介绍

很多人都会有这个问题，当开始从事数据科学的时候，会被各种各样的可用工具所困扰。

虽然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/）”,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 

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 ""

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-keys 58118E89F3A912897C070ADBF76221572C52609D



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 -p 8888:8888 -p 6006:6006 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!