如何使用腾讯智能钛机器学习平台玩转超大数据集比赛
本文原作者：林有夕。
在机器学习领域中，计算力的重要性不言而喻。不仅是某些超大数据集比赛或者图像领域的准入门槛，同时对于很多中等数据集比赛而言，计算力的大小直接影响了你的开发效率。充足的计算力，代表着你可以在同样的时间，做更多的事情。
在2019腾讯社交广告算法大赛用户指南中，建议使用的计算资源为：单机运行内存不超过128G,CPU不超过24核。
而2018腾讯社交广告算法大赛复赛阶段，则需要至少256G内存才可以跑LightGBM模型。
通常计算力的获得需要很大的成本，除了少部分有公司资源、实验室资源、或者自身拥有服务器的氪金大佬，大部分参赛选手则深受机器的困扰。
带着由衷的感激，这里向大家推荐的腾讯智能钛机器学习平台TI-ONE，陪我走过了N多比赛历程，经历了约近万个脚本的考验，接下来就将我的经验分享给大家，希望可以给大家带来帮助。
该教程旨在帮小白从注册账户开始，到运行结束生成第一个sub.csv为止。
1.智能钛机器学习简介
智能钛机器学习（TI Machine Learning，TI-ML）是基于腾讯云强大计算能力的一站式机器学习生态服务平台。它能够对各种数据源、组件、算法、模型和评估模块进行组合，使得算法工程师和数据科学家在其之上能够方便地进行模型训练、评估和预测。智能钛机器学习包括全流程一站式机器学习平台 TI-ONE 、弹性模型服务管理平台 TI-EMS（TI-Elastic Model Service）和工业 AI 平台（TI-Insight）三个子产品。同时，智能钛系列产品支持公有云访问、私有化部署以及专属云部署。
2.注册腾讯云账户
已有账户可跳过
打开TI-ONE官方页面：https://tio.cloud.tencent.com，如果未登陆，便会进入登陆页面，这里可以选择微信登陆或者QQ登陆。
登陆之后，接下来就是日常的关联手机号之类的操作了。（关联手机号即可）
注册完成后的实名认证阶段可以领取腾讯云的一系列免费套餐。
3.如何使用COS服务
完成数据存储、读取、下载的需求
对象存储（Cloud Object Storage，COS）是由腾讯云推出的无目录层次结构、无数据格式限制，可容纳海量数据且支持 HTTP/HTTPS 协议访问的分布式存储服务。腾讯云 COS 的存储桶空间无容量上限，无需分区管理，适用于 CDN 数据分发、数据万象处理或大数据计算与分析的数据湖等多种场景。COS 提供网页端管理界面、多种主流开发语言的 SDK、API 以及命令行和图形化工具，并且兼容 S3 的 API 接口，方便用户直接使用社区工具和插件。
官方文档地址：https://cloud.tencent.com/document/product/436/6231
COS控制台地址：https://console.cloud.tencent.com/cos5
3.1开通COS服务
第一次打开控制台网址时会弹出如下弹框，点击不再提醒，并关闭弹框。
接下来，实名认证：实名认证完成之后可领取套餐。至此，已经成功开通COS服务。
3.2创建存储桶
3.3创建文件夹
创建存储桶完成后，进入存储桶管理页面。我们可以看到：可以通过这里来上传文件（上传文件支持多选，支持上传文件夹）以及创建文件夹。
这里创建了 algo_tencent_2019 文件夹，用来存放2019腾讯广告算法大赛的数据以及结果产出。
3.4配置COS访问密钥
点击这个链接配置COS访问密钥：https://console.cloud.tencent.com/cam/capi
点击新建密钥即可以创建密钥。
注意：不要让其他人知道哦，因为你的数据以及工作流中的代码，均可通过该密钥访问。如不慎泄漏，可以点击禁用。
注意：COS的交互可以通过网页以及客户端等多种方式。
关于COS的计费规则，请参考官方文档。合理使用的情况下，资费忽略不计。
4.使用TI-ONE服务
4.1获取体验资格
产品入口：https://cloud.tencent.com/product/tio
点击立即体验即可获得体验资格，更多细节与贴心的文档，产品小姐姐和技术小哥哥已为你准备好。
下面我们直奔主题，开始配置执行我们的code。
4.2新建工程
点击立即体验，进入工作台界面，新建一个工程。（PS：一般一个比赛一个工程，或者一个阶段）
授权成功之后返回重新点击创建。
保存之后便成功创建了一个与我们的COS打通的工程。
4.3创建工作流
点击+，创建一个工作流。创建之后会默认跳转至工作流页面。
依旧直奔主题，从左侧组件列表，直接拖动TensorFlow组件至右边画布中。
点击Tensorflow组件，重点关注右侧组件参数配置：
程序脚本：程序调起的.py文件，代码写在这里。
Python版本：3.5和2.7,这里我选择的是3.5。
点击程序脚本输入框会弹出脚本资源列表。
这里我写了一个简单的语句，输出数字666点击保存。
4.4查看运行状态
鼠标右键任务->TensorFlow控制台->App详情，正常情况下会有pending（等待资源）、succ（运行完成）、fail（失败）等状态。
4.5查看运行日志
鼠标右键任务->TensorFlow控制台->App详情->stdout.log(运行日志)/ stderr. Log（错误日志）
大家都知道脚本运行的过程中，最重要的就是运行包安装、数据读取、建模、运算、输出。这里分别来实现一下。主要还是在于灵活运用os提供的shell功能。
1.运行包安装：
os.system(‘pip install lightgbm’)
2.查看系统状态：
os.system(‘free -g’) 一般是512G内存，偶尔存在128G的机器，所以如果要跑需要大量内存的程序，需要先检查一下是不是分配到了512G的。
os.system(‘cat /proc/cpuinfo| grep “processor”| wc -l’)
CPU数是虚拟CPU数目，一般是56核，但是实际测试应该是10核左右。所以，对于大部分默认使用全部CPU的多线程程序需要留意，例如lgb的n_jobs 或者 n_thread等参数，需要设置为实际的CPU数目为10（可以自己尝试尝试），否则速度会很慢。
3. 日志更新：
系统的日志更新存在缓存的延迟，这里对于调试有点不太友好，这里提供一个设置函数，可以解决缓存延迟问题，在每个脚本开头加上这一句就可以了。
class Unbuffered(object):
def init(self, stream):
self.stream = stream
def write(self, data):
self.stream.write(data)
self.stream.flush()
def getattr(self, attr):
return getattr(self.stream, attr)
import sys
sys.stdout = Unbuffered(sys.stdout)
4. 数据读取：
首先将要处理的数据存放在COS对象存储里，而平台启动的时候，会默认使用远程挂载的功能（COSFS 工具支持将 COS 存储桶挂载到本地，像使用本地文件系统一样直接操作腾讯云对象存储） 。
而COS的根目录对应挂载到了/cos_person目录下，如果我们要访问该train.csv，只需要pd.read_csv(’/cos_person/algo_tencent_2019/data/train.csv’)
5. 数据存储：
把/cos_person目录当作实际的目录就可以了。你对该目录做的所有的操作，读和写，都会同步到COS中，从而通过COS即可以将数据下载。
df.to_csv(’/cos_person/algo_tencent_2019/data/sub.csv’)
6.使用GPU：
目前CPUs 和Memory 的配置并不能代表实际机型的效果。（不影响结果）
GPUs，非0的时候，就会给你挂载一个P40，对于神经网络脚本而言，效率会高很多（只能同时跑一个GPU任务，因为GPU默认配额是一个账户一个）
下面是一个完整的示例：
#-- coding: utf-8 -
import os
import sys
import pip
#设置日志实时刷新
class Unbuffered(object):
def init(self, stream):
self.stream = stream
def write(self, data):
self.stream.write(data)
self.stream.flush()
def getattr(self, attr):
return getattr(self.stream, attr)
sys.stdout = Unbuffered(sys.stdout)
os.system(‘free -h’) # 查看内存分配情况
pip.main([‘install’, ‘lightgbm’]) # 安装包
#主代码
import pandas as pd
import lightgbm as lgb
path = ‘/cos_person/algo_tencent_2019/data/’
train = pd.read_csv(path + ‘/train.csv’) # 读取数据
print(‘train…’) # 训练过程
sub = train.copy() # 假设训练完成
sub.to_csv(path + ‘sub.csv’) # 保存结果
print(‘Done!’)