Auto-Kerasを使って見る
Auto-Kerasを使って見る
TL;DR
AutoML実装の一つであるAuto-Kerasを使ってみました。 Auto-Kerasのインストールから、チュートリアルにあるMNISTの分類モデルの作成までです。
AutoMLとは
AutoML(Automated Machine Learning)は、機械学習プロセスの自動化を目的とした技術のことです。
以下のQiitaの記事がとてもわかりやすいです。
商用ではDataRobotやGCP AutoMLなどがありますが、 OSSとしての実装も存在します。
今回はAutoMLのOSS実装の一つであるAuto-Kerasを使ってみました。
バージョンはautokeras-0.3.5を使用しました。
インストール方法
PyTorchをインストールする
Auto-KerasはPyTorchを利用しています。 このため、PyTorchをインストールする必要があります。
PyTorchのインストール方法は公式サイトに従ってください。
モジュールの依存関係解決
公式サイトでは以下のpipコマンドでインストール可能となっていますが、私の環境ではモジュールの依存関係からうまくいきませんでした。
pip install autokeras
このため、以下よりモジュールをダウンロードしてモジュールの依存関係を定義しているsetup.pyを変更します。
tar.gzを解凍してsetup.pyを以下の様に編集します。
setup(
name='autokeras',
packages=find_packages(exclude=('tests',)),
install_requires=['scipy==1.1.0',
'torch>=0.4.1', # == を >= に変更します。
'torchvision>=0.2.1', # == を >= に変更します。
'numpy==1.14.5',
'keras==2.2.2',
'scikit-learn==0.20.1',
'scikit-image==0.13.1',
'tqdm==4.25.0',
'tensorflow==1.10.0',
'imageio==2.4.1',
'requests==2.20.1',
'GPUtil==1.3.0',
'lightgbm==2.2.2',
'pandas==0.23.4'],
変更後は再度tar.gzで圧縮してください。
Auto-Kerasのインストール
前述でtar.gz形式で圧縮したファイルのフォルダに移動し、以下のコマンドでインストールができます。
pip install autokeras-0.3.5.tar.gz --user
利用方法
Windows環境でGPUを利用する場合の注意事項
autokeras-0.3.5では、そのままではWindows環境ではGPUを利用できませんでした。
CPUかGPUかの判定を行っているutils.pyにおいて、Windows環境では動作しないコマンドが指定されているためです。
このため、utils.pyを以下の様に変更します。utils.pyは--user付きでインストールしているのであれば、以下のパスに存在します。
- %HOME%\Roaming\Python\Python36\site-packages\autokeras\utils.py
utils.pyは無条件で最初のGPUを指定するようにしています。複数のGPUを利用する場合は、適宜修正してください。
def get_device():
""" If CUDA is available, use CUDA device, else use CPU device.
When choosing from CUDA devices, this function will choose the one with max memory available.
Returns: string device name.
"""
# TODO: could use gputil in the future
# fix begin.
#device = 'cpu'
device = 'cuda:0'
print(device)
return device
# fix end.
'''
if torch.cuda.is_available():
try:
# smi_out=
# Free : xxxxxx MiB
# Free : xxxxxx MiB
# ....
smi_out = subprocess.check_output('nvidia-smi -q -d Memory | grep -A4 GPU|grep Free', shell=True)
print(smi_out)
if isinstance(smi_out, bytes):
smi_out = smi_out.decode('utf-8')
except subprocess.SubprocessError:
warnings.warn('Cuda device successfully detected. However, nvidia-smi cannot be invoked')
return 'cpu'
visible_devices = os.getenv('CUDA_VISIBLE_DEVICES', '').split(',')
if len(visible_devices) == 1 and visible_devices[0] == '':
visible_devices = []
visible_devices = [int(x) for x in visible_devices]
memory_available = [int(x.split()[2]) for x in smi_out.splitlines()]
for cuda_index, _ in enumerate(memory_available):
if cuda_index not in visible_devices and visible_devices:
memory_available[cuda_index] = 0
if memory_available:
if max(memory_available) != 0:
device = 'cuda:' + str(memory_available.index(max(memory_available)))
return device
'''
学習の実行
AutoMLなので学習の実行は非常に簡単です。以下のコードでMNISTのデータセットのダウンロードから最適なモデルの探索までが実行されます。
実行時間はtime_limitで指定した時間が使用されます。今回であれば12時間で最適なモデル探索を行いました。
from keras.datasets import mnist
import autokeras
from autokeras.image.image_supervised import ImageClassifier
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(x_train.shape + (1,))
x_test = x_test.reshape(x_test.shape + (1,))
clf = ImageClassifier(verbose=True)
clf.fit(x_train, y_train, time_limit=12 * 60 * 60)
clf.final_fit(x_train, y_train, x_test, y_test, retrain=True)
y = clf.evaluate(x_test, y_test)
print(y)
学習結果
自動的に検証されたモデルは30個でした。
その中で恐らくAccuracy(正答率)だと思いますが、最高値は以下でした。
- 0.9946
モデル詳細
モデルの詳細は以下で確認しました。
from keras.utils import plot_model
from keras.models import load_model
from IPython.display import Image
model_filename = 'models/my_model.h5'
clf.export_keras_model(model_filename)
model = load_model(model_filename)
plot_model(model, to_file='my_model.png', show_layer_names=True, show_shapes=True)
display(Image('my_model.png'))
使って見た感想
MNISTのように特定のデータセットに対して、ベストに近いモデルが検証済みである問題では効果を実感することができませんが、
汎用的にはXceptionをベースラインとして、Auto-Kerasで改善を探索するということが可能になります。
当然計算に時間はかかりますが、GCP AutoMLと違ってモデルの詳細を取得出来るので、転移学習などで応用も可能です。
今後、日本語を含めたNLPの実装についても検証したいと考えています。