你一定要知道!数据科学家提高工作效率的基本工具

当开始从事数据科学相关行业的时候,很多人都会被各种各样的可用工具所困扰。

有一些与这个问题相关的可用指南。例如“对于不擅长编程者的19日数据科学工具(链接地址为https://www.analyticsvidhya.com/blog/2016/05/19-data-science-tools-for-people-dont-understand-coding/)”或“Python学习数据科学的完整教程(链接地址为https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/)”。除了这些,本文将展示在日常数据科学中,我更喜欢使用的工具。

“数据科学堆栈”是什么样子?

我从事软件工程工作。人们对目前从业者正在使用的“堆栈”感到好奇。他们希望找出正在流行的工具,以及该工具在使用时表现出的优点和缺点。因为每天都有新的工具来解决人们每天面临的恼人问题。

在数据科学中,你应该更倾向于使用哪种技术来解决问题,而不是使用工具。不过,还是要了解哪些工具是可用的。有一份相关的调查总结(链接地址为https://becomingadatascientist.wordpress.com/2013/07/26/choosing-a-data-science-technology-stack-w-survey/)。

深度学习问题的案例研究:从Python生态系统开始

我将用一个实际的示例给你介绍这些工具,而不是直接地说要使用哪些工具。我们将在“识别数字(链接地址为https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-digits/)”练习问题上做这个练习。

我们首先要了解的是需要解决的问题是什么。首页提到“在这里,我们需要在给定图像中识别数字。我们总共有7万张图片,其中49000张是用数字标记的训练图像的一部分,剩下的21000张图片没有标记(称为测试图像)。现在,我们需要确定测试图像的数字”。

实际上这意味着该问题是图像识别问题。第一步是设置问题的系统。我通常为每个问题我开始创建一个特定的文件夹结构(yes I’m windows用户�),首先从这里开始工作

对于这类问题,我倾向于使用以下工具包:

  • python3:用于启动
  • Numpy / Scipy:用于基本数据的读取和处理
  • Pandas:用于构造数据,并将其呈形状进行处理
  • Matplotlib:用于数据可视化
  • scikit- learn / Tensorflow / Keras:用于预测模型

幸运的是,上面的大部分内容都可以使用一个名为Anaconda的软件读取。我习惯使用Anaconda(链接地址为https://www.anaconda.com/),因为它具有数据科学包的全面性和易用性。

要在系统中设置anaconda,只需下载适当的平台版本(链接地址为https://www.anaconda.com/download/)。更具体地说,我有适用于anaconda 4.4.0的python 3.6版本。

现在,要使用新安装的python生态系统,打开anaconda命令提示符并输入python。

就像我之前说的,大多数东西都是预先安装在anaconda中的。剩下的文件库只有tensorflow和keras。在这里,anaconda为创建环境提供特性。这样做是因为当设置出现失误的时候,它也不会影响原来的系统。这就像为所有的实验创建一个沙箱。要做到这一点,请访问anaconda命令提示符和类型。

conda create-n dl anaconda

现在不进行安装,输入剩下的程序包

pip install--ignore-installed--upgrade tensorflow keras

现在,你可以开始在你最喜欢的文本编辑器中编写代码,并运行python脚本

Jupyter概述:快速成型工具

使用纯文本编辑器的问题是每次更新某个东西时,必须从头开始运行代码。假设你有一个用于读取数据和处理的小代码。数据读取的数据代码运行正常,但运行需要一个小时。如果你要尝试更改处理的代码,就必须等待数据读取的数据代码运行结束,然后查看更新是否有效。这太浪费时间了。

你可以使用jupyter笔记本解决这个问题。Jupyter笔记本本质上是保存你的进展,让你从你离开的地方继续前进。在这里你可以用结构化的方式来写代码,这样你就可以在需要的时候重新编写代码并更新它。

在上面的部分中,你已经用anaconda软件设置了python生态系统。如前所述,anaconda在它上面预先安装了jupyter。打开jupyter笔记本,打开anaconda提示符,转到创建和输入的目录:

jupyter notebook

在你的网页浏览器中打开jupyter笔记本(我是Mozilla Firefox)。现在,要创建一个笔记本,单击New-Python 3

现在我通常做的是把代码分成小块的代码,这样就更容易调试了。当我写代码的时候,我时刻记着以下几条:

  • 把想做的事情记下来
  • 导入所有必需的库
  • 编写尽可能多的通用型代码,这样我就不必更新太多。
  • 当我做的时候,尽可能测试每一件小事。

这是我写的代码示例(链接地址为http://nbviewer.jupyter.org/github/analyticsvidhya/identify_the_digits/blob/master/keras/notebooks/simple_neural_network.ipynb),用来解决前面提到的深度学习问题。

实验记录标签:GitHub版本控制

一个数据科学项目需要多次迭代的实验和测试。很难记住你尝试过的所有事情中,哪个是有效的,哪个无效。

控制这个问题的一种方法是记下你做的所有实验并总结它们。但这也有点乏味和浪费体力。这个问题(和我个人的选择)的一个解决方案是使用GitHub。最初GitHub被用作软件工程师的代码共享平台,但现在它逐渐被数据科学社区所接受。GitHub所做的是为你提供一个框架,用于保存你在代码中所做的所有更改,并在需要的时候返回。这为你提供了有效地执行数据科学项目所需的灵活性。

我将给你一个如何使用GitHub的例子。但首先,在我们的系统中安装它。转到下载链接(链接地址为https://git-scm.com/downloads),按你的系统点击版本。下载并安装。

在你的系统中安装git,并为其调用git bash命令提示符。下一步是使用你的git帐户配置系统。只要你注册了GitHub(链接地址为https://github.com/),你就可以使用它来设置你的系统。打开你的git bash并输入以下命令。

git config--global user.name"jalFaizy"
git config--global user.email ff@ff.com

现在有两个任务要做。

  • 在GitHub上创建一个存储库
  • 将储存库与你的代码目录连接起来

要完成任务,遵循下面提到的步骤:

步骤1:在GitHub上添加一个新的存储库

步骤2:给出适当的说明来设置存储库。

步骤3:连接到存储库

步骤4:使用下面的命令将本地存储库与GitHub上的存储库连接起来。

git init
git remote add origin <add link here>
git pull origin master

现在,如果你想让GitHub忽略文件中的更改,你可以在.gitignore文件中提到它们。打开它并添加你想要忽略的文件或文件夹。

git add-A .
git commit-m"add first commit"
git push-u origin master

每当你想要保存你的进度时,再次运行这些命令。

git add-A .
git commit-m"<add your message>"
git push-u origin master

这将确保你能回到你离开的地方。

同时运行多个实验:概述Tmux

Jupyter笔记本对我们的实验很有帮助。但如果你同时想做多个实验,在运行另一个命令之前,必须等待前面的命令完成。

我通常有很多想要测试的想法。有时我想扩大规模。我使用了公司的几个月前建立的深度学习箱(链接地址为https://www.analyticsvidhya.com/blog/2016/11/building-a-machine-learning-deep-learning-workstation-for-under-5000/)。所以我更喜欢用tmux。tmux或终端多路复用器让你在同一终端的几个程序之间轻松切换。这是我的指挥中心

我们在monster中设置乌班图是个不错的想法。在系统中设置tmux非常简单,只需使用下面的命令来安装它。

sudo apt-get install tmux

在命令行中键入“tmux”以打开tmux。

只需按ctrl+B,然后shift+5,就可以创建一个新窗口。

如果你想让这个实验继续下去并且做些别的事情,只需要输入:

tmux detach

它会再次给你一个终端。如果你想再次回到实验中,输入:

tmux attach

非常简单。请注意,在windows中设置tmux有点不同。可以参考这篇文章(链接地址为https://blogs.msdn.microsoft.com/commandline/2016/06/08/tmux-support-arrives-for-bash-on-ubuntu-on-windows/)。

部署解决方案:使用Docker来最小化依赖性

完成了所有的实现之后,我们仍然需要部署解决方案,以便开发人员能够访问它。但我们经常面临的问题是,我们所拥有的系统可能与用户的系统不一样。在他们的系统中总会有安装和设置问题。

对于在市场上部署产品,这是一个非常大的问题。你可以使用名为docker的工具解决这个问题。Docker的工作原理是,你可以将代码连同它的依赖项一起打包成一个独立的单元。然后,这个单元可以分发给最终用户。

我通常在我的本地机器上做玩具问题,但当涉及到最终解决方案时,我依赖于monster。我在这个系统中使用这些命令设置了docker。

# docker installation
sudo apt-get update
sudo apt-get install apt-transport-https ca-certificates
sudo apt-key adv \
 --keyserver hkp://ha.pool.sks-keyservers.net:80 \
 --recv-keys58118E89F3A912897C070ADBF76221572C52609D

echo"deb https://apt.dockerproject.org/repo ubuntu-xenial main" | sudo tee/etc/apt/sources.list.d/docker.list

sudo apt-get update
sudo apt-get install linux-image-extra-$(uname-r) linux-image-extra-virtual
sudo apt-get install docker-engine
sudo service docker start

# setup docker for another user
sudo groupadd docker
sudo gpasswd-a ${USER} docker
sudo service docker restart

# check installation
docker run hello-world

在docker上集成GPU有一些额外的步骤:

wget-P/tmp https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.0-rc.3/nvidia-docker_1.0.0.rc.3-1_amd64.deb
sudo dpkg-i/tmp/nvidia-docker*.deb && rm/tmp/nvidia-docker*.deb

# Test nvidia-smi
nvidia-docker run--rm nvidia/cuda nvidia-smi

现在主要是在docker上安装DL库。我们从零开始构建了docker,遵循了这个优秀的向导(链接地址为https://github.com/saiprashanths/dl-docker/blob/master/README.md)

git clone https://github.com/saiprashanths/dl-docker.git
cd dl-docker
docker build-t floydhub/dl-docker:gpu-f Dockerfile.gpu

要在docker上运行代码,请使用以下命令打开docker的命令提示符:

nvidia-docker run-it-p8888:8888 -p6006:6006 floydhub/dl-docker:gpu bash

现在,每当我有一个完整的工作模型,我就把它放入docker系统中,以便在规模上进行尝试。你可以在不同的系统中使用dockerfile安装相同的软件和库。不会任何安装问题

工具总结

综上所述,这些是我使用的工具及其用法:

  • Anaconda用于设置python生态系统和基础数据包
  • Jupyter笔记本进行连续实验
  • GitHub保存实验进度
  • Tmux同时运行多个实验
  • 最后使用docker的部署

希望这些工具也能在你的实验中帮助你!

原文发布于微信公众号 - ATYUN订阅号(atyun_com)

原文发表时间:2017-09-20

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏CSDN技术头条

Apache Ignite——新一代数据库缓存系统

【编者按】飞速增长的数据需要大量存储,对这些数据的管理也不是一件容易的事。但相比于存储和管理,如何处理数据才是开发人员真正的挑战。对于TB级别数据的存储和处理通...

2199
来自专栏程序员叨叨叨

4.1 开始 Cg 之旅第 4 章 Cg 语言概述

Cg(C for Graphcis)语言,是 NVIDIA 与 Microsoft 合作研发,旨在为开发人员提供一套方便、跨平台(良好的兼容性),控制可编程图形...

803
来自专栏aCloudDeveloper

Docker 网络背后的原理探索

知其然而不知其所以然,不知也。老古人说得多好,学知识不懂得知识背后的原理,等于白学。

950
来自专栏坚毅的PHP

hadoop学习笔记

map-reduce  原文:http://blademaster.ixiezi.com/2010/03/27/google-mapreduce%E4%B8%...

3777
来自专栏华章科技

巧用MapReduce+HDFS,海量数据去重的五大策略

重复数据删除往往是指消除冗余子文件。不同于压缩,重复数据删除对于数据本身并没有改变,只是消除了相同的数据占用的存储容量。重复数据删除在减少存储、降低网络带宽方面...

733
来自专栏Golang语言社区

高可用性、负载均衡的mysql集群解决方案

一、mysql的市场占有率 二、mysql为什么受到如此的欢迎 三、mysql数据库系统的优缺点 四、网络服务器的需求 五、什么是mysql的集群 六、什么是负...

5745
来自专栏沃趣科技

容器化RDS|计算存储分离架构下的IO优化

在基于 Kubernetes 和 Docker 构建的私有 RDS 中, 普遍采用了计算存储分离架构. 该架构优势明显, 但对于数据库类 Latency Sen...

4376
来自专栏申龙斌的程序人生

零基础学编程024:如何快速学会SQL?

一位朋友问我如何能够较快地学会SQL,我一时还真不知道如何回答。想学会SQL(结构化查询语言),大概需要理解这些术语:数据库、关系型数据库、面向对象的数据库、键...

3427
来自专栏沃趣科技

容器化RDS|计算存储分离架构下的 IO 优化

在基于 Kubernetes 和 Docker 构建的私有 RDS 中,普遍采用了计算存储分离架构。该架构优势明显, 但对于数据库类 Latency Sensi...

2834
来自专栏深度学习那些事儿

Win10鼠标突然无法使用(插上鼠标有电但不能动)的解决办法汇总

原文地址:https://oldpan.me/archives/win10-mouse-break-down-solution

1377

扫码关注云+社区