你在数据预处理上花费的时间，是否比机器学习还要多？

雷锋网按：本文作者  Stefan Maetschke 为 IBM 机器学习架构模型专家，根据自身工作经历向大家推荐这款全新的数据预处理工具。雷锋网编译。

Nuts-ml 是一个新的 Python 数据预处理库，专门针对视觉领域的 GPU 深度学习应用。 它以独立、可复用的单元模块的形式，提供主流数据预处理函数。前者便是“nuts-ml” 里的 “nuts”，开发者可自由将其排列组合，创建高效、可读性强、方便修改的数据流。

对于机器学习项目，数据预处理都是基础。相比实际的机器学习，开发者花在数据预处理上的时间往往还要更多。有的数据预处理任务只针对特定问题，但大多数，比如把数据分割为训练和测试组、给样本分层和创建 mini-batch 都是通用的。下面的 Canonical 流水线展示了深度学习视觉任务常见的处理步骤。

Reader 读取文本文件、 Excel 或 Pandas 表格中的样本数据。接下来 Splitter 把数据分割为训练、验证和测试集，如需要再进行分层。一般情况下，并不是所有图像数据都能载入内存，于是，我们需要 Loader 按需导入。这些图像一般由 Transformer 进行处理，以修改尺寸、截图或做其它调整。另外，为增加训练集， Augmenter 会随机选取图像进行扩充（比如翻转），以合成额外图像。基于 GPU 的高效率的机器学习，需要用 Batcher 把图像和标签数据编成 mini-batch。随后导入 Network 进行训练或者推理。最后，为追踪训练过程，一般我们会用 Logger 来把训练损失或精度记录到 log 文件。

有些机器学习框架，比如 Keras，就在 API 中提供了这些预处理模块。若与任务的匹配程度高，这就能大幅简化神经网络的训练。请见下面的用 keras 训练采用了数据扩充（augmentation）的模型。

datagen = ImageDataGenerator(  # augment images
   width_shift_range=0.1,  
   height_shift_range=0.1, 
   horizontal_flip=True)

datagen.fit(x_train)

model.fit_generator(datagen.flow(x_train, y_train, batch_size=batch_size),
   steps_per_epoch=x_train.shape[0] 
   epochs=epochs,
   validation_data=(x_test, y_test))

但如果，深度学习框架的 API 没有提供图像格式、数据扩充等预处理功能呢？

扩展 Keras 这样的库并不是一个轻松的活儿。常见的解决方案是简单粗暴地（重新）实现所需功能。但实现一个强鲁棒性的数据流水线，能按需加载、转换、扩充、处理图像仍然很具挑战性，并且有很高时间成本。

这便要 nuts-ml 上场了。

如开头介绍的，nuts-ml 是一个 Python 库，它提供了常见的预处理函数，即所谓的 “nuts”，能自由排列并且轻松扩展，以创建高效的数据预处理流水线。下面是节选的一段 nuts-ml 示例代码，展示了训练神经网络的流水线，>> 指示操作流。

t_loss = (train_samples >> augment >> rerange >> Shuffle(100) >> 
         build_batch >> network.train() >> Mean())
print "training loss  :", t_loss

上面的示例中，训练图像被扩充，像素值被重新分配，样本在创建训练网络的 batch 之前被打乱顺序。最后，batch 的平均训练损失被分批计算、打印出来。组成该数据流的 nuts 可如下定义：

rerange = TransformImage(0).by('rerange', 0, 255, 0, 1, 'float32')

augment = (AugmentImage(0)
          .by('identical', 1.0)
          .by('brightness', 0.1, [0.7, 1.3])
          .by('fliplr', 0.1)))
          
build_batch = (BuildBatch(BATCH_SIZE)
              .by(0, 'image', 'float32')
              .by(1, 'one_hot', 'uint8', NUM_CLASSES))

network = KerasNetwork(model)

重分配（rerange）是一个把 [0, 255] 区间的像素值转化为 [0, 1] 区间的图像转换过程。数据扩充生成用于训练的额外图像。build_batch 创建由图像和 one-hot 编码的类标签组成的 batch。神经网络把现有 Keras 模型封装为一个 nut，后者能插入进流水线。该示例的完整代码在这里。

Nuts-ml 的作用，是帮助开发者在深度学习任务重更快地创建数据预处理流水线。产生的代码根据可读性，修改后还可试验不同的预处理方案。针对特定任务的函数可方便地作为 nuts 实现并添加进数据流。下面就是一个调整图像亮度的简单 nut：

@nut_function
def AdjustBrightness(image, c):
 return image * c
 
... images >> AdjustBrightness(1.1) >> ...

Nuts-ml 本身并不能进行神经网络的训练，而是借助于 Keras、Theano 等已有的库来实现。任何能接受 Numpy 阵列的 mini-batch 用来训练、推理的机器学习库，都与它兼容。