# 機器學習模型運行期間要做什么 > 原文： [https://machinelearningmastery.com/machine-learning-model-running/](https://machinelearningmastery.com/machine-learning-model-running/) 最近有一個問題是“[如何在ml腳本運行時不浪費時間/拖延？](http://www.reddit.com/r/MachineLearning/comments/2uznyb/how_to_not_wastetimeprocrastinate_while_ml/) “。 我認為這是一個重要的問題。我認為這個問題的答案顯示了你的工作方法的組織或成熟程度。 我在這個問題上留下了[小評論](http://www.reddit.com/r/MachineLearning/comments/2uznyb/how_to_not_wastetimeprocrastinate_while_ml/cof6co0)，但是在這篇文章中，我詳細闡述了我的答案并給出了一些關于如何考慮這個問題，最小化它甚至完全避免它的觀點。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2015/02/What-to-do-during-machine-learning-model-runs.jpg) 在機器學習模型運行期間做什么 照片由 [Mark Fischer](https://www.flickr.com/photos/fischerfotos/7519614160) ，保留一些權利 ## 少運行實驗 考慮一下為什么要執行模型運行。您幾乎可以肯定地執行[探索性數據分析](http://machinelearningmastery.com/understand-problem-get-better-results-using-exploratory-data-analysis/ "Understand Your Problem and Get Better Results Using Exploratory Data Analysis")的形式。 您試圖了解您的問題，以達到特定準確度的結果。您可能需要報告結果，或者您可能希望模型可以運行。 您的實驗旨在教您一些有關該問題的信息。因此，您需要清楚地了解要從您執行的每個實驗中學習的內容。 如果您沒有明確的明確問題，實驗結果會啟發，請考慮是否需要運行實驗。 當您獲得問題的經驗答案時，請尊重這些結果。盡力將新知識整合到您對問題的理解中。這可能是半正式的工作產品，如日報或技術報告。 ## 運行更快的實驗 現代編程的編譯運行修復循環非常有效。立竿見影的回報可以讓您不斷測試想法和課程更正。 這個過程并不總是那么有效。作為工程師，您曾經使用筆和紙手工設計模塊和桌面檢查他們的邏輯。如果你在編程中做任何數學，你很可能仍然使用這個過程。 一個有用的現代工具是單元測試，它使桌面檢查過程自動化，使它們可重復。良好的測試設計的準則是速度。反饋越直接，您就可以更快地糾正錯誤并修復錯誤。 **這里的教訓是你想要速度。** 您希望快速獲得問題的經驗答案，以便您可以提出后續問題。這并不意味著設計糟糕的實驗。這意味著使實驗變得很大或足夠詳細以回答一個問題。 實現更快速實驗的最簡單方法是使用減少的數據樣本。它是如此簡單的技術，它經常被忽視。 通常情況下，您正在尋找的效果可以與數據進行可預測的比例，無論是數據本身的屬性，如異常值還是數據模型的準確性。 ## 運行調整作為實驗 一些實驗本身就很慢，就像調整超參數一樣。事實上，當您的追求是優化精確度時，調整可能會讓人上癮。 完全避免手動調整任何參數，這是一個陷阱！我的建議是使用隨機或網格搜索等搜索方法設計有條理的調整實驗。 收集結果并使用實驗建議的最佳參數。 如果您想獲得更好的結果，請在參數空間中減少超立方體設計后續實驗，并將搜??索算法更改為使用基于梯度（或準梯度）的方法。 ## 在停機時間運行實驗 避免在最有效的時間內進行實驗。如果您在白天工作時間完成工作，請不要占用您的機器，并在此時關注模型運行等阻塞任務。 安排您的實驗在您不工作時運行。在晚上，午餐時間和周末進行實驗。 要在停機時間運行實驗，意味著您需要安排它們。如果您能夠批量實驗，這將變得更加容易。 你可以花時間在一批中設計5-10個實驗，準備模型運行并在你的關閉時間順序或并行地運行實驗。 這可能需要紀律來解決問題和實驗所服務的答案。這樣做的好處將是您獲得的有關問題的深度知識以及獲得問題的速度。 ## 在場外進行實驗 有些實驗可能需要數天或數周，這意味著在工作站上運行它們實際上是不可行的。 對于長時間運行的實驗，您可以利用云中的計算服務器（如EC2和朋友）或本地計算服務器。無論是哪種語言環境，都不能實時使用計算服務器。您提出問題并收到答案。 計算服務器的最有效使用是擁有一個問題隊列和一個過程，用于消費并將答案集成到您不斷增長的問題知識庫中。 例如，您可以設置每天（或夜晚）運行一個實驗的目標，無論如何。我經常嘗試在新項目上堅持這種模式。這有助于保持高勢頭。 當想法減弱時，您可以通過輕率的優化實驗填充隊列，以調整表現良好的模型的參數，這是一個可以隨時備份的持續后臺任務。 ## 在實驗運行時進行計劃 有時您必須在工作站上實時運行實驗。模型運行時，工作站必須阻塞。原因將是一些迫切的實時要求，你不能拖延。 發生這種情況時，請記住您的項目并沒有阻止您的想法，只有您的工作站。 拉出文本編輯器或筆和紙（首選，這樣您就不會從實驗運行中偷走任何循環）。利用這段時間深入思考您的項目。制作如下列表： * 列出并優先考慮您想要執行的實驗 * 列出問題，預期答案，所需的設置并影響每個實驗的結果。 * 列出并優先考慮您可以做出的假設和實驗以對其提出異議。 * 列出并優先考慮您要編寫單元測試的代碼區域。 * 列出您的問題的替代視角和框架。 要有創意，并考慮測試有關該項目的長期信念。 我喜歡在一天結束時做我的創造性工作，讓我的潛意識在我睡覺時解決問題。我也喜歡在我的工作站上進行實驗過夜，讓它與我的潛意識一起思考。 ## 摘要 在這篇文章中，您已經發現了一些方法來解決機器學習模型運行期間的高效問題。 以下是您可以使用的關鍵策略的摘要： * 考慮每個實驗是否需要使用它將為您理解問題作為評估標準提供的貢獻。 * 設計實驗運行速度更快，并使用數據樣本來實現加速。 * 永遠不要手動調整超參數，總是設計自動化實驗來回答模型校準的問題。 * 在您的停工期間進行實驗，例如過夜，午休和周末。 * 批量設計實驗，以便您可以排隊并安排執行。 * 委派實驗運行來計算工作站以外的服務器以提高效率。 * 如果您必須運行阻止實時實驗，請利用該時間深入思考您的問題，設計未來的實驗并挑戰基本假設。