軟件工程師和數(shù)據(jù)科學(xué)家一起工作時(shí)，會(huì)擦出什么火花呢？

作為Java / Kotlin開發(fā)人員，一位名叫Ben Danial的小哥為我們講述了他與數(shù)據(jù)科學(xué)家合作的有趣經(jīng)歷。

在一年中，這位小哥從零開始學(xué)習(xí)機(jī)器學(xué)習(xí)，和數(shù)據(jù)科學(xué)家不斷交流合作，一起碼出了一個(gè)機(jī)器學(xué)習(xí)模型的原型，并成功把這個(gè)模型做上線。真是成就滿滿呢！

前情提要

大家好，我叫Ben Daniel，是一名安卓工程師。2017年末，我開始對(duì)機(jī)器學(xué)習(xí)領(lǐng)域產(chǎn)生興趣。機(jī)器學(xué)習(xí)這個(gè)領(lǐng)域充滿了有趣的挑戰(zhàn)，因此也就需要大量的學(xué)習(xí)。今天，我就給大家講述我和我司數(shù)據(jù)科學(xué)家一起攻克機(jī)器學(xué)習(xí)難題的經(jīng)歷。

我還記得，我曾試圖解決我們的某個(gè)應(yīng)用程序中出現(xiàn)的圖像分類問題。我們需要根據(jù)一組規(guī)則區(qū)分有效和無效圖像。于是我從深度學(xué)習(xí)領(lǐng)域中修改了dl4j這個(gè)例子，并試圖用它來處理分類任務(wù)。雖然結(jié)果不夠理想，但是我的心態(tài)還不錯(cuò)。畢竟第一次嘗試嘛。

Dl4j例子鏈接:

https://github.com/deeplearning4j/dl4j-examples/blob/master/dl4j-examples/src/main/java/org/deeplearning4j/examples/convolution/AnimalsClassification.java

由于精度和最終模型的大小不符，我使用dl4j代碼的方法是不可取的。面向移動(dòng)設(shè)備，我們需要一個(gè)文件大小緊湊的模型，很遺憾，這個(gè)功能無法實(shí)現(xiàn)。

數(shù)據(jù)科學(xué)家來啦

正巧，這個(gè)時(shí)候，我們聘請(qǐng)了一位數(shù)據(jù)科學(xué)家，他帶來了許多有趣的經(jīng)驗(yàn)，也教會(huì)我們很多。我逐漸發(fā)現(xiàn)，大多數(shù)機(jī)器學(xué)習(xí)問題都可以通過Python解決，而且Python社區(qū)中已經(jīng)有了對(duì)機(jī)器學(xué)習(xí)的巨大支持。雖然不太情愿，但我還是開始了Python的學(xué)習(xí)。

我從小型的機(jī)器學(xué)習(xí)課程開始學(xué)起。與此同時(shí)，我的其他團(tuán)隊(duì)成員也很感興趣，并一起加入了學(xué)習(xí)的大軍。新入職的數(shù)據(jù)科學(xué)家向我們介紹了Jupyter notebook和云機(jī)器學(xué)習(xí)引擎。我們通過使用花卉數(shù)據(jù)集示例嘗試圖像分類，并很快沉迷其中。

在團(tuán)隊(duì)中的每個(gè)人都接受了培訓(xùn)和模型的基礎(chǔ)知識(shí)后，我們開始處理文章開始提到的遺留問題。作為一名團(tuán)隊(duì)成員，我主要專注于兩項(xiàng)任務(wù)：圖像分類問題和圖像分割問題。之后，這兩個(gè)問題都被我們用卷積神經(jīng)網(wǎng)絡(luò)（CNN）解決了。

準(zhǔn)備訓(xùn)練數(shù)據(jù)真心難

這兩項(xiàng)任務(wù)（圖像分類問題和圖像分割問題）都需要大量的訓(xùn)練數(shù)據(jù)。我有兩個(gè)消息——好消息是我們的確有很多數(shù)據(jù)。壞消息是它們要么是未分類要么是未注釋。我終于明白了機(jī)器學(xué)習(xí)專家們所說的，機(jī)器學(xué)習(xí)項(xiàng)目中大部分時(shí)間將用來準(zhǔn)備訓(xùn)練數(shù)據(jù)而不是訓(xùn)練模型本身。

對(duì)于圖像分類分類問題，我們需要將數(shù)十萬個(gè)圖像排列成不同的類。這是一項(xiàng)繁瑣的工作。我不得不調(diào)用我的Java Swing技能，來構(gòu)建使這項(xiàng)任務(wù)更容易的GUI，但總的來說，標(biāo)記數(shù)據(jù)這個(gè)任務(wù)真的很單調(diào)，很無聊。

分割問題就要復(fù)雜一些了。我們很幸運(yùn)地發(fā)現(xiàn)了一些擅長(zhǎng)分割的模型，但不幸的是，這些模型太占內(nèi)存了。我們還希望該模型能夠在規(guī)格非常低的安卓設(shè)備上運(yùn)行。這時(shí)，數(shù)據(jù)科學(xué)家建議我們使用龐大的模型來生成數(shù)據(jù)，用以構(gòu)建我們自己的移動(dòng)網(wǎng)絡(luò)。

訓(xùn)練

我們最終切換到了AWS Deep Learning AMI。訓(xùn)練圖像分割模型的過程完全由我們的數(shù)據(jù)科學(xué)家處理，我只需要站在他身邊，做筆記嘻嘻:)。

（其實(shí)我不在記筆記，哈哈哈哈哈哈哈哈）

訓(xùn)練這個(gè)模型是一項(xiàng)計(jì)算密集型任務(wù)，需要足夠GPU和RAM。我們便采用了GPU和RAM，因此很快就完成了模型訓(xùn)練。如果不是這樣的話，我們可能要花費(fèi)數(shù)月來訓(xùn)練這個(gè)模型。

我負(fù)責(zé)了圖像分類模型的訓(xùn)練。不過，我并沒有在云上訓(xùn)練，而是只在我的Macbook pro上訓(xùn)練。這是因?yàn)?，我只是?xùn)練神經(jīng)網(wǎng)絡(luò)的最后一層，而不是我們?yōu)榉指钅Ｐ退龅娜W(wǎng)絡(luò)訓(xùn)練。

順利完成！

兩種模型經(jīng)過嚴(yán)格的測(cè)試后，都成功進(jìn)入了我們的產(chǎn)品線。在這一步，團(tuán)隊(duì)成員的任務(wù)是構(gòu)建Java wrapper庫。這樣一來，我們就可以把模型繁復(fù)的細(xì)節(jié)隱藏起來。在使用時(shí)，我們只需輸入圖片，這個(gè)wrapper庫就會(huì)輸出一個(gè)概率 張量，也就是模型在單個(gè)圖像上預(yù)測(cè)的結(jié)果數(shù)組。我也參與了這一過程，因?yàn)槲抑暗囊恍懘a經(jīng)驗(yàn)有用武之地。

人生處處是挑戰(zhàn)

“挑戰(zhàn)讓生活變得有趣，克服挑戰(zhàn)則讓生活變得有意義”。

在這個(gè)項(xiàng)目中，我面臨的最大挑戰(zhàn)是嘗試使用Bazel從源代碼構(gòu)建用于32位系統(tǒng)的Tensorflow Java庫。整個(gè)過程實(shí)在是跌跌撞撞。

我也遇到過其他挑戰(zhàn)，比如，將Python解決方案轉(zhuǎn)換為Java。由于Python已經(jīng)內(nèi)置了對(duì)數(shù)據(jù)科學(xué)任務(wù)的支持，因此Python中的代碼感覺更加簡(jiǎn)潔。每次在嘗試逐字翻譯命令時(shí)，我都會(huì)抓耳撓腮。比如，縮放2D陣列并將其作為透明層添加到圖像中這一步就異常艱難。不過我們最終把這事兒搞定了！

現(xiàn)在我們上線的模型表現(xiàn)很好，但是當(dāng)它們產(chǎn)生錯(cuò)誤的結(jié)果時(shí)，那些錯(cuò)誤的結(jié)果是荒謬無比的。

它讓我想起了我之前讀過的一句話：

“...如果沒有源源不斷的新數(shù)據(jù)，模型質(zhì)量會(huì)迅速降低。這是著名的概念漂移（concept shift），這意味著，隨著時(shí)間的推移，靜態(tài)機(jī)器學(xué)習(xí)模型提供的預(yù)測(cè)變得不那么準(zhǔn)確，并且不太有用。在某些情況下，甚至可能在幾天內(nèi)發(fā)生。 - David Talby

因此，我們必須不斷改進(jìn)模型，并且永遠(yuǎn)得不到一個(gè)一勞永逸的模型。其實(shí)還挺有趣的。

因?yàn)槲冶救酥饕P(guān)注移動(dòng)開發(fā)，所以我甚至不確定自己有資格被稱為機(jī)器學(xué)習(xí)的新手。然而，通過與數(shù)據(jù)科學(xué)家的合作，我在今年成功上線了一個(gè)機(jī)器學(xué)習(xí)模型?；叵肫饋?，相當(dāng)激動(dòng)呢！