机器学习框架ML.NET学习笔记【4】多元分类之手写数字识别
一、问题与解决方案
通过多元分类算法进行手写数字识别，手写数字的图片分辨率为8*8的灰度图片、已经预先进行过处理，读取了各像素点的灰度值，并进行了标记。
其中第0列是序号（不参与运算）、1-64列是像素值、65列是结果。
我们以64位像素值为特征进行多元分类，算法采用sdca最大熵分类算法。
二、源码
先贴出全部代码：
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: 准备数据
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: 配置数据处理管道
var dataprocesspipeline = mlcontext.transforms.conversion.mapvaluetokey("label", "number", keyordinality: valuetokeymappingestimator.keyordinality.byvalue);
// step 3: 配置训练算法
var trainer = mlcontext.multiclassclassification.trainers.sdcamaximumentropy(labelcolumnname: "label", featurecolumnname: "pixelvalues");
var trainingpipeline = dataprocesspipeline.append(trainer)
.append(mlcontext.transforms.conversion.mapkeytovalue("number", "label"));
// step 4: 训练模型使其与数据集拟合
console.writeline("=============== train the model fitting to the dataset ===============");
itransformer trainedmodel = trainingpipeline.fit(traindata);
// step 5:评估模型的准确性
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:保存模型
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
整体流程和二元分类没有什么区别，下面解释一下有差异的两个地方。
1、加载数据
// step 1: 准备数据
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: ','
);
这次我们不是通过实体对象来加载数据，而是通过列信息来进行加载，其中pixelvalues是特征值，number是标签值。
2、训练通道
// step 2: 配置数据处理管道
var dataprocesspipeline = mlcontext.transforms.conversion.mapvaluetokey("label", "number", keyordinality: valuetokeymappingestimator.keyordinality.byvalue)
// step 3: 配置训练算法
var trainer = mlcontext.multiclassclassification.trainers.sdcamaximumentropy(labelcolumnname: "label", featurecolumnname: "pixelvalues");
var trainingpipeline = dataprocesspipeline.append(trainer)
.append(mlcontext.transforms.conversion.mapkeytovalue("number", "label"));
// step 4: 训练模型使其与数据集拟合
itransformer trainedmodel = trainingpipeline.fit(traindata);
首先通过mapvaluetokey方法将number值转换为key类型，多元分类算法要求标签值必须是这种类型（类似枚举类型，二元分类要求标签为bool类型）。关于这个转换的原因及编码方式，下面详细介绍。
四、键值类型编码与独热编码
mapvaluetokey功能是将（字符串）值类型转换为keytpye类型。
有时候某些输入字段用来表示类型（类别特征），但本身并没有特别的含义，比如编号、电话号码、行政区域名称或编码等，这里需要把这些类型转换为1到一个整数如1-300来进行重新编号。
举个简单的例子，我们进行图片识别的时候，目标结果可能是“猫咪”、“小狗”、“人物”这些分类，需要把这些分类转换为1、2、3这样的整数。但本文的标签值本身就是1、2、3，为什么还要转换呢？因为我们这里的一二三其实不是数学意义上的数字，而是一种标志，可以理解为壹、贰、叁，所以要进行编码。
mapkeytovalue和mapvaluetokey相反，它把将键类型转换回其原始值（字符串）。就是说标签是文本格式，在运算前已经被转换为数字枚举类型了，此时预测结果为数字，通过mapkeytovalue将其结果转换为对应文本。
mapvaluetokey一般是对标签值进行编码，一般不用于特征值，如果是特征值为字符串类型的，建议采用独热编码。独热编码即 one-hot 编码，又称一位有效编码，其方法是使用n位状态寄存器来对n个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。例如：
自然状态码为：0,1,2,3,4,5
独热编码为：000001,000010,000100,001000,010000,100000
怎么理解这个事情呢？举个例子，假如我们要进行人的身材的分析，但我们希望加入地域特征，比如：“黑龙江”、“山东”、“湖南”、“广东”这种特征，但这种字符串机器学习是不认识的，必须转换为浮点数，刚才提到mapkeytovalue可以把字符串转换为数字，为什么这里要采用独热编码呢？简单来说，假设把地域名称转换为1到10几个数字，在欧氏几何中1到3的欧拉距离和1到9的欧拉距离是不等的，但经过独热编码后，任意两点间的欧拉距离都是相等的，而我们这里的地域特征仅仅是想表达分类关系，彼此之间没有其他逻辑关系，所以应该采用独热编码。
五、进度调试
一般机器算法的数据拟合过程时间都比较长，有时程序跑了两个小时还没结束，也不知道还需要多长时间，着实让人着急，所以及时了解学习进度，是很有必要的。
由于机器学习算法一般都有“递归直到收敛”这种操作，所以我们是没有办法预先知道最终运算次数的，能做到的只能打印一些过程信息，看到程序在动，心里也有点底，当系统跑过一次之后，基本就大致知道需要多少次拟合了，后面再调试就可以大致了解进度了。补充一句，可不可以在测试阶段先减少样本数据进行快速调试，调试通过后再切换到全样本进行训练？其实不行，有时候样本数量小，可能会引起指标震荡，时间反而长了。
之前在githube上看到有人通过mlcontext.log事件来打印调试信息，我试了一下，发现没法控制筛选内容，不太方便，后来想到一个方法，就是新增一个自定义数据处理通道，这个通道不做具体事情，就打印调试信息。
类定义：
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" }));
通过custommapping加载我们自定义的数据处理通道，由于数据集是懒加载（lazy）的，所以必须把我们自定义数据处理通道的输出加入为特征值，才能参与运算，然后算法在操作每一条数据时都会调用到customaction方法，这样就可以打印进度信息了。为了不影响运算结果，我们把这个数据处理通道的输出值固定为1.0f 。
六、资源获取
源码下载地址：https://github.com/seabluescn/study_ml.net
工程名称：multiclassclassification_mnist