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

OpenCV 3.1のsfmモジュールを試す
東京オリンピックと案内表示
Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...
Structure from Motion (多視点画像からの3次元形状復元)
Facebookの顔認証技術『DeepFace』
Raspberry PiのGPIOを操作するPythonライブラリ『RPi.GPIO』の使い方
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』
組み込み向けのWindows OS 『Windows Embedded』
Web経由でRaspberry PiのGPIOを操作したい
OpenCVの超解像(SuperResolution)モジュールを試す
Adobeの手振れ補正機能『ワープスタビライザー』の秘密
ManuelBastioniLAB:人体モデリングできるBlenderアドオン
cvui:OpenCVのための軽量GUIライブラリ
prosper
ROMOハッカソンに行ってきた
R-CNN (Regions with CNN features):ディープラーニングによる一般物体...
MLDemos:機械学習について理解するための可視化ツール
pythonもかじってみようかと
Theia:オープンソースのStructure from Motionライブラリ
Mean Stack開発の最初の一歩
WordPressのサーバ引っ越し方法を考える
Raspberry Piでセンサーの常時稼働を検討する
VCG Library:C++のポリゴン操作ライブラリ
iPhone x ロボットハッカソン~RomoのiPhone用SDKで目覚ましアプリを作る~
フリーのUV展開ツール Roadkill UV Tool
Raspberry Pi 2のGPIOピン配置
疑似3D写真が撮れるiPhoneアプリ『Seene』がアップデートでついにフル3Dモデルが撮影できる...
PyTorch3D:3Dコンピュータービジョンライブラリ
動的なメモリの扱い
python-twitterで自分のお気に入りを取得する
WordPress on Google App Engineを1週間運用してみて
OpenGVのライブラリ構成
Zibra Liquids:Unity向け流体シミュレーションプラグイン
OpenMesh:オープンソースの3Dメッシュデータライブラリ
AnacondaとTensorFlowをインストールしてVisual Studio 2015で使う
Qlone:スマホのカメラで3Dスキャンできるアプリ
Virtual Network Computing
HD画質の無駄遣い
UnityのGameObjectの向きをScriptで制御する
TeleSculptor:空撮動画からPhotogrammetryするツール
3Dモデルを立体視で確認できるVRアプリを作っている
OpenSfM:PythonのStructure from Motionライブラリ

コメント