機器學(xué)習(xí)步驟詳解，一文了解全過程

引言

部署機器學(xué)習(xí)的過程涉及多個步驟。首先選擇一個模型，針對特定任務(wù)加以訓(xùn)練，用測試數(shù)據(jù)進行驗證，然后，將該模型部署到實際系統(tǒng)中并進行監(jiān)控。在本文中，我們將討論這些步驟，將每個步驟拆分講解來介紹機器學(xué)習(xí)。

機器學(xué)習(xí)是指在沒有明確指令的情況下能夠?qū)W習(xí)和加以改進的系統(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，訓(xùn)練，是在受監(jiān)督的方式下進行，當(dāng)輸出不正確時對模型加以調(diào)整，使其生成正確的輸出。在其他情況下，則實行無監(jiān)督學(xué)習(xí)，由系統(tǒng)負(fù)責(zé)梳理數(shù)據(jù)來發(fā)現(xiàn)以前未知的模式。大多數(shù)機器學(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)如何成為機器學(xué)習(xí)的燃料。

機器學(xué)習(xí)模型

模型是機器學(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)過訓(xùn)練變成產(chǎn)品實現(xiàn)。所以，我們不是部署模型，而是部署經(jīng)過數(shù)據(jù)訓(xùn)練的模型的實現(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=機器學(xué)習(xí)解決方案的實例（圖1）。

圖1：從機器學(xué)習(xí)模型到解決方案。（圖源：作者）

機器學(xué)習(xí)解決方案代表一個系統(tǒng)。它們接受輸入，在網(wǎng)絡(luò)中執(zhí)行不同類型的計算，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。

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

對于神經(jīng)網(wǎng)絡(luò)來說，模型從淺多層網(wǎng)絡(luò)到深度神經(jīng)網(wǎng)絡(luò)，類型豐富，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)重于識別圖像中的對象，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，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)測或生成復(fù)雜序列（如人類語言句子），那么遞歸神經(jīng)網(wǎng)絡(luò) (RNN) 或長短期記憶網(wǎng)絡(luò) (LSTM) 是理想模型。LSTM也已經(jīng)應(yīng)用到人類語言的機器翻譯中。

如果您的應(yīng)用涉及用人類語言描述圖像內(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)實圖像（如風(fēng)景或人臉），那么生成對抗網(wǎng)絡(luò) (GAN) 是當(dāng)前最先進的模型。

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，因為它們可以接受非結(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)成一個特征層次結(jié)構(gòu)，使它們能夠?qū)Ψ浅?fù)雜的信息進行分類。深度神經(jīng)網(wǎng)絡(luò)已經(jīng)在許多問題領(lǐng)域展示出先進的性能。但是像其他機器學(xué)習(xí)模型一樣，它們的準(zhǔn)確性依賴于數(shù)據(jù)。接下來我們就探討一下這個方面。

數(shù)據(jù)和訓(xùn)練

無論在運算中，還是在通過模型訓(xùn)練構(gòu)建機器學(xué)習(xí)解決方案的過程中，數(shù)據(jù)皆為驅(qū)動機器學(xué)習(xí)的燃料。對于深度神經(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)進行訓(xùn)練；按經(jīng)驗來說，圖像分類中每類需要1,000張圖像。但具體答案顯然取決于模型的復(fù)雜度和容錯度。實際機器學(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。一個面部檢測和識別系統(tǒng)需要45萬張圖像，一個問答聊天機器人需要接受20萬個問題和200萬個匹配答案的訓(xùn)練。根據(jù)要解決的問題，有時較小的數(shù)據(jù)集也足夠。一個情感分析解決方案（根據(jù)書面文本確定觀點的極性）只需要數(shù)萬個樣本。

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，即使少量的錯誤訓(xùn)練數(shù)據(jù)也會導(dǎo)致糟糕的解決方案。根據(jù)所需的數(shù)據(jù)類型，數(shù)據(jù)可能會經(jīng)歷一個清洗過程。此過程確保數(shù)據(jù)集一致、沒有重復(fù)數(shù)據(jù)且準(zhǔn)確、完整（沒有無效或不完整數(shù)據(jù)）。有可以支持此過程的工具。驗證數(shù)據(jù)的偏差也很重要，確保數(shù)據(jù)不會導(dǎo)致有偏差的機器學(xué)習(xí)解決方案。

機器學(xué)習(xí)訓(xùn)練對數(shù)值型數(shù)據(jù)進行運算，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)是人類語言，其必須首先轉(zhuǎn)譯為數(shù)字形式才能處理?？梢詫D像進行預(yù)處理以保持一致性。例如，除了其他運算外，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。

機器學(xué)習(xí)中最大的問題之一是獲取數(shù)據(jù)集來訓(xùn)練機器學(xué)習(xí)解決方案。根據(jù)您的具體問題，這個工作量可能非常大，因為可能沒有現(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，測試數(shù)據(jù)用于驗證解決方案的準(zhǔn)確性（圖2）。

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

有工具來幫助完成這個過程，大多數(shù)框架都擁有“分割”功能，用于分割訓(xùn)練和測試數(shù)據(jù)?，F(xiàn)在我們來看一些簡化機器學(xué)習(xí)解決方案構(gòu)造的框架。

框架

現(xiàn)在，不再需要從頭開始構(gòu)建機器學(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準(zhǔn)備數(shù)據(jù)和驗證您的解決方案。這些框架還提供用于部署解決方案的環(huán)境。選擇哪個框架通常取決于您的熟悉程度，但在剛開始的時候可以選擇一個適合您要使用的應(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++進行開發(fā)。從高端服務(wù)器到移動設(shè)備，均可部署TensorFlow解決方案。如果您剛剛上手，TensorFlow是一個不錯的起點，它有教程和豐富的文檔。

CAFFE最初是一個學(xué)術(shù)項目，但在發(fā)布到開源后，已經(jīng)發(fā)展成為一個流行的深度學(xué)習(xí)框架。CAFFE采用C++編寫，但也支持Python模型開發(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是另一個很好的選擇，它基于豐富的可用信息，包括構(gòu)建不同類型解決方案的實踐教程。

R語言和環(huán)境是機器學(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，同時分階段查看結(jié)果。有了Keras（一個開源的神經(jīng)網(wǎng)絡(luò)庫），您可以用極少量的開發(fā)投入來構(gòu)建CNN和RNN。

模型審核

一旦模型經(jīng)過訓(xùn)練并滿足了準(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?？紤]到?jīng)Q策是由模型來做以及對人們的影響，這一點尤為重要。

有些機器學(xué)習(xí)模型是透明的，可以理解（例如，決策樹）。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)百萬個無法用模型本身解釋的計算做出的。因此，過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，因為錯誤是不可避免的。一旦發(fā)現(xiàn)錯誤，這些信息可以用作調(diào)整模型的數(shù)據(jù)。

另一個考慮是解決方案的生命周期。模型會衰退，輸入數(shù)據(jù)會發(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間的推移會變得羸弱，機器學(xué)習(xí)解決方案必須隨著周圍世界的變化而不斷做出改變。

總結(jié)

為了部署機器學(xué)習(xí)解決方案，我們從一個問題開始，然后考慮可能的解決模型。接下來是獲取數(shù)據(jù)，經(jīng)過正確清理和分割，就可以使用機器學(xué)習(xí)框架訓(xùn)練和驗證模型。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)驗來選擇和應(yīng)用。然后，使用該框架部署機器學(xué)習(xí)解決方案，通過適當(dāng)?shù)膶徍?，解決方案可以在真實世界中使用實時數(shù)據(jù)進行運算。

審核編輯：郭婷