不久前，F(xiàn)acebook為人工智能研究開放了自家的輕量級交互式可視化庫/工具HiPlot。它使機器學習研究人員和數(shù)據(jù)科學家可以大量使用平行繪圖來分析相關(guān)性并觀察高維數(shù)據(jù)中的模式。

什么是平行圖？

平行圖是將高維或多元數(shù)據(jù)可視化的便捷方法之一。

· 對于n個維度，繪制n條平行線，垂直且等間隔。這些用作軸。

· 每個數(shù)據(jù)點由一條折線表示，在平行軸上具有頂點。

以下是使用ML 101 Iris數(shù)據(jù)集的直觀示例。觀察代表一個數(shù)據(jù)點的藍色折線，并查看該數(shù)據(jù)點下面的表格記錄。

為什么選擇HiPlot？

機器學習的超參數(shù)調(diào)整

這就是Facebook構(gòu)建HiPlot的目的。

由于神經(jīng)網(wǎng)絡(luò)需要調(diào)整從幾個到數(shù)十個任意位置的超參數(shù)，因此可視化分析訓練運行的能力對于進一步微調(diào)和構(gòu)建性能模型至關(guān)重要。

HiPlot：過濾20個“歷元”后獲得的數(shù)據(jù)點，然后通過“有效ppl”軸進行切片。它表明，更高的學習率可以帶來更好的表現(xiàn)。

多元數(shù)據(jù)探索性分析

以探索房屋數(shù)據(jù)這一熟悉場景為例。

· 可以使用HiPlot的交互式繪圖對圖表進行過濾和切片，從而快速查看昂貴的屬性是否聚集在特定的郵政編碼或城市內(nèi)。

· 可以分析各種屬性與房價之間的關(guān)系。

由于具有挖掘和分析高維數(shù)據(jù)點的能力，這些圖比靜態(tài)2D熱力圖或相關(guān)系數(shù)表具有更高的透明度和靈活性。

簡單性和可擴展性

能夠選擇將HiPlot用作notebook中的python庫或網(wǎng)絡(luò)應(yīng)用程序，就可以馬上開始對其進行使用。有了支持自定義解析器、過濾和切片可視化內(nèi)容的可共享URL之類的功能，HiPlot會優(yōu)先考慮靈活性和協(xié)作性，還與Facebook的其他開源AI庫的日志兼容。

入門

安裝

pip install hiplot

安裝后，可以通過兩種方式使用Hiplot。

· 作為Jupyter Notebooks中的python庫

import hiplot as hip

· 通過在終端/ 命令行中啟動Web服務(wù)器，作為Flask Web應(yīng)用程序：

（To launch as localhost）

》》》 hiplot（To enable sharing plot URLs）

》》》 hiplot --host 0.0.0.0

注意：要使用網(wǎng)絡(luò)應(yīng)用程序，必須實現(xiàn)附帶實驗提取器，這將在后文的“高級功能”部分中概述。

Notebook中的日常簡單場景

以下是利用HiPlot分析各種學習率，輟學率和優(yōu)化器如何影響訓練損失的日常使用案例。

import hiplot as hip

data = ［

{‘dropout’：0.1，

‘learning_rate’： 0.001，

‘optimizer’： ‘SGD’，

‘loss’： 10.0

}，

{‘dropout’：0.15，

‘learning_rate’： 0.01，

‘optimizer’： ‘Adam’，

‘loss’： 3.5

}，

{‘dropout’：0.3，

‘learning_rate’： 0.1，

‘optimizer’： ‘Adam’，

‘loss’： 4.5

}］hip.Experiment.from_iterable（data）.display（force_full_width=True）

圖表及表格呈現(xiàn)如下。

是的，就是這么簡單。

進階能力

樹與關(guān)系

看一個示例，這個例子希望通過指定后代關(guān)系來關(guān)聯(lián)相關(guān)數(shù)據(jù)點。由于正在處理高維數(shù)據(jù)點，這使得可視化突然變得復雜。但是HiPlot幫你搞定了。

觀察以下基于人口的訓練示例，這是一種遺傳算法，其中可以使用不同的超參數(shù)將訓練任務(wù)多次分叉。屬于同一訓練代的數(shù)據(jù)點被連接起來。

在上面的示例中，平行圖下方的關(guān)系圖顯示了數(shù)據(jù)點之間的關(guān)系。在關(guān)系圖中，每條折線代表一組連接的數(shù)據(jù)點，而折線中的每個頂點代表一個數(shù)據(jù)點。是的，它仍然是交互式的！因此，當鼠標懸停在關(guān)系圖中的頂點上時，平行圖中將突出顯示相應(yīng)的數(shù)據(jù)點。

下面是生成上面曲線的代碼。關(guān)系隨機分配，但要點很好把握。

exp = hip.Experiment（）

exp.display_data（hip.Displays.XY）.update（{

‘a(chǎn)xis_x’： ‘generation’，

‘a(chǎn)xis_y’： ‘loss’，

}）

for i in range（200）：

dp = hip.Datapoint（

uid=str（i），

values={

‘generation’： i，

‘param’： 10 ** random.uniform（-1， 1），

‘loss’： random.uniform（-5， 5）

}）

if i 》 10：

from_parent = random.choice（exp.datapoints［-10：］）

# Connecting the parent to the child

dp.from_uid = from_parent.uid dp.values［‘loss’］ += from_parent.values［‘loss’］

dp.values［‘param’］ *= from_parent.values［‘param’］

exp.datapoints.append（dp）

實驗提取器

將實驗提取器視為美化的解析器，允許以可迭代和可繪制的形式提取，轉(zhuǎn)換和加載數(shù)據(jù)。

如打算在網(wǎng)絡(luò)應(yīng)用程序模式下使用HiPlot，則必須實現(xiàn)實驗提取器。如果是在notebook操作，只要對可視化數(shù)據(jù)采用表格形式或可迭代形式，就可不用讀取器。

下面是一個實現(xiàn)實驗提取器的示例。

提取程序：fetch_local_csv_experiment

提取程序前綴：localcsvxp：//

目的：從本地文件系統(tǒng)加載CSV數(shù)據(jù)文件以進行可視化

import hiplot as hip

deffetch_local_csv_experiment（uri）：

# Only apply this fetcher if the URI starts with webxp://

PREFIX=“l(fā)ocalcsvxp://”

ifnot uri.startswith（PREFIX）：

# Let other fetchers handle this one

raise hip.ExperimentFetcherDoesntApply（）

# Parse out the local file path from the uri

local_path = uri［len（PREFIX）：］ # Remove the prefix

# Return the hiplot experiment to render

return hip.Experiment.from_csv（local_path）

使用網(wǎng)絡(luò)應(yīng)用程序

一旦實現(xiàn)了如上所述的實驗提取器，就可以啟動網(wǎng)絡(luò)應(yīng)用程序。

在示例中，fetch_local_csv_experiment提取程序（前綴localcsvxp：//）存儲在fetchers.py文件中。

可以在終端/命令行中以如下方式啟動HiplotWeb服務(wù)器：

》》》 hiplotfetchers.fetch_local_csv_experiment --host 0.0.0.0

服務(wù)器將在一秒鐘內(nèi)啟動。將URL復制到Web瀏覽器。

在突出顯示的輸入框中，用以下格式輸入文件路徑：

《fetcher_prefix》《file path》

可以與其他人共享過濾后的視圖的URL。為此，需要使用“--host 0.0.0.0”標志啟動Web服務(wù)器。