MLUGS

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