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
WordPress on Google App Engine...
Multi-View Environment:複数画像から3...
口笛から作曲できるスマホアプリ『Chordana Compo...
PyMC:Pythonのベイズ統計ライブラリ
SSII 2014 デモンストレーションセッションのダイジェ...
WebGL開発に関する情報が充実してきている
Python for Unity:UnityEditorでP...
Google App Engineのデプロイ失敗
D3.js:JavaScriptのデータビジュアライゼーショ...
Leap MotionでMaya上のオブジェクトを操作できる...
Alice Vision:オープンソースのPhotogram...
GAN (Generative Adversarial Ne...
機械学習のオープンソースソフトウェアフォーラム『mloss(...
Unity Scriptコーディング→Unreal Engi...
3Dモデルを立体視で確認できるVRアプリを作っている
trimesh:PythonでポリゴンMeshを扱うライブラ...
BlenderのPython環境にPyTorchをインストー...
ニューラルネットワークと深層学習
Unreal Engineの薄い本
Open3D:3Dデータ処理ライブラリ
CGAN (Conditional GAN):条件付き敵対的...
BGSLibrary:OpenCVベースの背景差分ライブラリ
AmazonEC2のインスタンスをt1.microからt2....
GeoGebra:無料で使える数学アプリ
AndroidもopenGLも初心者さ (でもJavaは知っ...
OpenMVSのサンプルを動かしてみる
Immersive Math:線形代数をインタラクティブに学...
オープンソースの取引プラットフォーム
CGのためのディープラーニング
オープンソースのIT資産・ライセンス管理システム『Snipe...
LuxCoreRender:オープンソースの物理ベースレンダ...
Raspberry PiでIoTごっこ
Blender 2.8がついに正式リリース!
OpenCVで顔のランドマークを検出する『Facemark ...
windowsのエクスプローラでRAW画像のサムネイルを表示...
Javaで作られたオープンソースの3DCGレンダラ『Sunf...
Dlib:C++の機械学習ライブラリ
UnityのTransformクラスについて調べてみた
ニューラルネットワークで画像分類
MLDemos:機械学習について理解するための可視化ツール
Google XML Sitemap Generatorプラ...
WordPressの表示を高速化する
コメント