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

CGALDotNet:計算幾何学ライブラリ CGALのC#ラッパー

無料の英文チェックWebサービス『PaperRater』

UnityからROSを利用できる『ROS#』

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』

WordPress on Windows Azure

機械学習手法『Random Forest』

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』

OpenCVでPhotoshopのプラグイン開発

Unityからkonashiをコントロールする

HerokuでMEAN stack

Google製オープンソース機械学習ライブラリ『TensorFlow』のWindows版が公開された

UnityでOpenCVを使うには?

写真から3Dメッシュの生成・編集ができる無料ツール『Autodesk Memento』

フォトンの放射から格納までを可視化した動画

ニューラルネットワークで画像分類

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』

マインドマップ作成ツール『MindNode』

Web経由でRaspberry PiのGPIOを操作したい

GoB:ZBrushとBlenderを連携させるアドオン

MVStudio:オープンソースのPhotogrammetryツール

オープンソースのIT資産・ライセンス管理システム『Snipe-IT』

「ベンジャミン·バトン数奇な人生」でどうやってCGの顔を作ったのか

Mayaのプラグイン開発

Raspberry PiのGPIOを操作するPythonライブラリ『RPi.GPIO』の使い方

VCG Library:C++のポリゴン操作ライブラリ

KelpNet:C#で使える可読性重視のディープラーニングライブラリ

映画から想像するVR・AR時代のGUIデザイン

Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...

MPFB2:Blenderの人体モデリングアドオン

Kinect for Windows v2の日本価格決定

Windows10でPyTorchをインストールしてVSCodeで使う

iPhoneで3D写真が撮れるアプリ『seene』

書籍『ROSプログラミング』

UnityでARKit2.0

JavaScriptとかWebGLとかCanvasとか

SDカードサイズのコンピューター『Intel Edison』

Python拡張モジュールのWindows用インストーラー配布サイト

コンピュータビジョンの技術マップ

libigl:軽量なジオメトリ処理ライブラリ

Pythonのソースコードに特化した検索エンジン『Nullege』

Pythonの自然言語処理ライブラリ『NLTK(Natural Language Toolkit)』

Google App Engine上のWordPressでAmazonJSを利用する

コメント