ملاحظة

Go to the end to download the full example code. or to run this example in your browser via JupyterLite or Binder

أقرب النقاط المجاورة التقريبية في TSNE#

يقدم هذا المثال كيفية ربط KNeighborsTransformer و TSNE في خط أنابيب. كما يُظهر كيفية تغليف الحزم nmslib و pynndescent لاستبدال KNeighborsTransformer وأداء أقرب النقاط المجاورة التقريبية. يمكن تثبيت هذه الحزم باستخدام pip install nmslib pynndescent.

ملاحظة: في KNeighborsTransformer نستخدم التعريف الذي يتضمن كل نقطة تدريب كجارتها الخاصة في حساب n_neighbors, ولأسباب التوافق, يتم حساب جار إضافي واحد عندما mode == 'distance'. يرجى ملاحظة أننا نفعل الشيء نفسه في غلاف nmslib المقترح.

# المؤلفون: مطوري scikit-learn
# SPDX-License-Identifier: BSD-3-Clause

أولاً, نحاول استيراد الحزم وتحذير المستخدم في حالة عدم توفرها.

import sys

try:
    import nmslib
except ImportError:
    print("The package 'nmslib' is required to run this example.")
    sys.exit()

try:
    from pynndescent import PyNNDescentTransformer
except ImportError:
    print("The package 'pynndescent' is required to run this example.")
    sys.exit()

نحن نحدد فئة غلاف لتنفيذ واجهة برمجة التطبيقات scikit-learn إلى nmslib, بالإضافة إلى دالة تحميل.

import joblib
import numpy as np
from scipy.sparse import csr_matrix

from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.datasets import fetch_openml
from sklearn.utils import shuffle


class NMSlibTransformer (TransformerMixin, BaseEstimator):
    """غلاف لاستخدام nmslib كـ KNeighborsTransformer لـ sklearn"""

    def __init__(self, n_neighbors=5, metric="euclidean", method="sw-graph", n_jobs=-1):
        self.n_neighbors = n_neighbors
        self.method = method
        self.metric = metric
        self.n_jobs = n_jobs

    def fit(self, X):
        self.n_samples_fit_ = X.shape[0]

        # راجع المزيد من المقاييس في الدليل
        # https://github.com/nmslib/nmslib/tree/master/manual
        space = {
            "euclidean": "l2",
            "cosine": "cosinesimil",
            "l1": "l1",
            "l2": "l2",
        }[self.metric]

        self.nmslib_ = nmslib.init(method=self.method, space=space)
        self.nmslib_.addDataPointBatch(X.copy())
        self.nmslib_.createIndex()
        return self

    def transform(self, X):
        n_samples_transform = X.shape[0]

        # لأسباب التوافق, حيث يتم اعتبار كل عينة كجارتها الخاصة,
        # سيتم حساب جار إضافي واحد.
        n_neighbors = self.n_neighbors + 1

        if self.n_jobs < 0:
            # نفس المعالجة كما هو مكتوب في joblib للقيم السلبية من n_jobs:
            # على وجه الخصوص, `n_jobs == -1` يعني "بقدر ما هو متاح من المعالجات".
            num_threads = joblib.cpu_count() + self.n_jobs + 1
        else:
            num_threads = self.n_jobs

        results = self.nmslib_.knnQueryBatch(
            X.copy(), k=n_neighbors, num_threads=num_threads
        )
        indices, distances = zip(*results)
        indices, distances = np.vstack(indices), np.vstack(distances)

        indptr = np.arange(0, n_samples_transform * n_neighbors + 1, n_neighbors)
        kneighbors_graph = csr_matrix(
            (distances.ravel(), indices.ravel(), indptr),
            الشكل=(n_samples_transform, self.n_samples_fit_),
        )

        return kneighbors_graph


def load_mnist(n_samples):
    """تحميل MNIST, وخلط البيانات, وإرجاع n_samples فقط."""
    mnist = fetch_openml("mnist_784", as_frame=False)
    X, y = shuffle(mnist.data, mnist.target, random_state=2)
    return X[:n_samples] / 255, y[:n_samples]

نحن نقيس أداء المحولات المختلفة لأقرب النقاط المجاورة الدقيقة/التقريبية.

import time

from sklearn.manifold import TSNE
from sklearn.neighbors import KNeighborsTransformer
from sklearn.pipeline import make_pipeline

datasets = [
    ("MNIST_10000", load_mnist(n_samples=10_000)),
    ("MNIST_20000", load_mnist(n_samples=20_000)),
]

n_iter = 500
perplexity = 30
metric = "euclidean"
# تتطلب TSNE عددًا معينًا من الجيران يعتمد على
# معلمة perplexity.
# أضف واحدًا حيث يتم تضمين كل عينة كجارتها الخاصة.
n_neighbors = int(3.0 * perplexity + 1) + 1

tsne_params = dict(
    init="random",  # pca غير مدعوم للمصفوفات المتناثرة
    perplexity=perplexity,
    method="barnes_hut",
    random_state=42,
    n_iter=n_iter,
    learning_rate="auto",
)

transformers = [
    (
        "KNeighborsTransformer",
        KNeighborsTransformer(n_neighbors=n_neighbors, mode="distance", metric=metric),
    ),
    (
        "NMSlibTransformer",
        NMSlibTransformer(n_neighbors=n_neighbors, metric=metric),
    ),
    (
        "PyNNDescentTransformer",
        PyNNDescentTransformer(
            n_neighbors=n_neighbors, metric=metric, parallel_batch_queries=True
        ),
    ),
]

for dataset_name, (X, y) in datasets:
    msg = f"قياس الأداء على {dataset_name}:"
    print (f"\n{msg}\n" + str("-" * len(msg)))

    for transformer_name, transformer in المحولات:
        longest = np.max([len(name) for name, model in transformer])
        start = time.time()
        transformer.fit(X)
        fit_duration = time.time() - start
        print (f"{transformer_name:<{longest}} {fit_duration:.3f} sec (fit)")
        start = time.time()
        Xt = transformer.transform(X)
        transform_duration = time.time() - start
        print (f"{transformer_name:<{longest}} {transform_duration:.3f} sec (transform)")
        if transformer_name == "PyNNDescentTransformer":
            start = time.time()
            Xt = transformer.transform(X)
            transform_duration = time.time() - start
            print (
                f"{transformer_name:<{longest}} {transform_duration:.3f} sec"
                " (transform)"
            )

إخراج العينة:

قياس الأداء على MNIST_10000:
----------------------------
KNeighborsTransformer  0.007 sec (fit)
KNeighborsTransformer  1.139 sec (transform)
NMSlibTransformer      0.208 sec (fit)
NMSlibTransformer      0.315 sec (transform)
PyNNDescentTransformer 4.823 sec (fit)
PyNNDescentTransformer 4.884 sec (transform)
PyNNDescentTransformer 0.744 sec (transform)

قياس الأداء على MNIST_20000:
----------------------------
KNeighborsTransformer  0.011 sec (fit)
KNeighborsTransformer  5.769 sec (transform)
NMSlibTransformer      0.733 sec (fit)
NMSlibTransformer      1.077 sec (transform)
PyNNDescentTransformer 14.448 sec (fit)
PyNNDescentTransformer 7.103 sec (transform)
PyNNDescentTransformer 1.759 sec (transform)

لاحظ أن PyNNDescentTransformer يستغرق وقتًا أطول خلال أول fit و transform الأول بسبب النفقات العامة لمترجم numba just in time لكن بعد المكالمة الأولى, يتم الاحتفاظ بالرمز المترجم بلغة بايثون في ذاكرة التخزين المؤقت بواسطة numba والمكالمات اللاحقة لا تعاني من هذه النفقات العامة الأولية. يتم تشغيل كل من KNeighborsTransformer و NMSlibTransformer مرة واحدة فقط هنا حيث سيظهرون أوقات fit و transform أكثر استقرارًا (لا يعانون من مشكلة بدء التشغيل البارد لـ PyNNDescentTransformer).

import matplotlib.pyplot as plt
from matplotlib.ticker import NullFormatter

transforms = [
    ("TSNE مع NearestNeighbors الداخلي", TSNE(metric=metric, **tsne_params)),
    (
        "TSNE مع KNeighborsTransformer",
        make_pipeline(
            KNeighborsTransformer(
                n_neighbors=n_neighbors, mode="distance", metric=metric
            ),
            TSNE(metric="precomputed", **tsne_params),
        ),
    ),
    (
        "TSNE مع NMSlibTransformer",
        make_pipeline(
            NMSlibTransformer(n_neighbors=n_neighbors, metric=metric),
            TSNE(metric="precomputed", **tsne_params),
        ),
    ),
]

# بدء الرسم
nrows = len(datasets)
ncols = np.sum([1 for name, model in transformers if "TSNE" in name])
fig, axes = plt.subplots(
    nrows=nrows, ncols=ncols, squeeze=False, figsize=(5 * ncols, 4 * nrows)
)
axes = axes.ravel()
i_ax = 0

for dataset_name, (X, y) in datasets:
    msg = f"Benchmarking on {dataset_name}:"
    print(f"\n{msg}\n" + str("-" * len(msg)))

    for transformer_name, transformer in transformers:
        longest = np.max([len(name) for name, model in transformers])
        start = time.time()
        Xt = transformer.fit_transform(X)
        transform_duration = time.time() - start
        print(
            f"{transformer_name:<{longest}} {transform_duration:.3f} sec"
            " (fit_transform)"
        )

        # plot TSNE embedding which should be very similar across methods
        axes[i_ax].set_title(transformer_name + "\non " + dataset_name)
        axes[i_ax].scatter(
            Xt[:, 0],
            Xt[:, 1],
            c=y.astype(np.int32),
            alpha=0.2,
            cmap=plt.cm.viridis,
        )
        axes[i_ax].xaxis.set_major_formatter(NullFormatter())
        axes[i_ax].yaxis.set_major_formatter(NullFormatter())
        axes[i_ax].axis("tight")
        i_ax += 1

fig.tight_layout()
plt.show()

إخراج العينة:

قياس الأداء على MNIST_10000:
----------------------------
TSNE مع NearestNeighbors الداخلي 24.828 sec (fit_transform)
TSNE مع KNeighborsTransformer     20.111 sec (fit_transform)
TSNE مع NMSlibTransformer         21.757 sec (fit_transform)

قياس الأداء على MNIST_20000:
----------------------------
TSNE مع NearestNeighbors الداخلي 51.955 sec (fit_transform)
TSNE مع KNeighborsTransformer     50.994 sec (fit_transform)
TSNE مع NMSlibTransformer         43.536 sec (fit_transform)

يمكننا ملاحظة أن المحول الافتراضي TSNE مع التنفيذ الداخلي لـ NearestNeighbors هو مكافئ تقريبًا لخط الأنابيب مع TSNE و KNeighborsTransformer من حيث الأداء. هذا متوقع لأن كلا خطي الأنابيب يعتمدان داخليًا على نفس التنفيذ NearestNeighbors الذي يقوم بالبحث الدقيق عن الجيران. البحث التقريبي NMSlibTransformer هو بالفعل أسرع قليلاً من البحث الدقيق على أصغر مجموعة بيانات ولكن من المتوقع أن يصبح هذا الاختلاف في السرعة أكثر أهمية في مجموعات البيانات ذات العدد الأكبر من العينات.

لاحظ مع ذلك أن ليس كل طرق البحث التقريبية مضمونة لتحسين سرعة طريقة البحث الدقيقة الافتراضية: في الواقع, تحسنت طريقة البحث الدقيقة بشكل كبير منذ scikit-learn 1.1. علاوة على ذلك, لا تتطلب طريقة البحث الدقيقة "brute-force" بناء فهرس في وقت fit. لذلك, للحصول على تحسن عام في الأداء في سياق خط أنابيب TSNE, يجب أن تكون المكاسب في البحث التقريبي في transform أكبر من الوقت الإضافي الذي يتم إنفاقه لبناء فهرس البحث التقريبي في وقت fit.

أخيرًا, خوارزمية TSNE نفسها كثيفة الحسابات, بغض النظر عن البحث عن أقرب الجيران. لذلك, لن يؤدي تسريع خطوة البحث عن أقرب الجيران إلى تسريع خط الأنابيب بمقدار 5 مرات.