Leo Yeh's Blog

SAS Viya (99)

教學目標

初步了解 SAS DLPy 建立分析模型 ASTORE 分析儲存檔的基本概念。

重點概念

首先 SAS 提供了一個人工智慧的平台,能夠讓企業中的所有使用者透過該平台從資料中建立人工智慧的分析應用,而數據科學家和開發人員的皆能夠繼續使用所熟悉的 Python 程式語言建立機器學習的分析模型,其中 SAS DLPy 就是針對 SAS Viya 人工智慧平台所建立的 Python API,其主要提供了一種方法應用深度學習功能來解決電腦視覺,自然語言處理,語音處理和預測等問題,而如果我們是 Keras 和 Caffe 建模者將會發現 DLPy 的介面很熟悉,以及如果我們不熟悉 SAS CAS 程式碼,但是熟悉 Python,則就能夠非常直觀以 DLPy 介面執行 Keras 程式碼,只需進行少量程式碼修改即可,至於 DLPy 主要能夠讓我們在 SAS CAS 環境中存取 SAS 深度學習操作,而無需撰寫 SAS CAS 程式碼,此外我們僅需要透過以下指令安裝 SWAT 和 DLPy 的 Python 套件就能夠開始使用。

接著 SAS DLPy 目前已經支持越來越多的深度學習模型架構,我們能夠使用 DLPy 來使用許多包含的預建模型,像是 LeNet 、 VGG 、 ResNet 、 DenseNet、 DarkNet 、Inception 、 Yolo 、… 等深度學習模型架構,其中許多預先建立的模型包括與每種模型類型相關的資料類型的預訓練的權重,在許多情況下,我們可以修改其中一個範例模型以建立自行定義模型,以利滿足更進階的分析需求。

再來要如何開始進行 DLPy 的實作,我們能夠參考官方文件中詳細的教學步驟,教學內容主要為建立圖片處理的分析模型,一開始我們會先設定 DLPy 的執行環境,主要有五個步驟,分別為:

  1. 載入相關函式庫。
  2. 啟動 CAS 會話。
  3. 載入圖片。
  4. 驗證圖片。
  5. 處理圖片。

其中針對處理圖片我們主要會調整圖片的大小,將圖片拆分為訓練資料和測試資料、查看訓練和測試資料的圖片分佈,以及增強訓練資料等過程,當處理圖片完成之後,我們就能夠開始建立不同深度學習的分析模型,主要有五個步驟,分別為:

  1. 建立簡單的 CNN 模型。
  2. 使用增強訓練資料進行訓練。
  3. 總結訓練網路相關處理資訊。
  4. 針對輸入圖片進行評分。
  5. 將分析模型儲存為 ASTORE 分析儲存檔。

最後當我們透過 Jupyter Notebook 以 Python 程式語言中 DLPy 套件產生分析模型的 ASTORE 分析儲存檔,就能夠部署至 SAS Event Stream Processing 中進行串流分析。所謂 ASTORE 分析儲存檔主要為用於評分模型的二進位檔案,並且搭配 SAS Event Stream Processing 將圖片先載入記憶體中,同時在記憶體中進行串流分析的技術,此時我們就能夠以最即時的方式針對影像進行識別的串流分析。

相關資源

⬅️ Go back