Java-Tomcat-CFANZ编程社区

1. 简介

由于 AI 神经网络涉及多种参数，需要频繁修改各种超参数，比如：learning rate，batchsize，filter numbers，alpha 等等，每个参数都有可能影响到模型最终的准确率，所以比较这些参数之间的差异，并且进行记录和保存，是 AI 算法优化必需的流程。

本文将介绍 python 的一个库：mlflow，可以使 AI 实验的效率更高，提供一种更方便的比较方法。

2. mlflow

mlflow 作为机器学习生命周期的管理包，提供了完整的 AI 开发部署工作流程以及可视化管理：
图1. 机器学习的基本流程
mlflow 模块一共包含 5 个基本组件：

MLflow Tracking：用于记录机器学习所使用的参数，软件版本，模型测试环境等。
MLflow Models：一种模型格式，可以方便部署在各个平台上，并且计算其推理时间。比如：Docker，Apache Spark, Databricks, Azure ML 和 AWS SageMaker。
MLflow Model Registry：中心化的模型商店，包含一系列 API 和 UI。
MLflow Projects：标准化的格式，用于打包可重用的代码，可以运行在不同参数下。
MLflow Recipes：开发高质量模型的预定义模板，包括分类和回归。

2.1. 代码集成

Mlflow 提供了两种方法集成，一种是直接调用 mlflow.autolog()，它支持非常多的主流机器学习框架，比如 scikit-learn, Keras, Pytorch。

如果 autolog 不支持，则可以使用下表中方法，手动进行记录：

名称	目的	函数调用
Parameters	常量(比如, 配置参数)	mlflow.log_param,mlflow.log_params
Metrics	运行中更新的值(比如，精度)	mlflow.log_metric
Artifacts	运行中产生的文件(比如，模型权重)	mlflow.log_artifacts,mlflow.log_image,mlflow.log_text

2.2. Autolog 和结果展示

Autolog 方法比较简单，以 keras 为例，只需要在训练脚本最前面调用以下代码即可 :

import mlflow
mlflow.tensorflow.autolog()

在本次实验中，我运行了两次 train.py, 然后将 batch size 从 256 修改为 128 再次运行了一次 train.py。

运行完成后，mlflow 会自动生成 mlruns 文件夹，并保存每次的训练参数和结果，默认情况下，保存的模型是最后一次迭代的模型。

图2. Mlflow 自动生成的文件夹和文件

然后，在 python 执行终端中，进入包含有 mlruns 的目录中，输入 mlflow ui，即可通过本地浏览器打开 web 界面（默认 http://127.0.0.1:5000）：
图3. Mlflow table view 主界面
上图 3，记录了三次实验，创建时间，持续时间，并且可以添加其他的实验参数或指标，并支持排序，比如 batch size, epoch, acc, loss 等。

图4. Mlflow chart view 主界面
上图 4，记录了三次实验的图形比较结果，比如修改了 batch size 后准确率变化了多少，验证集准确率变化了多少等，这些交叉对比参数可以手动修改。

自动记录的参数包括以下 24 个：

图5. 自动记录的参数
自动记录的指标包括以下 6 个：

图6. 自动记录的指标

2.3. 选择性记录

Autolog 非常方便，但是有一个问题，自动记录的模型和指标是最后一次迭代的模型，在某些训练脚本中，可能需要保存验证结果最好的一个模型，如果需要达到这个目的，那么需要使用 2.1 中的方法进行记录。

图7. 记录参数
比如，图 7 中，尝试记录一些参数，也可以记录一些超参数，作为模型选择的对比。

图8. 记录指标
或者，如图 8 中，可以记录测试集的结果，作为新的评估指标。

3. 测试结果

以 AFCI 为例，实践中可能会遇到这样的问题：电流数据的采样率如何设置，分帧长度如何设置，是否需要使用 FFT 等。

这些超参数的设置都很难解释，他严重依赖于具体的数据，实践中可以以测试结果为准。

下面将介绍使用采集到的原始数据进行测试，原始 ADC 采集数据使用了 400KHz 采样率，那么通过降采样很容易得到 200KHz 采样率的数据。同时将分别测试 FFT 和不使用 FFT，帧长设置分别为 512,1024,2048,4096。

同时，记录以下信息：

#记录数据类型，采样率，帧长等信息
mlflow.log_params({"data_type":data_type, \
"sample_rate":sample_rate, "points":points, \
"feature_path":str(feature_path), "data_list":DATA_LIST})

#评估模型的 Precision, Recall, F1-score
Y_pred = model.predict(X_test)
Y_pred = np.argmax(Y_pred, axis=1)
Y_test = np.argmax(Y_test, axis=1)
print(classification_report(Y_test, Y_pred))
#记录精准率，召回率，F1 分数
mlflow.log_metric("Recall", recall_score(Y_test, Y_pred))
mlflow.log_metric("Precision", precision_score(Y_test, Y_pred))
mlflow.log_metric("f1_score", f1_score(Y_test, Y_pred))
#使用 mlflow 记录模型
mlflow.log_artifact(output_path/(model.name +'.h5'))