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の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
データサイエンティストって何だ?
OpenMVS:Multi-View Stereoによる3次...
UnityのTransformクラスについて調べてみた
Pylearn2:ディープラーニングに対応したPythonの...
windowsのエクスプローラでRAW画像のサムネイルを表示...
疑似3D写真が撮れるiPhoneアプリ『Seene』がアップ...
NeuralNetwork.NET:.NETで使えるTens...
科学技術計算向けスクリプト言語『Julia』
Digital Emily Project:人間の顔をそっく...
チャットツール用bot開発フレームワーク『Hubot』
ManuelBastioniLAB:人体モデリングできるBl...
OpenSfM:PythonのStructure from ...
MythTV:Linuxでテレビの視聴・録画ができるオープン...
UnityでARKit2.0
OpenCVで顔のモーフィングを実装する
konashiのサンプルコードを動かしてみた
第25回コンピュータビジョン勉強会@関東に行って来た
Open3D:3Dデータ処理ライブラリ
Seleniumを使ったFXや株の自動取引
フリーのUV展開ツール Roadkill UV Tool
Unityからkonashiをコントロールする
Alice Vision:オープンソースのPhotogram...
adskShaderSDK
U-Net:ディープラーニングによるSemantic Seg...
WinSCP
Unity ARKitプラグインサンプルのチュートリアルを読...
MB-Lab:Blenderの人体モデリングアドオン
GoogleのDeep Learning論文
オープンソースの顔認識フレームワーク『OpenBR』
MeshLab:3Dオブジェクトの確認・変換に便利なフリーウ...
クラスの基本
PythonでMayaのShapeノードプラグインを作る
iOSで使えるJetpac社の物体認識SDK『DeepBel...
書籍『イラストで学ぶ ディープラーニング』
網元AMIで作ったWordpressサイトのインスタンスをt...
書籍『データビジュアライゼーションのデザインパターン20』読...
Houdiniのライセンスの種類
機械学習手法『Random Forest』
PyMC:Pythonのベイズ統計ライブラリ
機械学習に役立つPythonライブラリ一覧
Webスクレイピングの勉強会に行ってきた
Physics Forests:機械学習で流体シミュレーショ...
コメント