機器學習框架ML.NET學習筆記【4】多元分類之手寫數字識別

一、問題與解決方案

通過多元分類演算法進行手寫數字識別，手寫數字的圖片解析度為8*8的灰度圖片、已經預先進行過處理，讀取了各畫素點的灰度值，並進行了標記。

其中第0列是序號（不參與運算）、1-64列是畫素值、65列是結果。

我們以64位畫素值為特徵進行多元分類，演算法採用SDCA最大熵分類演算法。

 

二、原始碼

 先貼出全部程式碼：

namespace MulticlassClassification_Mnist
{
    class Program
    {
        static readonly string TrainDataPath = Path.Combine(Environment.CurrentDirectory, "Data", "optdigits-full.csv");
        static readonly string ModelPath = Path.Combine(Environment.CurrentDirectory, "Data", "SDCA-Model.zip");

        static void Main(string[] args)
        {
            MLContext mlContext = new MLContext(seed: 1);
          
            TrainAndSaveModel(mlContext);
            TestSomePredictions(mlContext);

            Console.WriteLine("Hit any key to finish the app");
            Console.ReadKey();
        }
              

        public static void TrainAndSaveModel(MLContext mlContext)
        {
            // STEP 1: 準備資料
            var fulldata = mlContext.Data.LoadFromTextFile(path: TrainDataPath,
                    columns: new[]
                    {
                        new TextLoader.Column("Serial", DataKind.Single, 0),
                        new TextLoader.Column("PixelValues", DataKind.Single, 1, 64),
                        new TextLoader.Column("Number", DataKind.Single, 65)
                    },
                    hasHeader: true,
                    separatorChar: ','
                    );

            var trainTestData = mlContext.Data.TrainTestSplit(fulldata, testFraction: 0.2);
            var trainData = trainTestData.TrainSet;
            var testData = trainTestData.TestSet;

            // STEP 2: 配置資料處理管道        
            var dataProcessPipeline = mlContext.Transforms.Conversion.MapValueToKey("Label", "Number", keyOrdinality: ValueToKeyMappingEstimator.KeyOrdinality.ByValue);

            // STEP 3: 配置訓練演算法
            var trainer = mlContext.MulticlassClassification.Trainers.SdcaMaximumEntropy(labelColumnName: "Label", featureColumnName: "PixelValues");
            var trainingPipeline = dataProcessPipeline.Append(trainer)
              .Append(mlContext.Transforms.Conversion.MapKeyToValue("Number", "Label"));
            
            // STEP 4: 訓練模型使其與資料集擬合
            Console.WriteLine("=============== Train the model fitting to the DataSet ===============");           

            ITransformer trainedModel = trainingPipeline.Fit(trainData);         


            // STEP 5:評估模型的準確性
            Console.WriteLine("===== Evaluating Model's accuracy with Test data =====");
            var predictions = trainedModel.Transform(testData);
            var metrics = mlContext.MulticlassClassification.Evaluate(data: predictions, labelColumnName: "Number", scoreColumnName: "Score");
            PrintMultiClassClassificationMetrics(trainer.ToString(), metrics);
         
            // STEP 6:儲存模型              
            mlContext.ComponentCatalog.RegisterAssembly(typeof(DebugConversion).Assembly);
            mlContext.Model.Save(trainedModel, trainData.Schema, ModelPath);
            Console.WriteLine("The model is saved to {0}", ModelPath);
        }

        private static void TestSomePredictions(MLContext mlContext)
        {
            // Load Model           
            ITransformer trainedModel = mlContext.Model.Load(ModelPath, out var modelInputSchema);

            // Create prediction engine 
            var predEngine = mlContext.Model.CreatePredictionEngine<InputData, OutPutData>(trainedModel);

            //num 1
            InputData MNIST1 = new InputData()
            {               
                PixelValues = new float[] { 0, 0, 0, 0, 14, 13, 1, 0, 0, 0, 0, 5, 16, 16, 2, 0, 0, 0, 0, 14, 16, 12, 0, 0, 0, 1, 10, 16, 16, 12, 0, 0, 0, 3, 12, 14, 16, 9, 0, 0, 0, 0, 0, 5, 16, 15, 0, 0, 0, 0, 0, 4, 16, 14, 0, 0, 0, 0, 0, 1, 13, 16, 1, 0 }
            }; 
            var resultprediction1 = predEngine.Predict(MNIST1);
            resultprediction1.PrintToConsole();           
        }      
    }

    class InputData
    {
        public float Serial;
        [VectorType(64)]
        public float[] PixelValues;               
        public float Number;       
    }

    class OutPutData : InputData
    {  
        public float[] Score;  
    }   
}

  

三、分析

 整體流程和二元分類沒有什麼區別，下面解釋一下有差異的兩個地方。

 1、載入資料

      // STEP 1: 準備資料
            var fulldata = mlContext.Data.LoadFromTextFile(path: TrainDataPath,
                    columns: new[]
                    {
                        new TextLoader.Column("Serial", DataKind.Single, 0),
                        new TextLoader.Column("PixelValues", DataKind.Single, 1, 64),
                        new TextLoader.Column("Number", DataKind.Single, 65)
                    },
                    hasHeader: true,
                    separatorChar: ','
                    );

  這次我們不是通過實體物件來載入資料，而是通過列資訊來進行載入，其中PixelValues是特徵值，Number是標籤值。

 

2、訓練通道

            // STEP 2: 配置資料處理管道        
            var dataProcessPipeline = mlContext.Transforms.Conversion.MapValueToKey("Label", "Number", keyOrdinality: ValueToKeyMappingEstimator.KeyOrdinality.ByValue)
            
            // STEP 3: 配置訓練演算法
            var trainer = mlContext.MulticlassClassification.Trainers.SdcaMaximumEntropy(labelColumnName: "Label", featureColumnName: "PixelValues");
            var trainingPipeline = dataProcessPipeline.Append(trainer) 
                 .Append(mlContext.Transforms.Conversion.MapKeyToValue("Number", "Label")); 

            // STEP 4: 訓練模型使其與資料集擬合 
            ITransformer trainedModel = trainingPipeline.Fit(trainData);

 首先通過MapValueToKey方法將Number值轉換為Key型別，多元分類演算法要求標籤值必須是這種型別（類似列舉型別，二元分類要求標籤為BOOL型別）。關於這個轉換的原因及編碼方式，下面詳細介紹。

 

四、鍵值型別編碼與獨熱編碼

 MapValueToKey功能是將（字串）值型別轉換為KeyTpye型別。

有時候某些輸入欄位用來表示型別（類別特徵），但本身並沒有特別的含義，比如編號、電話號碼、行政區域名稱或編碼等，這裡需要把這些型別轉換為1到一個整數如1-300來進行重新編號。

舉個簡單的例子，我們進行圖片識別的時候，目標結果可能是“貓咪”、“小狗”、“人物”這些分類，需要把這些分類轉換為1、2、3這樣的整數。但本文的標籤值本身就是1、2、3，為什麼還要轉換呢？因為我們這裡的一二三其實不是數學意義上的數字，而是一種標誌，可以理解為壹、貳、叄，所以要進行編碼。

 MapKeyToValue和MapValueToKey相反，它把將鍵型別轉換回其原始值（字串）。就是說標籤是文字格式，在運算前已經被轉換為數字列舉型別了，此時預測結果為數字，通過MapKeyToValue將其結果轉換為對應文字。

MapValueToKey一般是對標籤值進行編碼，一般不用於特徵值，如果是特徵值為字串型別的，建議採用獨熱編碼。獨熱編碼即 One-Hot 編碼，又稱一位有效編碼，其方法是使用N位狀態暫存器來對N個狀態進行編碼，每個狀態都由他獨立的暫存器位，並且在任意時候，其中只有一位有效。例如：

自然狀態碼為：0,1,2,3,4,5
獨熱編碼為：000001,000010,000100,001000,010000,100000

怎麼理解這個事情呢？舉個例子，假如我們要進行人的身材的分析，但我們希望加入地域特徵，比如：“黑龍江”、“山東”、“湖南”、“廣東”這種特徵，但這種字串機器學習是不認識的，必須轉換為浮點數，剛才提到MapKeyToValue可以把字串轉換為數字，為什麼這裡要採用獨熱編碼呢？簡單來說，假設把地域名稱轉換為1到10幾個數字，在歐氏幾何中1到3的尤拉距離和1到9的尤拉距離是不等的，但經過獨熱編碼後，任意兩點間的尤拉距離都是相等的，而我們這裡的地域特徵僅僅是想表達分類關係，彼此之間沒有其他邏輯關係，所以應該採用獨熱編碼。

 

五、進度除錯

一般機器演算法的資料擬合過程時間都比較長，有時程式跑了兩個小時還沒結束，也不知道還需要多長時間，著實讓人著急，所以及時瞭解學習進度，是很有必要的。

由於機器學習演算法一般都有“遞迴直到收斂”這種操作，所以我們是沒有辦法預先知道最終運算次數的，能做到的只能列印一些過程資訊，看到程式在動，心裡也有點底，當系統跑過一次之後，基本就大致知道需要多少次擬合了，後面再除錯就可以大致瞭解進度了。補充一句，可不可以在測試階段先減少樣本資料進行快速除錯，除錯通過後再切換到全樣本進行訓練？其實不行，有時候樣本數量小，可能會引起指標震盪，時間反而長了。

之前在Githube上看到有人通過MLContext.LOG事件來列印除錯資訊，我試了一下，發現沒法控制篩選內容，不太方便，後來想到一個方法，就是新增一個自定義資料處理通道，這個通道不做具體事情，就列印除錯資訊。

類定義：

namespace MulticlassClassification_Mnist
{
    public class DebugConversionInput
    {
        public float Serial { get; set; }
    }
 
    public class DebugConversionOutput
    {
        public float DebugFeature { get; set; }
    }

    [CustomMappingFactoryAttribute("DebugConversionAction")]
    public class DebugConversion : CustomMappingFactory<DebugConversionInput, DebugConversionOutput>
    {       static long TotalCount = 0;

        public void CustomAction(DebugConversionInput input, DebugConversionOutput output)
        {
            output.DebugFeature = 1.0f;  
            TotalCount++;
            Console.WriteLine($"DebugConversion.CustomAction's debug info.TotalCount={TotalCount} ");                      
        }

        public override Action<DebugConversionInput, DebugConversionOutput> GetMapping()
              => CustomAction;
    }
}

 使用方法：

 var dataProcessPipeline = mlContext.Transforms.CustomMapping(new DebugConversion().GetMapping(), contractName: "DebugConversionAction")
       .Append(...)
       .Append(mlContext.Transforms.Concatenate("Features", new string[] { "RealFeatures", "DebugFeature" }));

 通過CustomMapping載入我們自定義的資料處理通道，由於資料集是懶載入（Lazy）的，所以必須把我們自定義資料處理通道的輸出加入為特徵值，才能參與運算，然後演算法在操作每一條資料時都會呼叫到CustomAction方法，這樣就可以列印進度資訊了。為了不影響運算結果，我們把這個資料處理通道的輸出值固定為1.0f 。

 

六、資源獲取

原始碼下載地址：https://github.com/seabluescn/Study_ML.NET

工程名稱：MulticlassClassification_Mnist

點選檢視機器學習框架ML.NET學習筆記系列文章目錄