TorchStudio:PyTorchのための統合開発環境とエコシステム

PyTorch専用IDE(統合開発環境)のTorchStudioがオープンベータで公開されている↓

TorchStudio

数クリックでAIモデルのブラウジング、学習、比較ができ、必要であればコーディングも可能です。

Connected
オフライン・オンライン問わず、数千のデータセットやモデルをブラウジング、ロードできます。 ローカルでもリモートでもモデルの構築と学習ができます。

Visual
データセットを探索、分析、再フォーマットできます。モデルを可視化してデバッグできます。学習をを監視して比較できます。

Flexible
データセット、モデル、アナライザー、損失関数、メトリックなどのモジュールの追加・編集できます。全てデータとパラメーターを互換性のある形式で保存できます。

TorchStudioはWindows, Mac, Ubuntuに対応しており、各プラットフォーム用のインストーラーが配布されている。
リポジトリはGitHubで公開されている↓
https://github.com/TorchStudio/torchstudio

言われてみれば確かに、機械学習においてコーディング自体はそこまで重要じゃない。
どちらかというと、データセットがどんな構成か、学習中に何が起こっているのか、学習済みモデルがどんな性質になったかを確かめるために、探索的にコードを書かざるを得ないだけだ。
機械学習でのコーディングの目的を考えると、やっていることはプログラム開発というよりデバッグに近い。
機械学習の環境に必要なのは可視化・分析機能だ。IDEで言うところのデバッグツールに相当する機能。

追記:各IDE向けのExtensionの配布もはじまった。対応するIDEは、VSCode, PyCharm, Spyder, Sublime。



公式チュートリアルGet Startedをやってみよう↓

Get Started

TorchStudioをインストールしてデータセットを読み込み、モデルを訓練して学習結果を保存する。

TorchStudioのインストール

ご自分の環境に対応したインストーラーをダウンロードしてください:Download

インストーラーを実行し、インストールが完了したらTorchStudioを起動してInstallをクリックしてコンピューターにローカルのPyTorch環境をインストールします。


MNISTデータセットの読み込み・分析

最初にDatasetタブが表示されます。

torchvision.datasetsカテゴリーを選択し、MNISTデータセットを選択してください。このデータセットは、手書きの数字とそれに対応する解釈で構成されています。



次に、Loadをクリックしてください。このデータセットがまだコンピューターに無い場合は自動的にダウンロードされます。

データセットが読み込まれると、このデータセットを探索できるようになります。(他のサンプルを表示するには、Sample 0の値を変更してください)

Optionally click Analyze to produce an analysis report of this dataset.
必要に応じて、Analyzeをクリックしてこのデータセットの分析レポートを作成できます。


MNIST分類モデルを構築して学習する

Click the plus button at the top, next to the Dataset tab. This will create your first model.
上部のDatasetタブの横にあるボタンをクリックしてください。これで最初のモデルが作成されます。

torchstudio.modelsカテゴリーとMNISTClassifierモデルを選択してください。



次に、Buildをクリックしてください。このデータセットがまだコンピューターに無い場合は自動的にダウンロードされます。

モデルが構築されると、そのモデルのGraph表現(上部の入力から下部の出力まで、内部でノードがどのように接続されているか)を確認できます。



この段階では、AIモデルがまだ手書きの数字を正しく解釈できないことに注意してください。Input画面に5が表示されていますが、Output画面には全ての解釈についてほぼ等しい確率が表示されています。

それでは、Trainをクリックしてモデルの学習を開始しましょう。

数分後、Metricプロットが増加するのがわかるはずです。(右下のパネル) これはモデルが適切に学習されており、より正確な解釈が行われていることを意味します。また、Input画面の手書きの数字がOutput画面で正しく解釈されているのが確認できるはずです。



これで全て完了です! 最初のAIモデルを学習できました。

学習結果の保存

Stop Trainingをクリックして > Save Projectをクリックしてプロジェクトを保存するか、 > Export Model…をクリックして学習済みモデルをエクスポートできます。(TorchScriptまたはONNX形式のいずれかを選択してください)


関連記事

ZBrush 4R8 リリース!

ヘッドマウントディスプレイとビジュアリゼーションの未来

html5のcanvasの可能性

MVStudio:オープンソースのPhotogrammetryツール

池袋パルコで3Dのバーチャルフィッティング『ウェアラブル クロージング バイ アーバンリサーチ』

機械学習について最近知った情報

Kinect for Windows v2の日本価格決定

OpenSfM:PythonのStructure from Motionライブラリ

統計的な顔モデル

CGALDotNet:計算幾何学ライブラリ CGALのC#ラッパー

TeleSculptor:空撮動画からPhotogrammetryするツール

SDカードサイズのコンピューター『Intel Edison』

Unityの各コンポーネント間でのやり取り

オープンソースのロボットアプリケーションフレームワーク『ROS (Robot Operating S...

UnityのAR FoundationでARKit 3

OpenCV3.3.0でsfmモジュールのビルドに成功!

C++始めようと思うんだ

『手を動かしながら学ぶエンジニアのためのデータサイエンス』ハンズオンセミナーに行ってきた

WebGL開発に関する情報が充実してきている

ROMOハッカソンに行ってきた

Fast R-CNN:ディープラーニングによる一般物体検出手法

書籍『OpenCV 3 プログラミングブック』を購入

機械学習で遊ぶ

Photogrammetry (写真測量法)

Verilog HDL

Google App Engine上のWordPressでAmazonJSを利用する

Mean Stack開発の最初の一歩

Point Cloud Utils:Pythonで3D点群・Meshを扱うライブラリ

UnityプロジェクトをGitHubで管理する

CNN Explainer:畳み込みニューラルネットワーク可視化ツール

Deep Fluids:流体シミュレーションをディープラーニングで近似する

Unity ARKitプラグインサンプルのドキュメントを読む

ブログをGoogle App EngineからAmazon EC2へ移行

Faster R-CNN:ディープラーニングによる一般物体検出手法

Open3D:3Dデータ処理ライブラリ

libigl:軽量なジオメトリ処理ライブラリ

ArUco:OpenCVベースのコンパクトなARライブラリ

機械学習での「回帰」とは?

MeshLab:3Dオブジェクトの確認・変換に便利なフリーウェア

Unity ARKitプラグインサンプルのチュートリアルを読む

Google XML Sitemap Generatorプラグインを3.4.1へダウングレード

ROSの薄い本

コメント