當我自學機器學習時，經常試著根據項目教程編寫代碼，我會按照作者概述的步驟來做。但有時候，我的模型的表現會比教程作者的模型要差。也許您也遇到過類似的情況。或者，您只是從GitHub拉取了同事的代碼。而您模型的性能指標與同事的報告聲稱的性能指標不一樣。所以做同樣的事情并不能保證同樣的結果，是不是？這是機器學習中一個普遍存在的問題：可再現性難題。

不用說，機器學習模型只有在別人可以復制試驗并再現結果時才有用。從典型的“它在我的機器上工作”問題到機器學習模型訓練方式的細微變化，可再現性存在幾個挑戰。

我們在本文中將仔細研究機器學習中可再現性的挑戰和重要性，以及數據管理、版本控制和實驗跟蹤在解決機器學習可再現性挑戰中的作用。

什么是機器學習背景下的可再現性？

不妨看看如何在機器學習的背景下最準確地定義可再現性。

假設一個現有的項目針對給定的數據集使用特定的機器學習算法。有了數據集和算法，我們應該能夠運行算法（想運行多少次就運行多少次），并在每次運行時再現（或復制）結果。

但機器學習中的可再現性并非沒有挑戰。我們已經討論了其中幾個挑戰，不妨在下一節中更詳細地討論它們。

機器學習中可再現性的挑戰

任何應用環境都存在可靠性和可維護性等挑戰。然而在機器學習應用中，還存在額外的挑戰。

當我們談論機器學習應用時，我們通常指端到端機器學習管道，它們通常包括以下步驟：

由于其中一個或多個步驟的變更，可能會出現可再現性問題。大多數變更都可以記錄在下面其中一種變更中：

環境變更

代碼變更

數據變更

不妨看看這每一種變更在如何阻礙可再現性。

環境變更

Python和基于Python的機器學習框架使得開發機器學習應用程序變得輕而易舉。然而，Python中的依賴項管理（管理某個項目所需的不同庫和版本）卻并非易事。一個小小的變更就足以破壞代碼，比如使用不同版本的庫和使用被廢棄的參數的函數調用。

這還包括操作系統的選擇。存在與硬件相關的挑戰，比如GPU浮點精度方面的差異等。

代碼變更

從清洗輸入數據集以確定哪些樣本進入訓練數據集，到訓練神經網絡時隨機初始化權重，隨機性在機器學習中扮演著重要作用。

設置不同的隨機種子可能導致全然不同的結果。對于我們訓練的每個模型，都有一組超參數。因此，調整一個或多個超參數也可能導致不同的結果。

數據變更

即便使用相同的數據集，我們也看到超參數值和隨機性的不一致性如何使復制結果變得困難。因此，當數據發生變化（數據分布變化、記錄子集的修改或丟棄某些樣本）時，顯然很難再現結果。

總之，當我們試圖復制機器學習模型的結果時，哪怕是代碼、所用的數據集和機器學習模型運行的環境出現小小的變化，也會阻止我們獲得與原始模型相同的結果。

如何應對可再現性挑戰？

現在我們看看如何應對這些挑戰。

數據管理

我們發現可再現性最明顯的挑戰之一是數據方面。有某些數據管理方法（比如對數據集進行版本控制），這樣我們就可以跟蹤數據集變更，并存儲數據集方面的有用元數據。

版本控制

應該使用Git之類的版本控制系統來跟蹤代碼的任何變更。

在現代軟件開發中，您可能遇到過CI/CD管道，它們可以大大簡化以下操作，并大大提高效率：跟蹤變更、測試新變更，并將它們推送到生產環境。

在其他軟件應用程序中，跟蹤代碼的變更簡單直觀。然而在機器學習中，代碼變更還可能需要對所用的算法和超參數值進行更改。即使對于簡單的模型，我們可以嘗試的可能性的數量也非常多。這就是實驗跟蹤的意義所在。

實驗跟蹤

構建機器學習應用程序等同于進行廣泛的試驗。從算法到超參數，我們嘗試不同的算法和超參數值，因此跟蹤這些試驗很重要。

跟蹤機器學習試驗包括如下：

記錄超參數掃描

記錄模型的性能指標和模型檢查點

存儲關于數據集和模型的實用元數據

用于機器學習實驗跟蹤和數據管理等操作的工具

如前所述，控制數據集版本、跟蹤代碼變更以及跟蹤機器學習實驗都可以復制機器學習應用程序。下面幾個工具可以幫助您構建可再現的機器學習管道：

權重和偏誤

MLflow

Neptune.ai

Comet ML

DVC

結語

綜上所述，我們已回顧了機器學習中可再現性的重要性和挑戰。我們討論了數據和模型版本控制以及實驗跟蹤等方法。此外，我們還列出了一些可以用于實驗跟蹤和更有效的數據管理的工具。