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

3Dスキャンしたテクスチャから照明を除去するUnityツール『De Lighting tool』

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

CGAN (Conditional GAN):条件付き敵対的生成ネットワーク

株式会社ヘキサドライブの研究室ページ

PyMC:Pythonのベイズ統計ライブラリ

UnityでTweenアニメーションを実装できる3種類の無料Asset

スクレイピング

Seleniumを使ったFXや株の自動取引

PythonのHTML・XMLパーサー『BeautifulSoup』

OpenCV 3.1のsfmモジュールのビルド再び

Point Cloud Utils:Pythonで3D点群・Meshを扱うライブラリ

2022年8月 振り返り

Iterator

AMIMOTO(PVM版)で作成したインスタンスをAMIMOTO (HVM版)へ移行する

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

チャットツール用bot開発フレームワーク『Hubot』

データサイエンティストって何だ?

Immersive Math:線形代数をインタラクティブに学べるWebサイト

html5のcanvasの可能性

MVStudio:オープンソースのPhotogrammetryツール

MeshLab:3Dオブジェクトの確認・変換に便利なフリーウェア

Mitsuba 2:オープンソースの物理ベースレンダラ

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』

Unity ARKitプラグインサンプルのチュートリアルを読む

画像認識による位置情報取得 - Semi-Direct Monocular Visual Odome...

オープンソースの物理ベースGIレンダラ『appleseed』

Twitter APIのPythonラッパー『python-twitter』

WordPressのサーバ引っ越し方法を考える

フリーのUV展開ツール Roadkill UV Tool

Faster R-CNN:ディープラーニングによる一般物体検出手法

CGALDotNet:計算幾何学ライブラリ CGALのC#ラッパー

Zibra Liquids:Unity向け流体シミュレーションプラグイン

Kornia:微分可能なコンピュータービジョンライブラリ

OpenCVでPhotoshopのプラグイン開発

PyTorch3D:3Dコンピュータービジョンライブラリ

WordPressプラグインの作り方

SSD (Single Shot Multibox Detector):ディープラーニングによる一般...

オープンソースの顔認識フレームワーク『OpenBR』

WordPressの表示を高速化する

組み込み向けのWindows OS 『Windows Embedded』

pythonの機械学習ライブラリ『scikit-learn』

iOSで使えるJetpac社の物体認識SDK『DeepBelief』

コメント