学学笔记TF067:TensorFlow Serving、Flod、总括加速,机器学习评测系统,公开数据集

人脸识别性能目标。
识别性能,是否鉴别准确。Top-K识别率,给出前K个结果包含正确结果概率。错误拒绝辨识率(FNIR),注册用户被系统错误辩识为任何注册用户比重。错误接受辩识率(FPIR),非注册用户被系统识别为某个注册用户比重。
证实性能,验证人脸模型是否充足好。误识率(False Accept
Rate,FAR),将其旁人误作指定人士概率。拒识率(False Reject
Rate,FRR),将点有名的人士误作其别人士概率。识别速度,识别一副人脸图像时间、识别一个人日子。注册速度,注册一个人日子。

方法

若要将
SharePoint Server 2016 配置为收回 Office 2016
客户端中的新式验证,请依照以下步骤在 SharePoint 2016
命令行管理程序中运作 Microsoft PowerShell 命令:

  1. 设置 SharePoint
    Server 2016 时,会赋予运行安装的用户帐户运行 Microsoft PowerShell
    cmdlet 的适宜权限。 如果没有添加其余能够运行 Microsoft PowerShell
    cmdlet 的用户,可以采纳 Add-SPShellAdmin cmdlet 添加用户。 使用
    Add-SPShellAdmin cmdlet
    授予权限从前,请证实自己是不是满意以下有所要求:
  • 务必在 SQL Server
    实例的 securityadmin 固定服务器角色中装有成员身价。

  • 总得在要立异的所有数据库的
    db_owner 固定数据库角色中拥有成员身价。

  • 非得是要运行
    Microsoft PowerShell cmdlet 的服务器的领队组成员。

  1. 在 SharePoint 2016
    命令行管理程序命令指示符处,键入下列命令:

    $sts
    = Get-SPSecurityTokenServiceConfig
    $sts.SuppressModernAuthForOfficeClients = $true

    $sts.Update()

  1. 重启 Internet
    Information 瑟维斯(Service)(Service)s (IIS)。 为此,请运行以下命令:

    iisreset
    /restart

  2. 重启 SharePoint
    定时服务 (SP提姆(Tim)erV4)。 为此,请运行以下命令:

    Net
    Stop SPTimerV4

    Net
    Start SPTimerV4

  3. 运行以下命令,以评释是否举行了改观:

**$sts
= Get-SPSecurityTokenServiceConfig** 

**$sts.SuppressModernAuthForOfficeClients**


最后一个命令应返回
True。 

注意 :Microsoft
Office 2013 客户端也惨遭了震慑。

迎接推荐迪拜机械学习工作机遇,我的微信:qingxingfengzi

前言

Microsoft Office 2016
客户端默认使用最新验证。 在好几配置中,新式验证不受安装有 SharePoint
Server 2016 的 Office 2016 客户端的支撑,例如,当将新型验证用于 Active
Directory 联合身份验证服务 (AD FS) 3.0 安装时。 现在,SharePoint
管理员可以将 SharePoint Server 2016 配置为废除 Office 2016
客户端中的新式验证。

人脸数据集。
AFLW(Annotated Facial Landmarks in the Wild)
http://lrs.icg.tugraz.at/research/aflw/
,从Flickr收集带标注面部图像大规模wyskwgk,各样姿态、表情、光照、种族、性别、年龄因素影响图片,25000万手工标注人脸图片,每个人脸标注21个特征点,大多数彩色,59%女性,41%男性。非常适合人脸识别、人脸检测、人脸对齐。
LFW(Labeled Faces in the Wild Home) http://vis-www.cs.umass.edu/lfw/
。美利坚联邦合众国宾夕法尼亚大学阿姆斯特分校统计机视觉实验室整理。13233张图纸,5749人,4096人只有一张图片,1680个多于一张。用于探究非受限情状人脸识别问题。人脸外形不安定,面部表情、观察角度、光照条件、室内室外、遮盖物(口罩、眼镜、帽子)、年龄影响。为文化界评价识别性能标准(benchmark)。
GENKI http://mplab.ucsd.edu
,罗德岛大学搜集。包含GENKI-R2009a、GENKI-4K、GENKI-SZSL。GENKI-R2009a,11159图形。GENKI-4K,4000图片,笑与不笑两类,每个图片人脸姿势、头转动标注角度,专用笑脸识别。GENKI-SZSL,3500图像,广泛背景、光照条件、地理地方、个人身份、种族。
VGG Face http://www.robots.ox.ac.uk/~vgg/data/vgg\_face/
。2622个不等人,每个人1000张图纸,磨炼人脸识别大数目集。
CelebA(Large-scale CelebFaces Atributes,大规模名家人脸标注数据集)
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
。10177个有名气的人,202599张有名的人图像,每张图像40个属性标注。

bazel build -c opt –copt=-mavx –copt=-mavx2 –copt=-mfma
–copt=-mfpmath=both –copt=-msse4.2 –copt=-cuda -k
//tensorflow/tools/pip_package:build_pip_package
bazel-bin/tensorflow/tools/pip_package/build_pip_package
/tmp/tensorflow_pkg

模型生命周期管理。模型先数据锻练,渐渐爆发开头模型,优化模型。模型多重算法试验,生成模型管理。客户端(Client)向TensorFlow
Severing请求模型,TensorFlow Severing再次回到适当模型给客户端。TensorFlow
Serving、gRPC(Google公司开源高性能、跨语言RPC框架),提供跨语言RPC接口,不同编程语言都可以访问模型。

图表数据集。
ImageNet http://www.image-net.org/
。世界最大图像识别数据集,14197122张图像,加州洛杉矶分校高校视觉实验室终身讲师李飞飞创建。每年ImageNet大赛是国际总结机视觉顶尖赛事。
COCO http://mscoco.org/
。微软创始,分割、加字幕标注数据集。目的细分,通过上下文举行鉴别,每个图像包含三个对象对象,超越300000图像,超越2000000实例,80种对象,每个图像包含5个字幕,包含100000个人关键点。
CIFAR(Canada Institude For Advanced Research) https://www.cifar.ca/
。加拿大先进技术探究院采集。8000万小图片数据集。包含CIFAR-10、CIFAR-100六个数据集。CIFAR-10,60000张32×32
RGB彩色图片,共10个项目,50000张磨炼,10000张测试(交叉验证)。CIFAR-100,60000张图像,100个品种,每个品种600张图像,500张操练,100张测试。20个大类,每个图像包含小品种、大序列多少个标志。

问答数据集。
MS MARCO(Microsoft Machine Reading Comprehension) http://www.msmarco.org
。微软公布,10万个问题和答案数据集。创制像人类一样阅读、回答问题系统。基于匿名真实数据构建。
康奈尔大学影视独白数据集
https://www.cs.cornell.edu/~cristian/Cornell\_Movie-Dialogs\_Corpus.html
。600部好莱坞影片对白。

TensorFlow Serving https://tensorflow.github.io/serving/

在/tmp/tensorflow_pkg爆发whell文件,再用pip命令安装wheel文件。

参考资料:
《TensorFlow技术解析与实战》

年纪、性别数据集。
Adience 数据集 http://www.openu.ac.il/home/hassner/Adience/data.html
。来源Flickr相册。用户用智能手机设备拍摄,2284门类,26580张图纸。保留光照、姿势、噪声影响。性别、年龄估量、人脸检测。

闲谈机器人性能目标。
答应正确率、任务完成率、对话回合数、对话时间、系统平均响应时间、错误信息率。评价为主单元,单轮对话。人机对话进程,连续经过。http://sanwen.net/a/hkhptbo.html
《中国人工智能学会通讯》2016年第6卷第1期。聊天机器人,机器人答句和用户问句应该语义一致,语法正确,逻辑正确。机器人答句应用有趣、多样,不是一贯爆发安全应对。机器人应该个性表达相同,年龄、身份、出生地基本背景信息、爱好、语言风险应该相同,能设想成一个优良人。

生儿育女环境灵活、高性能机器学习模型服务体系。适合基于实际多少大规模运行,暴发两个模型练习过程。可用以开发环境、生产环境。

TensorFlow Flod https://github.com/tensorflow/fold ,《Deep Learning
with Dynamic Computation Graphs》https://openreview.net/pdf?id=ryrGawqex
。深度学习过程,模型磨练多少预处理,不同结构数据剪裁成相同维度、尺寸,划分成批,进入训练流程。静态图模型,缺点,输入数据不可能一般预处理,模型针对不同输入数据建立不同统计图(computation
graph)分别磨炼,没有充裕利用处理器、内存、高速缓存。
TensorFlow
Fold(现在还出了Eager形式,可以比较学习),遵照不同结构输入数据建立动态总括图(dynamic
computation),遵照各类不同输入数据建立不同总括图。动态批处理(dynamic
batching)自动组合总计图,实现输入数据里面批处理,批处理单个输入图内不同节点,不同输入数据间批处理,批处理不同输入图间运算。可插入附加指令在不同批处理操作间移动数据。简化模型锻练阶段输入数据预处理过程。CPU模型运行速度增长10倍以上,GPU提升100倍。

TPU 加速、FPGA加速。
GoogleTensorFlow设计专用集成芯片-张量处理单元(Tensor Processing
Unit,TPU)。CPU逻辑运算(if
else)能力很强,统计能力比GPU差,深度学习需要海量总结。GPU有无往不胜浮点统计单元,GPU着色器(shader)对一批数量以平等步调执行同一指令流水。GPU同一时钟周期执行命令数量千级,3000条。CPU同一时钟周期执行命令数据几十级。数据交互能力远超CPU。GPU逻辑运算能力差,流水线并行能力(同一时钟周期并发执行不同逻辑类别能力)差,需要批数量同步调执行同样逻辑。神经网络需要广泛数据交互能力,CNN卷积、矩阵运算操作,通过数量交互大幅提高性能。
GPU出厂后架构固定,硬件原生襄助指令固定。如神经网络有GPU不帮助指令,不可能直接硬件实现,只可以软件模拟。FPGA加速,开发者在FPGA里编程,改变FPGA硬件结构。FPGA体系布局不一,不是冯·诺伊曼结构,是代码描述逻辑电路。只要片上逻辑门、引脚够多,全部输入、运算、输出都在一个时钟周期内到位。FPGA一个时钟周期执行三遍全部烧好电路,一个模块就一句超复杂“指令”,不同模块不同逻辑连串,体系里就一条指令。不同运算单元硬件直连,数据交互、流水线并行共存(GPU流水线并行能力约0),浮点运算能力不如GPU。适合低顺延预测推理,每批大小较小。
TPU,专用集成电路(application specific integrated
circuit,ASIC),硬件逻辑一旦烧写不可再编程,专门为TensorFlow做深度学习开发。TPU近期版本不可以完全运作TensorFlow成效,高效预测推理,不关乎磨炼。

视频数据集。
YouTube-8M https://research.google.com/youtube8m/
。800万个YouTube视频URL,50万时辰长度视频,带有视频标注。

常用通用评价目的。
准确率、召回率、F值、ROC、AUC、AP、mAP。
ROC(Receiver Operating Characteristic,受试者工作特点曲线)、AUC(Area
Under roc Curve,曲线上面积),评价分类器目标。ROC曲线横坐标FPR(False
positive rate),纵坐标TPR(True positive
rate)。ROC曲线越接近左上角,分类器性能越好。AUC,ROC曲线下方面积大小。ROC曲线处于y=x直线上方,AUC值介于0.5~1.0。AUC值越大表示性能越好。专门AUC总括工具
http://mark.goadrich.com/programs/AUC/
AP(average precision,平均准确性)、mAP(mean average
precision,平均准确性平均)。总计机视觉,分类问题,AP模型分类能力紧要目的。只用P(precision
rate, 准确率)和R(recall
rate,召回率)评价,组成PR曲线趋势召回率越高准确率越低。AP曲线下边积,等于对召回率做积分。mAP对富有品类取平均,每个类作五回二分类任务。图像分类随想基本用mAP标准。

公开数据集。

自动驾驶数据集。
法兰西国家音讯与自动化研究所游客数据集(INRIA Person Dataset)
http://pascal.inrialpes.fr/data/human/
。作为图像和视频中直立人检测商讨工作有的收集。图片二种格式,一富有相应注释文件原始图像,二富有原始图像经过专业处理64×128像素正像。图片分只有车、只有人、有车有人、无车无人4个档次。
KITTI(Karlsruhe Institute of Technology and Toyota Technological
Institute) http://www.cvlibs.net/datasets/kitti/
。车辆数据集,7481个教练图片、7518个测试图片。标注车辆类型、是否截断、遮挡意况、角度值、二维和三维框、地方、旋转角度。

机械翻译评价情势。
BLEU(bilingual evaluation
understudy)方法,2002年,IBM沃森商量中心指出。机器翻译语句与人类专业翻译语句越接近越好。下人工评价低度相关。正确句子作参照译文(reference)、正确句子(golden
sentence),测试句子作候选译文(candidate)。适用测试语料具有六个参考译文。相比较参考译文与候选译文相同片段数量,参考译文连续出现N元组(N个单词或字)与候选译文N元组相比,n单位有的(n-gram)相比较。总计完全匹配N元组个数与参考译文N元组总个数比例。与岗位无关。匹配片段数越多,候选译文质料越好。
METEOR,不仅要求候选译文在总体句子上,在句子分段级别上,都要与参考译文更类似。https://en.wikipedia.org/wiki/METEOR\#Algorithm
。在待评价字符串与参考文符串间创立平面图。待评价翻译每个一元组必须映射到参考翻译1个或0个一元组。拔取映射交叉数据较少的。

TensorFlow Serving代码 https://hithub.com/tensorflow/serving
。源代码Bazel编译安装
https://github.com/tensorflow/serving/blob/master/tensorflow\_serving/g3doc/setup.md
,Docker安装。https://www.tensorflow.org/serving/setup 。结合TensorFlow
Serving,锻炼好模型,创制Docker镜像,推送到Google Container Registry
https://cloud.google.com/container-registry/docs/
。模型在Google云平台(Google Cloud
Platform)运行。Kubernetes成功安排模型服务。Serving Inception Model with
TensorFlow Serving and Kubernetes
https://tensorflow.github.ic/serving/serving\_inception 。Google ML
Engine,全托管TensorFlow平台,锻练模型一键转换预测服务。

机器学习评测系统。

TensorFlow总结加速。GPU设备,XLA
框架融合OP,分布式总结、参数部分分布到不同机器,硬件总结,CPU更尖端命令集SSE、AVX,FPGA编写匡助TensorFlow总计单元。
CPU加速。pip命令安装,与更广阔机器兼容,TensorFlow默认仅在x86机器使用SSE4.1
SIMD指令。源代码安装可以博得最大性能,开启CPU高级指令集襄助。bazel
构建只可以在祥和机器运行二进制文件。

Post Author: admin

发表评论

电子邮件地址不会被公开。 必填项已用*标注