دليل شامل لبناء لوحات تحكم تفاعلية لتجارب التعلم الآلي باستخدام Hugging Face Trackio
هذا الدليل الشامل يرشدك خطوة بخطوة خلال استخدام Hugging Face Trackio، وهو أداة فعّالة لتتبع التجارب محلياً بطريقة منظمة وبديهية. سنبدأ بتثبيت Trackio في Google Colab، ثم تحضير مجموعة البيانات، وإعداد عدة عمليات تدريب بمعلمات مُختلفة. على طول الطريق، سنقوم بتسجيل المقاييس، وترسيم مصفوفات الارتباك كجداول، وحتى استيراد نتائج من ملف CSV لإظهار مرونة الأداة. من خلال تشغيل كل شيء في دفتر ملاحظات واحد، سنكتسب خبرة عملية بلوحة تحكم Trackio الخفيفة والقوية، مع مشاهدة تحديث نتائجنا في الوقت الفعلي.
1. التثبيت وإعداد البيئة
نبدأ بتثبيت المكتبات المطلوبة، بما في ذلك Trackio و scikit-learn و pandas و matplotlib. ثم نقوم باستيراد الوحدات الأساسية في Python وأدوات تعلم الآلة حتى نتمكن من توليد البيانات، وتدريب النماذج، وتتبع التجارب بسلاسة.
pip -q install -U trackio scikit-learn pandas matplotlib
import os, time, math, json, random, pathlib, itertools, tempfile
from dataclasses import dataclass
import numpy as np
import pandas as pd
from sklearn.datasets import make_classification
from sklearn.linear_model import SGDClassifier
from sklearn.metrics import accuracy_score, log_loss, confusion_matrix
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import trackio2. إنشاء وتجهيز البيانات
نقوم بإنشاء دوال مساعدة تُمكّننا من توليد مجموعة بيانات اصطناعية، وتقسيمها إلى مجموعات تدريب، واختبار، وفحص، بالإضافة إلى معالجة البيانات على دفعات لتدريب النموذج، وبناء جداول مصفوفة الارتباك. بهذه الطريقة، نقوم بإعداد كل الأساسيات اللازمة لتدريب وتقييم النموذج بسلاسة.
def make_dataset(n=12000, n_informative=18, n_classes=3, seed=42):
# ... (كود إنشاء وتجهيز البيانات كما هو موجود في النص الأصلي) ...3. تدريب النموذج وتسجيل المقاييس
نعرف فئة تكوين لتخزين إعدادات التدريب، ودالة train_and_log التي تُشغّل مصنّف SGD مع تسجيل المقاييس في Trackio. نقوم بتسجيل الخسائر، والدقة، وحتى مصفوفات الارتباك عبر العصور، مما يُعطينا رؤى رقمية وبصرية عن أداء النموذج في الوقت الفعلي.
@dataclass
class RunCfg:
# ... (كود تعريف فئة RunCfg و دالة train_and_log كما هو موجود في النص الأصلي) ...4. إجراء مسح شامل للبارامترات
نقوم بتشغيل مسح شامل صغير لمعلمات التعلم (learning rate) و L2، ونقوم بتسجيل دقة التحقق لكل تشغيل. ثم نلخص النتائج في جدول، ونقوم بتسجيل أفضل تكوين في Trackio، وننهي تشغيل الملخص.
# ... (كود إجراء مسح شامل للبارامترات كما هو موجود في النص الأصلي) ...5. استيراد البيانات من ملف CSV
نقوم بمحاكاة ملف CSV للمقاييس، واستيراده إلى Trackio كمشروع جديد، ثم نقوم بتشغيل لوحة التحكم لمشروعنا الرئيسي. هذا يسمح لنا بعرض كل من التشغيل المسجل والبيانات الخارجية جنبًا إلى جنب في واجهة Trackio التفاعلية.
# ... (كود استيراد البيانات من ملف CSV كما هو موجود في النص الأصلي) ...6. نظرة عامة على لوحة تحكم Trackio
في الختام، نختبر كيف يُبسّط Trackio تتبع التجارب دون تعقيد البنية التحتية الثقيلة أو إعدادات واجهة برمجة التطبيقات. لا نقوم فقط بتسجيل ومقارنة عمليات التشغيل، بل نقوم أيضًا بالتقاط نتائج منظمة، واستيراد بيانات خارجية، وتشغيل لوحة تحكم تفاعلية مباشرة داخل Colab. من خلال هذا سير العمل، نرى كيف يُمكّننا Trackio من البقاء منظمين، ومراقبة التقدم بفعالية، واتخاذ قرارات أفضل أثناء التجريب. يمنحنا هذا الدليل أساسًا قويًا لدمج Trackio في مشاريع تعلم الآلة الخاصة بنا بسلاسة.
روابط مفيدة:
- صفحة Github للدروس والرموز ودفاتر الملاحظات
- تابعنا على تويتر
- انضم إلى مجتمعنا على Reddit
- اشترك في قائمتنا البريدية
اترك تعليقاً