有時(shí)候，作為數(shù)據(jù)科學(xué)家，我們會(huì)忘記公司付錢讓我們干什么。我們首先是開(kāi)發(fā)人員，然后是研究人員，然后可能是數(shù)學(xué)家。我們的首要責(zé)任是快速開(kāi)發(fā)無(wú)bug的解決方案。

[[333173]]

我們能做模型并不意味著我們就是神。它沒(méi)有給我們寫垃圾代碼的自由。

從一開(kāi)始，我就犯了很多錯(cuò)誤，我想和大家分享一下我所看到的ML工程中最常見(jiàn)的技能。在我看來(lái)，這也是目前這個(gè)行業(yè)最缺乏的技能。

我稱他們?yōu)?ldquo;軟件文盲”，因?yàn)樗麄冎械暮芏嗳硕际欠怯?jì)算機(jī)科學(xué)課程學(xué)習(xí)平臺(tái)(Coursera)的工程師。我自己曾經(jīng)就是

如果要在一個(gè)偉大的數(shù)據(jù)科學(xué)家和一個(gè)偉大的ML工程師之間招聘，我會(huì)選擇后者。讓我們開(kāi)始吧。

1. 學(xué)會(huì)寫抽象類

一旦你開(kāi)始編寫抽象類，你就會(huì)知道它能給你的代碼庫(kù)帶來(lái)多大的清晰度。它們執(zhí)行相同的方法和方法名稱。如果很多人都在同一個(gè)項(xiàng)目上工作，每個(gè)人都會(huì)開(kāi)始使用不同的方法。這可能會(huì)造成無(wú)效率的混亂。

import os 
from abc import ABCMeta, abstractmethod 
 
 
class DataProcessor(metaclass=ABCMeta): 
    """Base processor to be used for all preparation.""" 
    def __init__(self, input_directory, output_directory): 
        self.input_directory = input_directory 
        self.output_directory = output_directory 
 
    @abstractmethod 
    def read(self): 
        """Read raw data.""" 
 
    @abstractmethod 
    def process(self): 
        """Processes raw data. This step should create the raw dataframe with all the required features. Shouldn't implement statistical or text cleaning.""" 
 
    @abstractmethod 
    def save(self): 
        """Saves processed data.""" 
 
 
class Trainer(metaclass=ABCMeta): 
    """Base trainer to be used for all models.""" 
 
    def __init__(self, directory): 
        self.directory = directory 
        self.model_directory = os.path.join(directory, 'models') 
 
    @abstractmethod 
    def preprocess(self): 
        """This takes the preprocessed data and returns clean data. This is more about statistical or text cleaning.""" 
 
    @abstractmethod 
    def set_model(self): 
        """Define model here.""" 
 
    @abstractmethod 
    def fit_model(self): 
        """This takes the vectorised data and returns a trained model.""" 
 
    @abstractmethod 
    def generate_metrics(self): 
        """Generates metric with trained model and test data.""" 
 
    @abstractmethod 
    def save_model(self, model_name): 
        """This method saves the model in our required format.""" 
 
 
class Predict(metaclass=ABCMeta): 
    """Base predictor to be used for all models.""" 
 
    def __init__(self, directory): 
        self.directory = directory 
        self.model_directory = os.path.join(directory, 'models') 
 
    @abstractmethod 
    def load_model(self): 
        """Load model here.""" 
 
    @abstractmethod 
    def preprocess(self): 
        """This takes the raw data and returns clean data for prediction.""" 
 
    @abstractmethod 
    def predict(self): 
        """This is used for prediction.""" 
 
 
class BaseDB(metaclass=ABCMeta): 
    """ Base database class to be used for all DB connectors.""" 
    @abstractmethod 
    def get_connection(self): 
        """This creates a new DB connection.""" 
    @abstractmethod 
    def close_connection(self): 
        """This closes the DB connection.""" 

2. 在最前面設(shè)置你的隨機(jī)數(shù)種子

實(shí)驗(yàn)的可重復(fù)性是非常重要的，而種子是我們的敵人。抓住它，否則會(huì)導(dǎo)致不同的訓(xùn)練/測(cè)試數(shù)據(jù)分割和不同的權(quán)值初始化神經(jīng)網(wǎng)絡(luò)。這導(dǎo)致了不一致的結(jié)果。

def set_seed(args): 
    random.seed(args.seed) 
    np.random.seed(args.seed) 
    torch.manual_seed(args.seed) 
    if args.n_gpu > 0: 
        torch.cuda.manual_seed_all(args.seed) 

3. 從幾行數(shù)據(jù)開(kāi)始

如果你的數(shù)據(jù)太大，而你的工作是代碼的后面的部分，如清理數(shù)據(jù)或建模，那么可以使用nrows來(lái)避免每次加載巨大的數(shù)據(jù)。當(dāng)你只想測(cè)試代碼而不實(shí)際運(yùn)行整個(gè)代碼時(shí)，請(qǐng)使用此方法。

當(dāng)你的本地PC配置無(wú)法加載所有的數(shù)據(jù)的時(shí)候，但你又喜歡在本地開(kāi)發(fā)時(shí)，這是非常適用的，

df_train = pd.read_csv(‘train.csv’, nrows=1000) 

4. 預(yù)見(jiàn)失敗(成熟開(kāi)發(fā)人員的標(biāo)志)

一定要檢查數(shù)據(jù)中的NA，因?yàn)檫@些會(huì)給你以后帶來(lái)問(wèn)題。即使你當(dāng)前的數(shù)據(jù)沒(méi)有，這并不意味著它不會(huì)在未來(lái)的再訓(xùn)練循環(huán)中發(fā)生。所以無(wú)論如何繼續(xù)檢查。

print(len(df)) 
df.isna().sum() 
df.dropna() 
print(len(df)) 

5. 顯示處理進(jìn)度

當(dāng)你在處理大數(shù)據(jù)時(shí)，知道它將花費(fèi)多少時(shí)間以及我們?cè)谡麄€(gè)處理過(guò)程中的位置肯定會(huì)讓你感覺(jué)很好。

選項(xiàng) 1 — tqdm

from tqdm import tqdm 
import time 
 
tqdm.pandas() 
 
df['col'] = df['col'].progress_apply(lambda x: x**2) 
 
text = "" 
for char in tqdm(["a", "b", "c", "d"]): 
    time.sleep(0.25) 
    text = text + char 

選項(xiàng) 2 — fastprogress

from fastprogress.fastprogress import master_bar, progress_bar 
from time import sleep 
mb = master_bar(range(10)) 
for i in mb: 
    for j in progress_bar(range(100), parent=mb): 
        sleep(0.01) 
        mb.child.comment = f'second bar stat' 
    mb.first_bar.comment = f'first bar stat' 
    mb.write(f'Finished loop {i}.') 

6. Pandas很慢

如果你使用過(guò)pandas，你就會(huì)知道有時(shí)它有多慢 —— 尤其是groupby。不用打破頭尋找“偉大的”解決方案加速，只需使用modin改變一行代碼就可以了。

import modin.pandas as pd 

7. 統(tǒng)計(jì)函數(shù)的時(shí)間

不是所有的函數(shù)都是生而平等的

即使整個(gè)代碼都能工作，也不意味著你寫的代碼很棒。一些軟件bug實(shí)際上會(huì)使你的代碼變慢，所以有必要找到它們。使用這個(gè)裝飾器來(lái)記錄函數(shù)的時(shí)間。

import time 
 
 
def timing(f): 
    """Decorator for timing functions 
    Usage: 
    @timing 
    def function(a): 
        pass 
    """ 
 
    @wraps(f) 
    def wrapper(*args, **kwargs): 
        start = time.time() 
        result = f(*args, **kwargs) 
        end = time.time() 
        print('function:%r took: %2.2f sec' % (f.__name__,  end - start)) 
        return result 
    return wrapper 

8. 不要在云上燒錢

沒(méi)有人喜歡浪費(fèi)云資源的工程師。

我們的一些實(shí)驗(yàn)可以持續(xù)幾個(gè)小時(shí)。很難跟蹤它并在它完成時(shí)關(guān)閉云實(shí)例。我自己也犯過(guò)錯(cuò)誤，也見(jiàn)過(guò)有人把實(shí)例開(kāi)了好幾天。

這種情況發(fā)生在星期五，離開(kāi)后，周一才意識(shí)到

只要在執(zhí)行結(jié)束時(shí)調(diào)用這個(gè)函數(shù)，你的屁股就再也不會(huì)著火了!!

但是將主代碼包裝在try中，此方法也包裝在except中 —— 這樣如果發(fā)生錯(cuò)誤，服務(wù)器就不會(huì)繼續(xù)運(yùn)行。是的，我也處理過(guò)這些情況

讓我們更負(fù)責(zé)任一點(diǎn)，不要產(chǎn)生二氧化碳。

import os 
 
def run_command(cmd): 
    return os.system(cmd) 
     
def shutdown(seconds=0, os='linux'): 
    """Shutdown system after seconds given. Useful for shutting EC2 to save costs.""" 
    if os == 'linux': 
        run_command('sudo shutdown -h -t sec %s' % seconds) 
    elif os == 'windows': 
        run_command('shutdown -s -t %s' % seconds) 

9. 創(chuàng)建和保存報(bào)告

在建模的某個(gè)特定點(diǎn)之后，所有偉大的見(jiàn)解都只來(lái)自錯(cuò)誤和度量分析。確保為自己和你的管理層創(chuàng)建和保存格式良好的報(bào)告。

管理層喜歡報(bào)告，對(duì)嗎?

import json 
import os 
 
from sklearn.metrics import (accuracy_score, classification_report, 
                             confusion_matrix, f1_score, fbeta_score) 
 
def get_metrics(y, y_pred, beta=2, average_method='macro', y_encoder=None): 
    if y_encoder: 
        y = y_encoder.inverse_transform(y) 
        y_pred = y_encoder.inverse_transform(y_pred) 
    return { 
        'accuracy': round(accuracy_score(y, y_pred), 4), 
        'f1_score_macro': round(f1_score(y, y_pred, average=average_method), 4), 
        'fbeta_score_macro': round(fbeta_score(y, y_pred, beta, average=average_method), 4), 
        'report': classification_report(y, y_pred, output_dict=True), 
        'report_csv': classification_report(y, y_pred, output_dict=False).replace('\n','\r\n') 
    } 
 
 
def save_metrics(metrics: dict, model_directory, file_name): 
    path = os.path.join(model_directory, file_name + '_report.txt') 
    classification_report_to_csv(metrics['report_csv'], path) 
    metrics.pop('report_csv') 
    path = os.path.join(model_directory, file_name + '_metrics.json') 
    json.dump(metrics, open(path, 'w'), indent=4) 

10. 寫好APIs

結(jié)果不好就是不好。

你可以進(jìn)行很好的數(shù)據(jù)清理和建模，但最終仍可能造成巨大的混亂。我與人打交道的經(jīng)驗(yàn)告訴我，許多人不清楚如何編寫好的api、文檔和服務(wù)器設(shè)置。我很快會(huì)寫另一篇關(guān)于這個(gè)的文章，但是讓我開(kāi)始吧。

下面是在不太高的負(fù)載下(比如1000/min)部署經(jīng)典的ML和DL的好方法。

fasbut + uvicorn

• Fastest — 使用fastapi編寫API，因?yàn)樗芸臁?/li>
• Documentation — 用fastapi寫API讓我們不用操心文檔。
• Workers — 使用uvicorn部署API

使用4個(gè)worker運(yùn)行這些命令進(jìn)行部署。通過(guò)負(fù)載測(cè)試優(yōu)化workers的數(shù)量。

pip install fastapi uvicorn 
uvicorn main:app --workers 4 --host 0.0.0.0 --port 8000