DeepDetect——机器学习框架的API统一

DeepDetect ，一个专为深度学习的开源API和服务。 DeepDetect的API 简单直观、易用、通用和易扩展。

在其他贡献者的帮助下，他集成了 Caffe ， XGBoost 和 Tensorflow (很快将完成)，并且未对原服务或者API修改。

XGBoost梯度提升法树是深度模型常用的算法。Tensorflow支持分布式训练模型和数据，并且能很好的支持LSTM和RNNs神经网络算法。Caffe擅长处理图像和文本数据。DeepDetect让你在这些深度学习框架间自由转换。

下面将介绍实现通用深度学习API的主要原则。同时也期待大家贡献出一些想法和评价来提高DeepDetect。

创业公司期待构建一个可认证的深度学习的SaaS API，可扩展，并能快速市场化、产品化;

企业期待与已有系统可以无缝衔接，刚开始数据流比较慢，后续模型需要随着数据的增加而进行优化。并且对应的技术可以复制到其他项目中或者部门。

符合上述两个要求的开源项目有搜索引擎 Elasticsearch ，可扩展搜索引擎，清晰的REST风格API和完全JSON化的输入/输出数据结构。

那深度学习API集成服务该怎样实现呢?下面给出几点：

无需重写：深度学习(机器学习)就像密码学，只需生成一次。无需重写对存在多种深度学习库是非要重要的;

无缝转换：开发和产品发布具有相同的环境会加快测试和发布周期，避免出现bug;

简化命令行：简单、人性化的输入/输出格式，比如JSON格式。简单即是王道;

产品化：专业的机器学习服务生命周期更期待在数据预测，而不是训练模型。

如果有一种通用机器学习服务能融合以上的点，简单且强悍的API，它将会同时满足开发人员和企业诉求，并且在开发和产品之间无缝切换。它将会采用JSON数据格式，用单一框架和API统一其他深度学习和机器学习开发库，并隐藏各代码间的内部复杂性。

DeepDetect机器学习API核心部分是资源和数据输入/输出格式。资源过去是指服务器资源，而不是指机器学习服务。此种设计的原因是GPU和内存在POST机器学习服务作业时是紧缺资源。让他们看看有哪些核心资源：

服务器信息：通过GET目录/info获取服务器信息;

机器学习服务管理：通过PUT(创建一个机器学习服务)、GET(获得一个机器学习服务状态)和POST(更新一个机器学习服务)目录/services进行机器学习服务的管理;

模型训练：通过POST(创建一个新的训练作业)、GET(获取一个训练作业的状态)和DELETE(取消一个训练作业)目录/train进行模型训练;

数据预测：通过POST(发送数据到服务)目录/predict进行数据预测。

所以服务包括机器学习服务、模型训练和数据预测，这些服务资源是统计模型上两种主要操作。在这个阶段监督学习服务和无监督学习服务没什么区别。

机器学习的主要参数是输入或预处理、统计学习和最终输出，映入脑海里的是：input，mllib和output三种。mllib指定支持的机器学习库，input和output不写自明。下面是一个例子，创建一个图像分类的服务：

PUT /services/imageserv

{

“description”: “image classification service”,

“mllib”: “caffe”,

“model”: {

“repository”: “/path/to/models/imgnet”,

“templates”: “../templates/caffe/”

},

“parameters”: {

“input”: {

“connector”: “image”

},

“mllib”: {

“nclasses”: 1000,

“template”: “googlenet”

},

“output”: {

}

},

“type”: “supervised”

}

参数一般包括input，mllib和output，监督学习服务和无监督学习服务通过调整输出connector设置。input connector处理输入格式，支持CSV、libsvm和text等格式，包括图像和特征。mllib部件指定的是服务创建、训练和预测模型的机器学习库，非常方便的引用各机器学习库的参数，并且保留了参数标志。

下面给出一个CSV格式的input connector例子：

“input”: {

“id”: “Id”,

“label”: “Cover”,

“separator”: “,”,

“shuffle”: true,

“test_split”: 0.1

}

下面是一个典型训练模型的output connector：

“output”: {

“measure”: [

“acc”,

“mcll”,

“f1”

]

}

接下来给出一个复杂点的输出，Mustache格式的输出模版(标准化的JSON格式可以转化成任意其他的格式)：

{

“network”: {

“http_method”: “POST”,

“url”: “http://localhost:9200/images/img"

},

“template”: “{ {{#body}}{{#predictions}} \”uri\”:\”{{uri}}\”,

\”categories\”: [ {{#classes}} { \”category\”:\”{{cat}}\”,\”score\”:

{{prob}} } {{^last}},{{/last}}{{/classes}} ] {{/predictions}}

{{/body}} }”

}

上述模版可以使监督学习分类结果直接输入Elasticsearch并生成索引，详情见http://www.deepdetect.com/tutorials/es-image-classifier 。注意到network对象，其POST到输出服务器，这个对象也可以用在input connector连接远程输入源。

上面的模版是一个典型的DeepDetect服务器监督分类JSON输出：

“body”: {

“predictions”: {

“classes”: [

{

“cat”: “n03868863 oxygen mask”,

“prob”: 0.24278657138347626

},

],

“loss”: 0.0,

“uri”: “http://i.ytimg.com/vi/0vxOhd4qlnA/maxresdefault.jpg”

}

上述的例子在集成到已存项目管道是不需要“胶水”代码，这很好的满足了许多企业的需求。

下面快速浏览下mllib组件，包括Caffe和XGBoost：

// Caffe

“mllib”:{

"gpu":true,

"net":{

"batch_size":128

},

"solver: {

"test_interval":1000,

"iterations":16000,

"base_lr":0.01,

"solver_type":"SGD"

}

}

// XGBoost

"mllib": {

"iterations": 100,

"objective": "multi:softprob"

}

对于Caffe的例子，服务器使用了GPU，其他参数包括solver和learning rate等。对于XGBoost例子，参数iterations和objective被设置。

接下来重要的部分是数据预测，观察机器学习服务生命周期重要的是基于数据进行预测：

curl -X POST 'http://localhost:8080/predict' -d

'{"service":"covert","parameters":{"input":

{"id":"Id",”separator”:","}},"data":["test.csv"]}'

这里mllib部分省略掉了，有时在深度网络中抽取特征时mllib是有用的。在非监督学习中是相似的，输出是一个张量，而不是一个类或者回归对象：

"mllib":{"extract_layer":"pool5/7x7_s1"}

最后总结，这歌机器学习API的核心点：

可读性：所有的数据结构是简单、人性化的;

通用性：监督学习服务和无监督学习服务的通用API;

REST风格和可编程的API：这个API通过网络获取，但保留C++原有标志;

“虚构”性;能够很容易的学习增加的特征和资源，比如，为多个预测实现服务链。