引言

部署機(jī)器學(xué)習(xí)的過(guò)程涉及多個(gè)步驟。首先選擇一個(gè)模型，針對(duì)特定任務(wù)加以訓(xùn)練，用測(cè)試數(shù)據(jù)進(jìn)行驗(yàn)證，然后，將該模型部署到實(shí)際系統(tǒng)中并進(jìn)行監(jiān)控。在本文中，我們將討論這些步驟，將每個(gè)步驟拆分講解來(lái)介紹機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)是指在沒(méi)有明確指令的情況下能夠?qū)W習(xí)和加以改進(jìn)的系統(tǒng)。這些系統(tǒng)從數(shù)據(jù)中學(xué)習(xí)，用于執(zhí)行特定的任務(wù)或功能。在某些情況下，學(xué)習(xí)，或者更具體地說(shuō)，訓(xùn)練，是在受監(jiān)督的方式下進(jìn)行，當(dāng)輸出不正確時(shí)對(duì)模型加以調(diào)整，使其生成正確的輸出。在其他情況下，則實(shí)行無(wú)監(jiān)督學(xué)習(xí)，由系統(tǒng)負(fù)責(zé)梳理數(shù)據(jù)來(lái)發(fā)現(xiàn)以前未知的模式。大多數(shù)機(jī)器學(xué)習(xí)模型都是遵循這兩種范式（監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)）。

現(xiàn)在，讓我們深入研究“模型”的含義，然后探究數(shù)據(jù)如何成為機(jī)器學(xué)習(xí)的燃料。

機(jī)器學(xué)習(xí)模型

模型是機(jī)器學(xué)習(xí)解決方案的抽象化表述。模型定義架構(gòu)，架構(gòu)經(jīng)過(guò)訓(xùn)練變成產(chǎn)品實(shí)現(xiàn)。所以，我們不是部署模型，而是部署經(jīng)過(guò)數(shù)據(jù)訓(xùn)練的模型的實(shí)現(xiàn)（在下一節(jié)中有更加詳細(xì)的介紹）。模型 + 數(shù)據(jù) + 訓(xùn)練=機(jī)器學(xué)習(xí)解決方案的實(shí)例（圖1）。

圖1：從機(jī)器學(xué)習(xí)模型到解決方案。（圖源：作者）

機(jī)器學(xué)習(xí)解決方案代表一個(gè)系統(tǒng)。它們接受輸入，在網(wǎng)絡(luò)中執(zhí)行不同類(lèi)型的計(jì)算，然后提供輸出。輸入和輸出代表數(shù)值型數(shù)據(jù)，這意味著，在某些情況下，需要轉(zhuǎn)譯。例如，將文本數(shù)據(jù)輸入深度學(xué)習(xí)網(wǎng)絡(luò)需要將單詞編碼成數(shù)字形式，考慮到可以使用的單詞的多樣性，該數(shù)字形式通常是高維向量。同樣，輸出可能需要從數(shù)字形式轉(zhuǎn)譯回文本形式。

機(jī)器學(xué)習(xí)模型有多種類(lèi)型，如神經(jīng)網(wǎng)絡(luò)模型、貝葉斯 (Bayesian) 模型、回歸模型、聚類(lèi)模型等。您選擇的模型是基于著手解決的問(wèn)題。

對(duì)于神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，模型從淺多層網(wǎng)絡(luò)到深度神經(jīng)網(wǎng)絡(luò)，類(lèi)型豐富，而深度神經(jīng)網(wǎng)絡(luò)還包括多層特化神經(jīng)元（處理單元）。深度神經(jīng)網(wǎng)絡(luò)還有一系列基于目標(biāo)應(yīng)用的可用模型。例如：

如果您的應(yīng)用側(cè)重于識(shí)別圖像中的對(duì)象，那么卷積神經(jīng)網(wǎng)絡(luò) (CNN) 就是理想的模型。CNN已被應(yīng)用于皮膚癌檢測(cè)，效果優(yōu)于皮膚科醫(yī)生的平均水平。

如果您的應(yīng)用涉及預(yù)測(cè)或生成復(fù)雜序列（如人類(lèi)語(yǔ)言句子），那么遞歸神經(jīng)網(wǎng)絡(luò) (RNN) 或長(zhǎng)短期記憶網(wǎng)絡(luò) (LSTM) 是理想模型。LSTM也已經(jīng)應(yīng)用到人類(lèi)語(yǔ)言的機(jī)器翻譯中。

如果您的應(yīng)用涉及用人類(lèi)語(yǔ)言描述圖像內(nèi)容，可以使用CNN和LSTM的組合（圖像輸入CNN，CNN的輸出代表LSTM的輸入，后者發(fā)出詞匯序列）。

如果您的應(yīng)用涉及生成現(xiàn)實(shí)圖像（如風(fēng)景或人臉），那么生成對(duì)抗網(wǎng)絡(luò) (GAN) 是當(dāng)前最先進(jìn)的模型。

這些模型代表了當(dāng)今常用的部分深層神經(jīng)網(wǎng)絡(luò)架構(gòu)。深度神經(jīng)網(wǎng)絡(luò)深受歡迎，因?yàn)樗鼈兛梢越邮芊墙Y(jié)構(gòu)化數(shù)據(jù)，如圖像、視頻或音頻信息。網(wǎng)絡(luò)中的各層構(gòu)成一個(gè)特征層次結(jié)構(gòu)，使它們能夠?qū)Ψ浅?fù)雜的信息進(jìn)行分類(lèi)。深度神經(jīng)網(wǎng)絡(luò)已經(jīng)在許多問(wèn)題領(lǐng)域展示出先進(jìn)的性能。但是像其他機(jī)器學(xué)習(xí)模型一樣，它們的準(zhǔn)確性依賴(lài)于數(shù)據(jù)。接下來(lái)我們就探討一下這個(gè)方面。

數(shù)據(jù)和訓(xùn)練

無(wú)論在運(yùn)算中，還是在通過(guò)模型訓(xùn)練構(gòu)建機(jī)器學(xué)習(xí)解決方案的過(guò)程中，數(shù)據(jù)皆為驅(qū)動(dòng)機(jī)器學(xué)習(xí)的燃料。對(duì)于深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，探索數(shù)量和質(zhì)量前提下的必要數(shù)據(jù)至關(guān)重要。

深度神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)進(jìn)行訓(xùn)練；按經(jīng)驗(yàn)來(lái)說(shuō)，圖像分類(lèi)中每類(lèi)需要1,000張圖像。但具體答案顯然取決于模型的復(fù)雜度和容錯(cuò)度。實(shí)際機(jī)器學(xué)習(xí)解決方案中的一些示例表明，數(shù)據(jù)集有各種大小。一個(gè)面部檢測(cè)和識(shí)別系統(tǒng)需要45萬(wàn)張圖像，一個(gè)問(wèn)答聊天機(jī)器人需要接受20萬(wàn)個(gè)問(wèn)題和200萬(wàn)個(gè)匹配答案的訓(xùn)練。根據(jù)要解決的問(wèn)題，有時(shí)較小的數(shù)據(jù)集也足夠。一個(gè)情感分析解決方案（根據(jù)書(shū)面文本確定觀(guān)點(diǎn)的極性）只需要數(shù)萬(wàn)個(gè)樣本。

數(shù)據(jù)的質(zhì)量和數(shù)量同等重要。鑒于訓(xùn)練需要大數(shù)據(jù)集，即使少量的錯(cuò)誤訓(xùn)練數(shù)據(jù)也會(huì)導(dǎo)致糟糕的解決方案。根據(jù)所需的數(shù)據(jù)類(lèi)型，數(shù)據(jù)可能會(huì)經(jīng)歷一個(gè)清洗過(guò)程。此過(guò)程確保數(shù)據(jù)集一致、沒(méi)有重復(fù)數(shù)據(jù)且準(zhǔn)確、完整（沒(méi)有無(wú)效或不完整數(shù)據(jù)）。有可以支持此過(guò)程的工具。驗(yàn)證數(shù)據(jù)的偏差也很重要，確保數(shù)據(jù)不會(huì)導(dǎo)致有偏差的機(jī)器學(xué)習(xí)解決方案。

機(jī)器學(xué)習(xí)訓(xùn)練對(duì)數(shù)值型數(shù)據(jù)進(jìn)行運(yùn)算，因此，根據(jù)您的解決方案，可能需要預(yù)處理步驟。例如，如果數(shù)據(jù)是人類(lèi)語(yǔ)言，其必須首先轉(zhuǎn)譯為數(shù)字形式才能處理?？梢詫?duì)圖像進(jìn)行預(yù)處理以保持一致性。例如，除了其他運(yùn)算外，輸入深度神經(jīng)網(wǎng)絡(luò)的圖像還需要調(diào)整大小和平滑處理，以去除噪聲。

機(jī)器學(xué)習(xí)中最大的問(wèn)題之一是獲取數(shù)據(jù)集來(lái)訓(xùn)練機(jī)器學(xué)習(xí)解決方案。根據(jù)您的具體問(wèn)題，這個(gè)工作量可能非常大，因?yàn)榭赡軟](méi)有現(xiàn)成的數(shù)據(jù)，需要您另外設(shè)法獲取。

最后，應(yīng)該分割數(shù)據(jù)集，分別用作訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。訓(xùn)練數(shù)據(jù)用于訓(xùn)練模型，在訓(xùn)練完成后，測(cè)試數(shù)據(jù)用于驗(yàn)證解決方案的準(zhǔn)確性（圖2）。

圖2：分割數(shù)據(jù)集分別用于訓(xùn)練和驗(yàn)證。（圖源：作者）

有工具來(lái)幫助完成這個(gè)過(guò)程，大多數(shù)框架都擁有“分割”功能，用于分割訓(xùn)練和測(cè)試數(shù)據(jù)?，F(xiàn)在我們來(lái)看一些簡(jiǎn)化機(jī)器學(xué)習(xí)解決方案構(gòu)造的框架。

框架

現(xiàn)在，不再需要從頭開(kāi)始構(gòu)建機(jī)器學(xué)習(xí)模型。您可以使用包含這些模型和其他工具的框架來(lái)準(zhǔn)備數(shù)據(jù)和驗(yàn)證您的解決方案。這些框架還提供用于部署解決方案的環(huán)境。選擇哪個(gè)框架通常取決于您的熟悉程度，但在剛開(kāi)始的時(shí)候可以選擇一個(gè)適合您要使用的應(yīng)用與模型的框架。

TensorFlow是最好的深度學(xué)習(xí)框架。它支持所有流行的模型（CNN、RNN、LSTM等），并允許您使用Python或C++進(jìn)行開(kāi)發(fā)。從高端服務(wù)器到移動(dòng)設(shè)備，均可部署TensorFlow解決方案。如果您剛剛上手，TensorFlow是一個(gè)不錯(cuò)的起點(diǎn)，它有教程和豐富的文檔。

CAFFE最初是一個(gè)學(xué)術(shù)項(xiàng)目，但在發(fā)布到開(kāi)源后，已經(jīng)發(fā)展成為一個(gè)流行的深度學(xué)習(xí)框架。CAFFE采用C++編寫(xiě)，但也支持Python模型開(kāi)發(fā)。同TensorFlow一樣，它也支持廣泛的深度學(xué)習(xí)模型。

PyTorch的框架中。PyTorch是另一個(gè)很好的選擇，它基于豐富的可用信息，包括構(gòu)建不同類(lèi)型解決方案的實(shí)踐教程。

R語(yǔ)言和環(huán)境是機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)的流行工具。其為交互式工具，可幫助您逐步構(gòu)建解決方案的原型，同時(shí)分階段查看結(jié)果。有了Keras（一個(gè)開(kāi)源的神經(jīng)網(wǎng)絡(luò)庫(kù)），您可以用極少量的開(kāi)發(fā)投入來(lái)構(gòu)建CNN和RNN。

模型審核

一旦模型經(jīng)過(guò)訓(xùn)練并滿(mǎn)足了準(zhǔn)確性要求，即可部署到生產(chǎn)系統(tǒng)中。但是到了這一步就需要審核解決方案，以確保其符合要求。考慮到?jīng)Q策是由模型來(lái)做以及對(duì)人們的影響，這一點(diǎn)尤為重要。

有些機(jī)器學(xué)習(xí)模型是透明的，可以理解（例如，決策樹(shù)）。但深度神經(jīng)網(wǎng)絡(luò)等其他模型被認(rèn)為是“黑箱”，決策是由數(shù)百萬(wàn)個(gè)無(wú)法用模型本身解釋的計(jì)算做出的。因此，過(guò)去一度可以接受定期審核，但是，連續(xù)審核正在迅速成為這些暗箱情況下的標(biāo)配，因?yàn)殄e(cuò)誤是不可避免的。一旦發(fā)現(xiàn)錯(cuò)誤，這些信息可以用作調(diào)整模型的數(shù)據(jù)。

另一個(gè)考慮是解決方案的生命周期。模型會(huì)衰退，輸入數(shù)據(jù)會(huì)發(fā)生變化，從而導(dǎo)致模型性能的變化。因此，必須接受解決方案隨著時(shí)間的推移會(huì)變得羸弱，機(jī)器學(xué)習(xí)解決方案必須隨著周?chē)澜绲淖兓粩嘧龀龈淖儭?/p>

總結(jié)

為了部署機(jī)器學(xué)習(xí)解決方案，我們從一個(gè)問(wèn)題開(kāi)始，然后考慮可能的解決模型。接下來(lái)是獲取數(shù)據(jù)，經(jīng)過(guò)正確清理和分割，就可以使用機(jī)器學(xué)習(xí)框架訓(xùn)練和驗(yàn)證模型。并非所有的框架都是相同的，您可以根據(jù)您的模型和經(jīng)驗(yàn)來(lái)選擇和應(yīng)用。然后，使用該框架部署機(jī)器學(xué)習(xí)解決方案，通過(guò)適當(dāng)?shù)膶徍?，解決方案可以在真實(shí)世界中使用實(shí)時(shí)數(shù)據(jù)進(jìn)行運(yùn)算。

審核編輯：郭婷