DeepDetect ，一個專為深度學習的開源API和服務。 DeepDetect的API 簡單直觀、易用、通用和易擴展。

在其他貢獻者的幫助下，他集成了 Caffe ， XGBoost 和 Tensorflow (很快將完成)，并且未對原服務或者API修改。

XGBoost梯度提升法樹是深度模型常用的算法。Tensorflow支持分布式訓練模型和數(shù)據(jù)，并且能很好的支持LSTM和RNNs神經(jīng)網(wǎng)絡算法。Caffe擅長處理圖像和文本數(shù)據(jù)。DeepDetect讓你在這些深度學習框架間自由轉(zhuǎn)換。

下面將介紹實現(xiàn)通用深度學習API的主要原則。同時也期待大家貢獻出一些想法和評價來提高DeepDetect。

創(chuàng)業(yè)公司期待構(gòu)建一個可認證的深度學習的SaaS API，可擴展，并能快速市場化、產(chǎn)品化;

企業(yè)期待與已有系統(tǒng)可以無縫銜接，剛開始數(shù)據(jù)流比較慢，后續(xù)模型需要隨著數(shù)據(jù)的增加而進行優(yōu)化。并且對應的技術(shù)可以復制到其他項目中或者部門。

符合上述兩個要求的開源項目有搜索引擎 Elasticsearch ，可擴展搜索引擎，清晰的REST風格API和完全JSON化的輸入/輸出數(shù)據(jù)結(jié)構(gòu)。

那深度學習API集成服務該怎樣實現(xiàn)呢?下面給出幾點：

無需重寫：深度學習(機器學習)就像密碼學，只需生成一次。無需重寫對存在多種深度學習庫是非要重要的;

無縫轉(zhuǎn)換：開發(fā)和產(chǎn)品發(fā)布具有相同的環(huán)境會加快測試和發(fā)布周期，避免出現(xiàn)bug;

簡化命令行：簡單、人性化的輸入/輸出格式，比如JSON格式。簡單即是王道;

產(chǎn)品化：專業(yè)的機器學習服務生命周期更期待在數(shù)據(jù)預測，而不是訓練模型。

如果有一種通用機器學習服務能融合以上的點，簡單且強悍的API，它將會同時滿足開發(fā)人員和企業(yè)訴求，并且在開發(fā)和產(chǎn)品之間無縫切換。它將會采用JSON數(shù)據(jù)格式，用單一框架和API統(tǒng)一其他深度學習和機器學習開發(fā)庫，并隱藏各代碼間的內(nèi)部復雜性。

DeepDetect機器學習API核心部分是資源和數(shù)據(jù)輸入/輸出格式。資源過去是指服務器資源，而不是指機器學習服務。此種設計的原因是GPU和內(nèi)存在POST機器學習服務作業(yè)時是緊缺資源。讓他們看看有哪些核心資源：

服務器信息：通過GET目錄/info獲取服務器信息;

機器學習服務管理：通過PUT(創(chuàng)建一個機器學習服務)、GET(獲得一個機器學習服務狀態(tài))和POST(更新一個機器學習服務)目錄/services進行機器學習服務的管理;

模型訓練：通過POST(創(chuàng)建一個新的訓練作業(yè))、GET(獲取一個訓練作業(yè)的狀態(tài))和DELETE(取消一個訓練作業(yè))目錄/train進行模型訓練;

數(shù)據(jù)預測：通過POST(發(fā)送數(shù)據(jù)到服務)目錄/predict進行數(shù)據(jù)預測。

所以服務包括機器學習服務、模型訓練和數(shù)據(jù)預測，這些服務資源是統(tǒng)計模型上兩種主要操作。在這個階段監(jiān)督學習服務和無監(jiān)督學習服務沒什么區(qū)別。

機器學習的主要參數(shù)是輸入或預處理、統(tǒng)計學習和最終輸出，映入腦海里的是：input，mllib和output三種。mllib指定支持的機器學習庫，input和output不寫自明。下面是一個例子，創(chuàng)建一個圖像分類的服務：

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”

}

參數(shù)一般包括input，mllib和output，監(jiān)督學習服務和無監(jiān)督學習服務通過調(diào)整輸出connector設置。input connector處理輸入格式，支持CSV、libsvm和text等格式，包括圖像和特征。mllib部件指定的是服務創(chuàng)建、訓練和預測模型的機器學習庫，非常方便的引用各機器學習庫的參數(shù)，并且保留了參數(shù)標志。

下面給出一個CSV格式的input connector例子：

“input”: {

“id”: “Id”,

“label”: “Cover”,

“separator”: “,”,

“shuffle”: true,

“test_split”: 0.1

}

下面是一個典型訓練模型的output connector：

“output”: {

“measure”: [

“acc”,

“mcll”,

“f1”

]

}

接下來給出一個復雜點的輸出，Mustache格式的輸出模版(標準化的JSON格式可以轉(zhuǎn)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}} }”

}

上述模版可以使監(jiān)督學習分類結(jié)果直接輸入Elasticsearch并生成索引，詳情見http://www.deepdetect.com/tutorials/es-image-classifier 。注意到network對象，其POST到輸出服務器，這個對象也可以用在input connector連接遠程輸入源。

上面的模版是一個典型的DeepDetect服務器監(jiān)督分類JSON輸出：

“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項目管道是不需要“膠水”代碼，這很好的滿足了許多企業(yè)的需求。

下面快速瀏覽下mllib組件，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

}

對于Caffe的例子，服務器使用了GPU，其他參數(shù)包括solver和learning rate等。對于XGBoost例子，參數(shù)iterations和objective被設置。

接下來重要的部分是數(shù)據(jù)預測，觀察機器學習服務生命周期重要的是基于數(shù)據(jù)進行預測：

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

'{service:covert,parameters:{input:

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

這里mllib部分省略掉了，有時在深度網(wǎng)絡中抽取特征時mllib是有用的。在非監(jiān)督學習中是相似的，輸出是一個張量，而不是一個類或者回歸對象：

mllib:{extract_layer:pool5/7x7_s1}

最后總結(jié)，這歌機器學習API的核心點：

可讀性：所有的數(shù)據(jù)結(jié)構(gòu)是簡單、人性化的;

通用性：監(jiān)督學習服務和無監(jiān)督學習服務的通用API;

REST風格和可編程的API：這個API通過網(wǎng)絡獲取，但保留C++原有標志;

“虛構(gòu)”性;能夠很容易的學習增加的特征和資源，比如，為多個預測實現(xiàn)服務鏈。