去看分類器的預測準確度（never see, can’t memorize）
但是在measure的過程中，我們會根據測試數據去重新調整分類器，使其對所有測試數據都生效
也就是說測試數據變成了訓練集的一部分，因此這部分數據我們只能作爲valid_dataset，而不能用於衡量最後的performance
解決方法之一即，最終進行performance measure的數據集，必須是調整分類器的過程中沒有使用過的
即堅持一個原則，測試數據不用於訓練
在機器學習比賽Kaggle中，有public data，validate data，並有用於測試（選手未知）的private data，只有在訓練時自己的分類器時，預先取一部分數據作爲test data，
才能不會在train和valid的過程中被已有數據所矇蔽
Validation dataset
- 驗證集越大，驗證的可信度越大
- 統計學上，調整分類器後，當30個以上預測結果的正確性發生變化的話，這種變化是可信的，值得注意的，小於30是噪音
- 因此Validation dataset通常數據要大於30000個，在準確率變化高於0.1%時，認爲分類器的performance變化
- 但這樣需要的數據往往偏多，所以可以嘗試交叉驗證（cross validation），交叉驗證有個缺點是速度慢
覺得我的文章對您有幫助的話，就給個star吧