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

ブログのデザイン変えました

Photogrammetry (写真測量法)

OpenGVの用語

Math Inspector:科学計算向けビジュアルプログラ...

Point Cloud Consortiumのセミナー「3D...

UnityでOpenCVを使うには?

CGALDotNet:計算幾何学ライブラリ CGALのC#ラ...

Houdiniのライセンスの種類

Raspberry Pi 2を買いました

CNN Explainer:畳み込みニューラルネットワーク可...

TensorFlowでCGを微分できる『TensorFlow...

オープンソースの顔認識フレームワーク『OpenBR』

Twitter APIのPythonラッパー『python-...

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『RO...

海外ドラマのChromaKey

3D Gaussian Splatting:リアルタイム描画...

Adobeの手振れ補正機能『ワープスタビライザー』の秘密

書籍『3次元コンピュータビジョン計算ハンドブック』を購入

MythTV:Linuxでテレビの視聴・録画ができるオープン...

頭蓋骨からの顔復元と進化過程の可視化

Mechanizeで要認証Webサイトをスクレイピング

OpenCV 3.1とopencv_contribモジュール...

ZBrushで作った3Dモデルを立体視で確認できるVRアプリ...

Connected Papers:関連研究をグラフで視覚的に...

PyTorch3D:3Dコンピュータービジョンライブラリ

CGAN (Conditional GAN):条件付き敵対的...

為替レートの読み方 2WAYプライス表示

フォトンの放射から格納までを可視化した動画

Mitsuba 2:オープンソースの物理ベースレンダラ

DensePose:画像中の人物表面のUV座標を推定する

Mitsuba 3:オープンソースの研究向けレンダラ

Boost オープンソースライブラリ

ZBrush 4R8 リリース!

画像生成AI Stable Diffusionで遊ぶ

コンピュータビジョンの技術マップ

3Dグラフィックスの入門書

Pix2Pix:CGANによる画像変換

口笛から作曲できるスマホアプリ『Chordana Compo...

GoogleのDeep Learning論文

プログラムによる景観の自動生成

UnityでPoint Cloudを表示する方法

クラスの基本

コメント