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。


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。


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。



スポンサーリンク

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

cvui:OpenCVのための軽量GUIライブラリ
人体モデリングできるBlenderアドオン『ManuelBastioniLAB』
「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
オープンソースの物理ベースGIレンダラ『appleseed』
Unity MonoBehaviourクラスのオーバーライド関数が呼び出される順番
JavaScriptとかWebGLとかCanvasとか
Google App Engine上のWordPressでFlickrの画像を貼る
Pix2Pix:CGANによる画像変換
OpenCLに対応したオープンソースの物理ベースレンダラ『LuxRender(ルクスレンダー)』
Mechanizeで要認証Webサイトをスクレイピング
Cartographer:オープンソースのSLAMライブラリ
UnityのMonoBehaviourクラスをシングルトン化する
CycleGAN:ドメイン関係を学習した画像変換
SegNet:ディープラーニングによるSemantic Segmentation手法
SONYの自律型エンタテインメントロボット『aibo』
iPhoneで3D写真が撮れるアプリ『seene』
Active Appearance Models(AAM)
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』
IronPythonを使ってUnity上でPythonのコードを実行する
Python.NET:Pythonと.NETを連携させるパッケージ
adskShaderSDK
オープンソースの物理ベースレンダラ『Mitsuba』をMayaで使う
BlenderのPython環境にPyTorchをインストールする
iPhoneアプリ開発 Xcode 5のお作法
続・ディープラーニングの資料
Pythonの自然言語処理ライブラリ『NLTK(Natural Language Toolkit)』
Konashiを買った
Iterator
Webスクレイピングの勉強会に行ってきた
組み込み向けのWindows OS 『Windows Embedded』
第25回コンピュータビジョン勉強会@関東に行って来た
Google App EngineでWordPress
OpenSfM:PythonのStructure from Motionライブラリ
全脳アーキテクチャ勉強会
ドットインストールのWordPress入門レッスン
Leap MotionでMaya上のオブジェクトを操作できるプラグイン
Amazon Web ServicesでWordPress
Virtual Network Computing
書籍『伝わる イラスト思考』読了
WordPress on Windows Azure
BlenderでPhotogrammetryできるアドオン
hloc:SuperGlueで精度を向上させたSfM実装

コメント