深度学习Deeplearning4j 入门实战(2):Deeplearning4j 手写体数字识别Spark实现
来源:互联网 发布:js 去掉换行符 编辑:程序博客网 时间:2024/05/10 05:21
在前两天的博客中,我们用Deeplearning4j做了Mnist数据集的分类。算是第一个深度学习的应用。像Mnist数据集这样图片尺寸不大,而且是黑白的开源图片集在本地完成训练是可以的,毕竟我们用了Lenet这样相对简单的网络结构,而且本地的机器配置也有8G左右的内存。但实际生产中,图片的数量要多得多,尺寸也大得多,用的网络也会是AlexNet、GoogLenet这样更多层数的网络,所以往往我们需要用集群来解决计算资源的问题。由于Deeplearning4j本身基于Spark实现了神经网络的分布式训练,所以我们就以此作为我们的解决方案。
我们还是以Mnist数据集为例来做Deeplearning4j的第一个Spark版本的应用。首先需要在上一篇博客的基础上,在pom里面加入新的依赖:
接着代码分为2个部分,一个部分是将Mnist数据集在本地以JavaRDD<DataSet>的形式存到磁盘并最终推到HDFS上作为Spark job的输入数据源。另一个部分则是模型的训练和保存。
第一部分的逻辑大致如下:本地建立Spark任务-->获取所有Mnist图片的路径-->读取图片并提取特征,打上标注,以DataSet的形式作为一张图片的wrapper-->将所有图片构成的JavaRDD<DataSet>存储下来。
这里原始的Mnist数据集是以图片形式存在,不再是二进制格式的数据。这个例子这样处理,也是方便日后用同样的方式读取一般的图片。Mnist的图片如下:
1.用hdfs.filesystem来获取文件。用Java原生态的File来操作也是完全可以的。只不过,这样读取文件的方式,同时适用于读取本地和HDFS上的文件。
2.ImageLoader类。这个类是用来读取图片文件的。类似的还有一个类,叫NativeImageLoader。不同的在于,NativeImageLoader是调用了OpenCV的相关方法来对图片做处理的,效率更高,因此推荐使用NativeImageLoader
保存的RDD的形式如下图:
然后,讲下模型训练任务的逻辑。读取HDFS上的以DataSet形式存储的Mnist文件-->定义参数中心服务-->定义神经网络结构(Lenet)--> 训练网络-->保存训练好的模型。首先看前两步的操作:
这里我们获取传入的一些参数,如文件的hdfs路径,最后保存model的路径,mini-batch的大小(一般32,62,128这样的值为好,可以自行尝试),总的训练的轮次epoch。
这里需要解释的是ParameterAveragingTrainingMaster这个类。这个类的作用是用于将spark worker节点上各自计算的权重收回到driver节点上进行加权平均,并将最新的权重广播到worker节点上。也即为:将各个工作节点的参数的均值作为全局参数值。这种分布式机器学习中,数据并行化的一种操作。
下面是定义神经网络结构和训练网络:
这部分没有什么特别的地方,和单机的形式差不太多。值得说明的就是,我们在每一轮次的训练后,直接预测全部的训练数据来做评估,并没有做交叉验证。当然,做交叉验证也是完全可以的。最后一部分是保存模型到hdfs上:到此coding的部分就结束了,我们构建了在Spark进行分布式深度神经网络的训练并保存了模型。Spark的提交命令如下:
spark-submit --master yarn-cluster --executor-memory 5g --num-executors 16 --driver-memory 8g --conf "spark.executor.extraJavaOptions=-Dorg.bytedeco.javacpp.maxbytes=2921225472" --conf spark.yarn.executor.memoryOverhead=5000
需要说明的是--conf后面的内容,因为Nd4j在计算的时候,实际需要两部分的内存:on-heap memory和off-heap memory。前者就是jvm为开辟对象所需内存,后者是C++的内存。Nd4j为了效率,在底层是通过JavaCPP调用C++进行计算的。如果不显示地申请C++的内存,那默认会从on-heap中分出10%给off-heap,但这样可能会不够。所以我们显示地申请off-heap内存。
下面这张图是正常的Spark UI显示的Deeplearning4j的训练过程:
然后,我们看下训练的结果:
在150轮的训练过后,模型的准确率达到了95.48%。误判的情况也列在上面了。到此,在Spark上进行Mnist数据集的训练和评估就完成了。总结一下就是,先将数据以RDD的形式保存到HDFS上,然后建模读取RDD并训练模型。其实,将图片存在HDFS上也是一种方案,但是HDFS的一个block可能需要占用32M,64M这样的空间。因此图片这样的小文件,是很占用集群的存储空间的。并且,当图片数量很多的时候,我们会为了读取图片频繁地和HDFS建立和释放网络链接,这样同样消耗HDFS的资源。因此我们选择先在本地存储RDD的形式来处理。其实分布式的机器学习有很多策略,比如数据的并行化和模型的并行化,这里只是一笔掠过,待自己研究清楚了再写点东西。最后就是模型的调参。这里面我们也没有提,其实是极其重要的。因为目前,还没有非常权威的,或者定义的调参方案,因为训练过程每个人是不同的,所以只能结合自己的训练情况来调。一般当loss不下降的时候,调小学习率,batch-size也试着调小来看看效果,分布式的学习率较单机的要大些,这些原则去调。
- 深度学习Deeplearning4j 入门实战(2):Deeplearning4j 手写体数字识别Spark实现
- Deeplearning4j 实战(2):Deeplearning4j 手写体数字识别Spark实现
- 深度学习Deeplearning4j入门 实战(1):Deeplearning4j 手写体数字识别
- 深度学习Deeplearning4j入门 实战(1):Deeplearning4j 手写体数字识别
- Deeplearning4j 实战(2):Deeplearning4j 手写体数字识别Spark实现【转】
- Deeplearning4j 实战(1):Deeplearning4j 手写体数字识别
- Deeplearning4j 实战(1):Deeplearning4j 手写体数字识别【转】
- 深度学习Deeplearning4j 入门实战(6):基于LSTM的文本情感识别及其Spark实现
- 深度学习Deeplearning4j 入门实战(4):Deep AutoEncoder进行Mnist压缩的Spark实现
- DeepLearning4j实战(7):手写体数字识别GPU实现与性能比较
- 深度学习Deeplearning4j 入门实战(5):基于多层感知机的Mnist压缩以及在Spark实现
- Deeplearning4j 实战(6):基于LSTM的文本情感识别及其Spark实现
- Deeplearning4j 实战(6):基于LSTM的文本情感识别及其Spark实现
- 深度学习Deeplearning4j 入门实战(3):简介Nd4j中JavaCPP技术的应用
- Spark与深度学习框架——H2O、deeplearning4j、SparkNet
- deeplearning4j实现多感知器的手写数字识别
- Deeplearning4j 实战(4):Deep AutoEncoder进行Mnist压缩的Spark实现
- Deeplearning4j 实战(5):基于多层感知机的Mnist压缩以及在Spark实现
- Diameter of Binary Tree问题及解法
- hadoop搭建测试版
- 更好的学习与记忆
- Spring注解@Component、@Repository、@Service、@Controller区别
- CNN文本分类 论文收集
- 深度学习Deeplearning4j 入门实战(2):Deeplearning4j 手写体数字识别Spark实现
- iOS常用的宏
- Java原生JNI的使用、javah指令的使用以及图解教材
- 单向循环链表
- 目标检测--Accurate Single Stage Detector Using Recurrent Rolling Convolution
- 查看应用包名,am start 启动
- SOAPUI 安装及破解
- 深度学习Deeplearning4j 入门实战(3):简介Nd4j中JavaCPP技术的应用
- 断言模式