aitech-ium/IUM_05.Biblioteki_DL.ipynb

Inżynieria uczenia maszynowego

5. Biblioteki Deep Learning [laboratoria]

Tomasz Ziętkiewicz (2022)

Plan na dziś

Przegląd bibliotek DL:

1. Tensorflow
2. Pytorch
3. Caffe
4. Caffe2
5. Deeplearning4J
6. CNTK (Microsoft Cognitive Toolkit)
7. ML.NET
8. MXNet
9. Porównanie
10. Formaty wymiany modeli

Zadanie

Dynamiczne vs statyczne grafy obliczeniowe

• Żeby wytrenować sieć neuronową, musimy skonstruować graf obliczeniowy
• Graf może być:
  • statyczny - definiowany raz dla wszystkich danych wejściowych
  • dynamiczny - zmienny, w zależności od danych wejściowych
• Zalety grafu dynamicznego:
  • bardziej elastyczny i interaktywny - nie musimy kompilować grafu przed jego uruchomieniem
  • łatwiejszy w debudowaniu
• Zalety grafu statycznego:
  • szybszy - łatwiej zaptymalizować
  • przenośny - łatwiej go "wyeksportować" - graf zawiera wszystkie informacje konieczne do inferencji

1. Tensorflow

• www.tensorflow.org
• Open source
• Rozwijana przez google
• Bogaty "ekosystem"
• Napisana w C/C++ i Pythonie
• Liczne interfejsy/bindingi: Python, Java, Javascript (poprzez Tensorflow.js), Go, Rust, Swift
• Łatwy do osadzenia dzięki Tensorflow Lite - runtime dla urządzeń mobilnych (C,C++,Java,Swift, Objective-C)
• "Serwowanie" modeli przez REST API dzięki Tensorflow Serving
• Trenowanie na GPU, TPU. Distributed training
• Statyczny graf obliczeń, ale of wersji 2.0 dostępne "Eager execution", które umożliwia wykonywanie operacji w sieci bez budowania grafu

1.1 Keras

• keras.io
• Wysokopoziomowy interfejs do Tensorflow 2.0

Przykład IRIS w Tensorflow/Keras

https://www.tensorflow.org/tutorials/customization/custom_training_walkthrough

2. PyTorch

• https://pytorch.org/
• Open source (licencja BSD)
• Napisana w Pythonie i C++
• Interfejs w Python (oraz C++)
• Rozwijany przez Facebook jako kontynywacja projektu Torch, napisanego w Lua/C/C++
• Bogaty "ekosystem"
• Dynamiczny graf obliczeń
• Możliwość osadzenia na urządzeniach Android i iOS (Torch mobile)
• Serwowanie modeli przez REST dzięki TorchServe
• Przykład klasyfikacji IRIS w PyTorch: https://www.kaggle.com/aaditkapoor1201/iris-classification-pytorch

3. Caffe

• http://caffe.berkeleyvision.org/
• Rozwijana przez Berkley AI Research
• OpenSource (licencja BSD)
• Napisany w C++
• Interfejs w C++, Python, Matlab
• Używana głównie do ropoznawania obrazów, ale nie tylko

4. Caffe2

• https://caffe2.ai/
• Rozwijana przez Facebook
• zmergowana do repozytorium PyTorch
• Open source
• Głównie zastosowania produkcyjne, w tym modele embedded (Caffe2go)
• PyTorch: łatwość ekspoerymentowania, research. Caffe2: wydajność, urządzenia mobilne
• ONNX jako format wymiany między Caffe2 i PyTorch

5. Deeplearning4J

• aka. DL4J, Deep Learning for Java
• https://deeplearning4j.org/
• Rozwijana przez Eclipse Foundation
• Open source (licencja Apache 2.0)
• Napisana w Javie i C++
• Interfejsy: Java, Scala, Clojure, Kotlin
• Możliość importu modeli Keras
• Przykład klasyfikacji IRIS: https://deeplearning4j.konduit.ai/android/linear-classifier

6. CNTK (Microsoft Cognitive Toolkit)

• https://cntk.azurewebsites.net/
• Rozwijana przez ... Microsoft (Rozwój porzucony w 2019 roku)
• Open source (licencja MIT)
• Napisana w C++
• API: Python, C#, C++

7. ML.NET

• https://dot.net/ml
• Rozwijana przez Microsoft
• Open source (licencja MIT)
• Napisana w C#, C++
• API: .NET, Python (bindingi poprzez NimbusML)
• Przykłady klasyfikacji IRIS:
  • https://docs.microsoft.com/pl-pl/dotnet/machine-learning/tutorials/iris-clustering
  • https://github.com/dotnet/machinelearning-samples/tree/main/samples/csharp/getting-started/MulticlassClassification_Iris
• Więcej przykładów: https://github.com/dotnet/machinelearning-samples

8. MXNet

• https://mxnet.apache.org/
• Open source (Apache 2.0)
• Rozwijana przez Apache Software Foundation
• Backend napisany w C++
• Iterfejsy: Python (główny) i dodatkowo for Scala, Julia, Clojure, Java, C++, R i Perl
• Możliwość osadzenia na urządzeniach mobilnych dzięki amalgamacji

9. Porównanie

Framework	Autor	Licencja	Język	Interface	Uwagi
Tensorflow	Google	Apache 2.0	C++, Python	C,C++,Python,Java,Javascript
Keras	Google	MIT	Python	Python	Wysokopoziomowy interfejs do Tensorflow
Tensorflow JS	Google	Apache 2.0	Javascript	Javascript
PyTorch	Facebook	BSD	C++,Python	C,Python, Java
Caffe	BAIR	BSD	C++	Python,Matlab
Caffe2	Facebook	BSD	C++	C++,Python	Od 3 lat (2018) część PyTorch
CNTK	Microsoft	MIT	C++	Python, C++, C#	od 01.2019 nierozwijana
ML.NET	Microsoft	MIT	C++, C##	.NET, Python
MXNet	Apache Foundation	Apache 2.0	C++, Python	Python, Scala, Julia, Clojure, Java, C++, R i Perl

9. Formaty wymiany

• większość bibliotek używa innego formatu do zapisu modeli
• istnieją otwarte, uniwersalne formaty zapisu modeli sieci neuronowych, które mają za zadanie umożliwienie dzielenia modeli między bibliotekami
• Lista operacji wspieranych przez formaty nie zawiera wszystkich operacji używanych przez różna biblioteki, dlatego czasami kownwersja do ONNX nie jest w pełni możliwa
• ONNX - Open Neural Network Exchange
  • https://onnx.ai/
  • utrzymywany przez "społeczność"
  • narzędzia umożliwiające konwersję do formatu ONNX modeli z najpopularniejszych bibliotek NN/ML
  • modele ONNX mogą być uruchomione (czasami po konwersji) przy pomocy wielu runtimów
• NNEF - Neural Network Exchange Format
  • https://www.khronos.org/nnef/
  • wspierany przez Khronos Group (Nvidia, ATI, Intel, Sun, ...) - ta sama, która rozwija OpenGL
  • konwersja z/do ONNX, Caffe, Caffe2, TensorFlow

Zadanie [22 pkt.]

Termin: 3 tygodnie (25 IV)

1. Wybierz jeden z frameworków ML (jeden z powyższych, ale może być też inny) i zaimplementuj w nim prostą sieć neuronową rozwiązującą wybrany problem (np regresji lub klasyfikacji) na wybranym na poprzednich zajęciach zbiorze. Możesz wzorować się (lub nawet skopiować) na jednym z tutotoriali do danego frameworka.
   • wczytaj dane trenujące z pliku [2 pkt.]
   • wytrenuj na nich model [6 pkt.]
   • zapisz model do pliku [2 pkt.]
   • w osobnym skypcie, przy pomocy zapisanego wcześniej modelu, dokonaj predykcji na danych ze zbioru testującego [8 pkt.]
   • zapisz wyniki predykcji zwrócone przez model do pliku (nie metryki, tylko wyniki predykcji, czyli te informacje, które model miał przewidzieć) [2 pkt.]
     Uwagi:
   • wyniki nie są najważniejsze - o ile twój model nie zwraca losowych danych ;)
   • nie musisz wnikać głęboko w szczegóły trenowania modelu i inferencji. W tym zadaniu chodzi o poznanie API i praktycznych aspektów
   • kod i stworzony model będziemy wykorzystywać na następnych zajęciach

2. Dostosuj Dockerfile przygotowany na poprzednich zajęciach tak, żeby móc w zdefiniowanym w nim kontenerze wytrenować i uruchomić sieć przygotowaną w punkcie 1 [2 pkt.]