Datalore初体验：JetBrains的云端机器学习开发环境

作者：weakish

来源：论智

如果说“古代”的编辑器圣战是Vi和Emacs，那当今时代的IDE圣战可能是Eclipse和Intellij了。大多数人都觉单Intellij是后出转精。不过，Eclipse其实有一个独特的优势，Eclipse Che，基于Eclipse的云端开发环境。Eclipse Che可以方便地统一开发环境，避免不同系统、不同硬件导致的各种兼容问题，同时节省开发人员配置环境的时间。Intellij乃至其他JetBrains系的IDE，则都只有本地版本。

不过，JetBrains今年倒是出了一个云端开发环境Datalore，不过并不针对Java开发者，而是面向机器学习。

经过三个多月的公测，Datalore的基本功能也比较完善了。所以今天我们将通过一个具体的例子（使用卷积网络分类服饰图像）来分享下基于Datalore开发机器学习项目的体验。

首先我们访问datalore.io，可以使用Google账号或JetBrains账号登录。如果没有的话，可以注册一个。

登录后，点击New workbook图标，新建一个workbook。

如果你接触过Jupyter Notebook，那么workbook可以看成是Jupyter Notebook的加强版。如果你没接触过，那么简单来说，workbook是内嵌代码的文档，其中的代码是可以直接运行的。

workbook是左右双栏，左边是源代码，右边显示结果。

我们注意到，左边默认提供了一些常用操作，包括load dataset（加载数据集）、standard imports（标准导入），等等。如果你接触过JetBrains家的IDE，那么你应该已经意识到，这是JetBrains系列IDE广受赞誉的意图行动（intention actions）功能。

我们首先要做的是引入相应的库，当把鼠标悬浮到standard imports（标准导入）后，会有悬浮提示，告诉我们所谓的标准导入包括numpy、pandas、matplotlib，还有datalore定制的一个绘图库。如果你打算做一点数据分析，或者数据可视化的工作，那这个标准导入就很方便。只需点击一下就可以自动生成导入语句，不用一行一行敲了。

不过我打算试下机器学习，所以就不用这个标准导入了。我将导入TensorFlow：

import tensorflow as tf

咦，我只输了i、m两个字母，workbook界面就出现了这个：

是啊，JetBrains出品的东西怎么少得了自动补全呀？按回车就好，不用一个一个字母敲了。

然后我输入tensorflow。咦？没有补全。感觉不太妙。

果然，tensorflow显示为红色，意味着出问题了。再看右边，是报错信息，提示没有tensorflow这个模块。

看来tensorflow没有预装。我们装一下。菜单选择Tools（工具）->Library Manager（库管理器），输入tensorflow搜索。

鼠标点下就可以装了，右边还有下拉菜单可以选版本。

稍等片刻就装好了，其间会弹出窗口显示安装信息，等看到绿色的Installation complete（安装完成）就说明安装成功了。可以点Close（关闭）把窗口关了。

由于安装了新的包，Datalore会提示你需要重启内核（restart kernel），确认就可以了。然后我们看到，报错信息消失了。我们可以接着键入as tf了。

然后我们需要加载数据集。点击load dataset，可以看到，其中包括了一些常用的数据集。

前面我已经说过，我打算试下机器学习。而且我刚安装了TensorFlow。那TensorFlow入门最经典的数据集就是MNIST，Datalore也提供了。

不过么……

“花书”作者Ian Goodfellow、Keras作者François Chollet一起炮轰MNIST

上面的推特就不逐字逐句翻译了，大意就是MNIST不能代表现代的计算机视觉任务，学术界不应该老是用MNIST。

所以我也赶下时髦，换个数据集用用。好吧，我只是找了个借口，不管怎么说，MNIST用来入门还是不错的。其实我只是看了太多MNIST的入门教程，有点审美疲劳了。

手写数字看厌了，毕竟数字又不能当饭吃。不如换成衣服、鞋子吧，虽然也不能吃，好歹可以穿啊。

隆重介绍MNIST的时尚版，Fashion-MNIST。

TensorFlow的API写起来还是有点啰嗦，所以我决定使用Keras。而且，Keras的datasets模块自带获取和加载Fashion-MNIST的方法。

按照之前描述的方法，通过Library Manager安装Keras后，加载Fashion-MNIST数据集：

from keras.datasets import fashion_mnist
(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()

好吧，这行代码看着稍微有点长，其实在Datalore里打起来非常快，因为很多地方稍微敲一两个字母就可以一路补全下去。与此同时，我们能在右边看到，Datalore会自动帮我们下载数据集，并在下载完成后自动加载数据集。

好了。数据集加载好了，下面我们将构建一个模型分类服饰。分类图像最常用的是卷积神经网络，这也是我们的选择。图像的每个像素是由整数表示的（0-255的亮度值），为了提高训练的效率，我们需要首先将其归一化：

x_train = x_train.astype('float32') / 255
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
x_test = x_test.astype('float32') / 255
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)

除了归一化外，我们还顺便重整了一下数据的形状为28, 28, 1（Fashion-MNIST中的图像为28x28的灰度图像）。

和MNIST一样，Fashion-MNIST中的图像分属10类：

图片来源：Margaret Maynard-Reid

在数据集中，标签（y_train）是类别变量，具体而言，是取值范围为0-9的整数。一般而言，为了便于模型利用，我们需要将其转成one hot编码。y_test同理。

y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

这里有一个提高效率的小技巧。在输完y_train这行后，按Ctrl + D（Mac OS X下是Command + D），可以复制当前行。之后将复制行中的两个y_train改成y_test就可以了。

设计预处理完毕，接着就是设计模型了。由于本文的主题不是关于如何设计卷积网络，因此我这里就偷个懒，直接使用Keras自带的MNIST分类器样例（examples/mnist_cnn.py），看看这个为MNIST设计的CNN分类器在Fashion-MNIST上的效果如何。

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=(28, 28, 1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

这个CNN网络模型还是比较简单的。我们有两个卷积层（均使用3x3的卷积核和ReLU激活），之后加上最大池化层，然后是Dropout层和全连接层，最后，因为需要预测10个分类，所以顺理成章地在输出层中使用了softmax激活。

接下来我们编译模型，因为是分类问题，所以损失函数很自然地使用了交叉熵。优化使用了Adadelta，这是Matthew D. Zeiler在2012年底提出的一种优化算法，使用自适应的学习率。

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

然后就是训练和评估，并输出结果：

model.compile(loss=keras.losses.categorical_crossentropy,
                            optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
model.fit(x_train, y_train,
          batch_size=128,
          epochs=20,
          verbose=1,
          validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('测试损失', score[0])
print('测试精确度', score[1])

由于Datalore目前为免费公测阶段，只有t2.medium规格的AWS主机可用（2核、4 GB内存），因此，大约需要等1小时完成训练。等以后正式上线了，会有GPU主机可用（p2.xlarge，4 cpu核心、1 gpu核心、61GB 内存，12 GB显存）。当然，你也可以尝试去Datalore官方论坛申请GPU主机。

结果：

测试损失 0.22063894088864328
测试精确度 0.9295

20个epoch后精确度超过90%，比我预料中的表现要好。

看到这个结果，我有点好奇这个模型在MNIST上的表现有多好。Keras文档告诉我精确度超过99%，不过，俗话说得好，耳听为虚，眼见为实。我想亲自试一试。

实际上，上面的代码只需改动两处，就可以变为分类MNIST。

将开头两行中的fashion_mnist替换为mnist:

from keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

其他的都不用动。就这么简单！

不过，在此之前，先让我们保存一下当前的版本，以备以后继续使用。

通过菜单Tools ->Add history checkpoint，我们可以添加一个checkpoint，比如说，起名为keras-mnist-cnn.

然后，通过菜单Tools ->History，我们可以查看workbook的历史。其中，第一个checkpoint是创建workbook时的状态。除此之外，勾选左上角的Show inactivity checkpoints之后，我们能看到很多Datalore自动保存的checkpoint，你再也不用担心不小心丢失代码了。没错，如果你接触过JetBrain系的IDE，这就是其历史功能。

你不仅可以查看不同的checkpoint，还可以比较不同checkpoint之间的区别：

这个功能在调bug的时候是非常方便的。说到调bug，在Datalore下调bug还是比较方便的。比如，假设我们把模型的输入形状改一下，故意改成错误的：

这虽然是一个故意编造的简单错误，但确实是可能出现的错误。因为有的情况下，频道是放在最前的。有的时候不小心，就会出现这种失误。

一旦我们做了这个改动后，Datalore几乎立刻反应过来。

从上图我们可以看到：

1. 代码单元左边框为红色，提示我们这里有误。正常情况下，左边框为闪烁的绿色（提示正在进行运算）或黄色（提示运算完成）。

2. 右侧结果为报错的Trackback.

3. 左侧代码的出错行有红色波浪线标识。悬浮鼠标于其上，我们能看到报错信息，如下图所示。

其实很多地方，悬浮鼠标都能给出相应的提示，比如悬浮到y_train后，会提示这是一个变量（而不是函数），甚至Datalore能推断其类型numpy.ndarray。

而单击一个变量后，Datalore会高亮这一变量的所有用例：

从上图我们可以看到，Datalore没有直接简单粗暴地匹配字符串，最后两行中，注释和字符串里的x_test并没有高亮。

好了，说了这么多。让我们回到之前的MNIST数据集训练上来。如前所述将两处fashion_mnist替换为mnist后，我们在MNIST数据集上训练模型，并评估其表现。

最终训练了一个多小时（和Fashion-MNIST时间差不多，毕竟这两个数据集的图像规格是一样的，都是28x28的灰度图像），20个epoch后精确度为0.9918，看来Keras文档所言不虚。

当然，除了代码之外，workbook里还能写文档。文档使用Markdown格式，加上了LaTeX公式扩展。

另外，线上开发环境的一大优势就是方便协作。Datalore也不例外。通过菜单File ->Share即可邀请别人协作，一起开发。

分享共有3种方式：

1. 输入Datalore用户名或邮箱，邀请对方协作开发。

2. 分享一个链接，通过这个链接访问的用户可以协作开发。

3. 同样是分享一个链接，只不过这是一个只读链接，通过这个链接访问的用户只能查看，无法修改。

最后，附上快捷键列表（有些已经在前文中介绍过）：

• C-空格 （C在mac os x上是Command键，其他平台上是ctrl键）可以触发自动补全。

• C-d 重复当前行

• 在Markdown单元中，按alt + 左右方向键可以在单词间跳转。