Bericht MLUGS Treffen im Februar 2017
21. February 2017
Protokoll
Vorstellungsrunde
- Andreas;aexea;Software-Entwickler
- Frank;selbständig
- Georg;Daimler-TSS;verwendet TensorFlow mit AWS
- Siegfried;privat;interessiert an ML
- Michael;aexea;Software-Entwickler
- Robin;Technischer-Biologe;interessiert an ML
- Andreas;Landeskontrollverband BW;macht Milchanalyse mit ML
- Uwe;macht Raumfahrt;versucht ML-Konzept in die Raumfahrt zu bringen
- Simon;Uni-Stuttgart Politik-Wissenschaftsstudent;macht R
Andreas Madsack - Tensorflow/Keras in Production @ AX-Semantics
- Ziel: ein kleines Problem mit Tensorflow lösen um Erfahrung in der Produktionsumgebung zu sammeln
- Problem: Daten in String/Number/Date unter Einbeziehung des Feldnamens klassifizieren
- Hintergrund: Die Daten kommen von Kunden und sind für die Generierung von Texten vorgesehen.
Basics
- Nutzer können das Ergebnis korrigieren
- Erste Version mit Tensorflow (0.10), spätere Version mit Keras + Tensorflow, weil Keras Graph und Model in Dateien speichern kann
- Implementierung mit Keras war einfacher als mit TensorFlow
- 3 Layer mit 32, 12, 3 Knoten
- Speichern ist einfach dank keras:
model.to_json()
bzw.model.save_weights(name)
; ähnliche Methoden sind inzwischen auch in Tensorflow, aber nicht so einfach zu verwenden
Architektur
- Microservices + RPC calls via messages (Django, Celery, RabbitMQ)
- Microservice besteht aus mehreren Servern (dynamisch skaliert)
Workflow
- Neue Daten vom Kunden über API
- Daten werden über RabbitMQ zur Klassifikation geschickt
- Keine neue Prediction falls schonmal eine für dieses Projekt lief (falls ja -> skip)
- Prediction dauert 2–4 Sekunden
- Ergebnis wird zum nächsten Microservice geschickt; dieser schickt Korrekturen durch den User zurück
Ergebnis
- System hat sich kaputt trainiert
- zu wenig Häufung in den Daten
- User haben Ergebnis nicht korrigiert
- wird durch regelbasiertes System ersetzt
- Workflow funktioniert prinzipiell
Uwe Sterr - autonomes Fahren end-to-end
- Nanodegree auf udacity: https://de.udacity.com/course/self-driving-car-engineer-nanodegree--nd013/
- autosteuern. dabei das lenkrad bedienen (automatisch)
- 3 kameras. bildvorverarbeitung. dann in ein CNN
- bilder deutlich verkleinert
- 16x32x3
- HSV - https://en.wikipedia.org/wiki/HSL_and_HSV
- der S-Kanal hat am meisten gebracht
- model speichern ist in tensorflow relativ kompliziert
- mit keras deutlich einfacher
- model.summary() liefert das komplette NN
- trainiert wird mit einer strecke in einem simulator
- der test ist dann auf einer neuen strecke, die sehr anders ist. und das trainierte netz ist gut.
- uwe war begeistert wie einfach es war das NN dazu zu bringen zu generalisieren
Andreas Werner -- RStudio
- https://www.rstudio.com/
- gibt eine Server-version, die man im Browser bedient
- es gibt neben .R noch .Rmd - http://rmarkdown.rstudio.com/
- generiert aus dem .Rmd eine PDF mit Auswertungen und Plots
- kann auch Präsentationen auf HTML basis erzeugen
- oder mit Widgets, die Graphen interaktiv beeinflussen
next
März: 21.03.2017
Thema: RNN
- jeder macht irgendwas mit RNNs
- (in die Ankündigung ein paar Inspirationen zu RNN)
April: 18.04.2017
- Simon - Textanalytics mit ML