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。


スポンサーリンク


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。



スポンサーリンク

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)



スポンサーリンク

関連記事

Open3D:3Dデータ処理ライブラリ

Perfumeのライブパフォーマンスのビジュアル

R-CNN (Regions with CNN features):ディープラーニングによる一般物体...

顔追跡による擬似3D表示『Dynamic Perspective』

クラスの基本

Python2とPython3

FCN (Fully Convolutional Network):ディープラーニングによるSema...

OpenCVで顔のモーフィングを実装する

OpenCVでPhotoshopのプラグイン開発

Unity MonoBehaviourクラスのオーバーライド関数が呼び出される順番

頭蓋骨からの顔復元と進化過程の可視化

openMVGをWindows10 Visual Studio 2015環境でビルドする

データサイエンティストって何だ?

読みやすくて高速なディープラーニングのフレームワーク『Caffe』

OpenCVで平均顔を作るチュートリアル

網元AMIで作ったWordpressサイトのインスタンスをt1microからt2microへ移行した

D3.js:JavaScriptのデータビジュアライゼーションライブラリ

Virtual Network Computing

WebGL開発に関する情報が充実してきている

cvui:OpenCVのための軽量GUIライブラリ

プログラムによる景観の自動生成

Point Cloud Libraryに動画フォーマットが追加されるらしい

OpenAR:OpenCVベースのマーカーARライブラリ

BlenderProc:Blenderで機械学習用の画像データを生成するPythonツール

3D復元技術の情報リンク集

東京オリンピックと案内表示

OpenCVの三角測量関数『cv::triangulatepoints』

2D→3D復元技術で使われる用語まとめ

オープンソースの顔認識フレームワーク『OpenBR』

OpenGVの用語

OpenMVSのサンプルを動かしてみる

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...

CGレンダラ研究開発のためのフレームワーク『Lightmetrica (ライトメトリカ)』

ReadCube:文献管理ツール

ニューラルネットワークと深層学習

海外ドラマのChromaKey

UnityのMonoBehaviourクラスをシングルトン化する

書籍『イラストで学ぶ ディープラーニング』

RSSフィードを読込んで表示するWordpressプラグイン『RSSImport』

オープンソースのネットワーク可視化ソフトウェアプラットフォーム『Cytoscape』

スクレイピング

MeshLab:3Dオブジェクトの確認・変換に便利なフリーウェア

コメント