軟件工程師和數(shù)據(jù)科學家一起工作時，會擦出什么火花呢？

作為Java / Kotlin開發(fā)人員，一位名叫Ben Danial的小哥為我們講述了他與數(shù)據(jù)科學家合作的有趣經(jīng)歷。

在一年中，這位小哥從零開始學習機器學習，和數(shù)據(jù)科學家不斷交流合作，一起碼出了一個機器學習模型的原型，并成功把這個模型做上線。真是成就滿滿呢！

前情提要

大家好，我叫Ben Daniel，是一名安卓工程師。2017年末，我開始對機器學習領(lǐng)域產(chǎn)生興趣。機器學習這個領(lǐng)域充滿了有趣的挑戰(zhàn)，因此也就需要大量的學習。今天，我就給大家講述我和我司數(shù)據(jù)科學家一起攻克機器學習難題的經(jīng)歷。

我還記得，我曾試圖解決我們的某個應(yīng)用程序中出現(xiàn)的圖像分類問題。我們需要根據(jù)一組規(guī)則區(qū)分有效和無效圖像。于是我從深度學習領(lǐng)域中修改了dl4j這個例子，并試圖用它來處理分類任務(wù)。雖然結(jié)果不夠理想，但是我的心態(tài)還不錯。畢竟第一次嘗試嘛。

Dl4j例子鏈接:

https://github.com/deeplearning4j/dl4j-examples/blob/master/dl4j-examples/src/main/java/org/deeplearning4j/examples/convolution/AnimalsClassification.java

由于精度和最終模型的大小不符，我使用dl4j代碼的方法是不可取的。面向移動設(shè)備，我們需要一個文件大小緊湊的模型，很遺憾，這個功能無法實現(xiàn)。

數(shù)據(jù)科學家來啦

正巧，這個時候，我們聘請了一位數(shù)據(jù)科學家，他帶來了許多有趣的經(jīng)驗，也教會我們很多。我逐漸發(fā)現(xiàn)，大多數(shù)機器學習問題都可以通過Python解決，而且Python社區(qū)中已經(jīng)有了對機器學習的巨大支持。雖然不太情愿，但我還是開始了Python的學習。

我從小型的機器學習課程開始學起。與此同時，我的其他團隊成員也很感興趣，并一起加入了學習的大軍。新入職的數(shù)據(jù)科學家向我們介紹了Jupyter notebook和云機器學習引擎。我們通過使用花卉數(shù)據(jù)集示例嘗試圖像分類，并很快沉迷其中。

在團隊中的每個人都接受了培訓和模型的基礎(chǔ)知識后，我們開始處理文章開始提到的遺留問題。作為一名團隊成員，我主要專注于兩項任務(wù)：圖像分類問題和圖像分割問題。之后，這兩個問題都被我們用卷積神經(jīng)網(wǎng)絡(luò)（CNN）解決了。

準備訓練數(shù)據(jù)真心難

這兩項任務(wù)（圖像分類問題和圖像分割問題）都需要大量的訓練數(shù)據(jù)。我有兩個消息——好消息是我們的確有很多數(shù)據(jù)。壞消息是它們要么是未分類要么是未注釋。我終于明白了機器學習專家們所說的，機器學習項目中大部分時間將用來準備訓練數(shù)據(jù)而不是訓練模型本身。

對于圖像分類分類問題，我們需要將數(shù)十萬個圖像排列成不同的類。這是一項繁瑣的工作。我不得不調(diào)用我的Java Swing技能，來構(gòu)建使這項任務(wù)更容易的GUI，但總的來說，標記數(shù)據(jù)這個任務(wù)真的很單調(diào)，很無聊。

分割問題就要復雜一些了。我們很幸運地發(fā)現(xiàn)了一些擅長分割的模型，但不幸的是，這些模型太占內(nèi)存了。我們還希望該模型能夠在規(guī)格非常低的安卓設(shè)備上運行。這時，數(shù)據(jù)科學家建議我們使用龐大的模型來生成數(shù)據(jù)，用以構(gòu)建我們自己的移動網(wǎng)絡(luò)。

訓練

我們最終切換到了AWS Deep Learning AMI。訓練圖像分割模型的過程完全由我們的數(shù)據(jù)科學家處理，我只需要站在他身邊，做筆記嘻嘻:)。

（其實我不在記筆記，哈哈哈哈哈哈哈哈）

訓練這個模型是一項計算密集型任務(wù)，需要足夠GPU和RAM。我們便采用了GPU和RAM，因此很快就完成了模型訓練。如果不是這樣的話，我們可能要花費數(shù)月來訓練這個模型。

我負責了圖像分類模型的訓練。不過，我并沒有在云上訓練，而是只在我的Macbook pro上訓練。這是因為，我只是訓練神經(jīng)網(wǎng)絡(luò)的最后一層，而不是我們?yōu)榉指钅Ｐ退龅娜W(wǎng)絡(luò)訓練。

順利完成！

兩種模型經(jīng)過嚴格的測試后，都成功進入了我們的產(chǎn)品線。在這一步，團隊成員的任務(wù)是構(gòu)建Java wrapper庫。這樣一來，我們就可以把模型繁復的細節(jié)隱藏起來。在使用時，我們只需輸入圖片，這個wrapper庫就會輸出一個概率 張量，也就是模型在單個圖像上預測的結(jié)果數(shù)組。我也參與了這一過程，因為我之前的一些寫碼經(jīng)驗有用武之地。

人生處處是挑戰(zhàn)

“挑戰(zhàn)讓生活變得有趣，克服挑戰(zhàn)則讓生活變得有意義”。

在這個項目中，我面臨的最大挑戰(zhàn)是嘗試使用Bazel從源代碼構(gòu)建用于32位系統(tǒng)的Tensorflow Java庫。整個過程實在是跌跌撞撞。

我也遇到過其他挑戰(zhàn)，比如，將Python解決方案轉(zhuǎn)換為Java。由于Python已經(jīng)內(nèi)置了對數(shù)據(jù)科學任務(wù)的支持，因此Python中的代碼感覺更加簡潔。每次在嘗試逐字翻譯命令時，我都會抓耳撓腮。比如，縮放2D陣列并將其作為透明層添加到圖像中這一步就異常艱難。不過我們最終把這事兒搞定了！

現(xiàn)在我們上線的模型表現(xiàn)很好，但是當它們產(chǎn)生錯誤的結(jié)果時，那些錯誤的結(jié)果是荒謬無比的。

它讓我想起了我之前讀過的一句話：

“...如果沒有源源不斷的新數(shù)據(jù)，模型質(zhì)量會迅速降低。這是著名的概念漂移（concept shift），這意味著，隨著時間的推移，靜態(tài)機器學習模型提供的預測變得不那么準確，并且不太有用。在某些情況下，甚至可能在幾天內(nèi)發(fā)生。 - David Talby

因此，我們必須不斷改進模型，并且永遠得不到一個一勞永逸的模型。其實還挺有趣的。

因為我本人主要關(guān)注移動開發(fā)，所以我甚至不確定自己有資格被稱為機器學習的新手。然而，通過與數(shù)據(jù)科學家的合作，我在今年成功上線了一個機器學習模型?；叵肫饋恚喈敿幽?！