Google Compute Engine で tensorboard
ホストＰＣ：Windows10
1. gcloud SDK をインストール
https://cloud.google.com/sdk/install に従う
2. VMインスタンス内で $ tensorboard --logdir .
3. ホストPCでポートフォワーディング
gcloud compute ssh --zone asia-northeast1-a gce-example -- -N -L 6006:localhost:6006
・参考 https://blog.amedama.jp/entry/2019/03/23/151554
・「--」 より前までのコマンドはGCPのサイトからコピペできる
・6006はtebsorboardが用いるポート
4. ホストPCで http://localhost:6006/ にアクセス
便利～
はじめはjupyterlab_tensorboardを使ってjupyterlab内からtensorboardを使おうとしたが動かず。port-forwardもできるらしいので上記を試し、うまくいった。
以上。
メモ JupyterLab から pip パッケージインストール
Google Cloud Platform に最近追加された Jupyter Notebook で pip パッケージをインストールしたい。普通に terminal から pip intall しても反映されなかった。調べたところ、JupyerLabコンソール内で以下を打てばよいとわかった。実際にうまくいったのでメモ。
```python
# Install a pip package in the current Jupyter kernel
import sys
!{sys.executable} -m pip install numpy
```
情報源：
http://jakevdp.github.io/blog/2017/12/05/installing-python-packages-from-jupyter/
■
メモ：
高速化のためにはバッチサイズが大きい必要がある。
学習率を下げる～＝バッチサイズをあげるではあるが、少なくとも高速化の文脈では、バッチサイズを大きくした方が良い
https://openreview.net/pdf?id=B1Yy1BxCZ
一般に、バッチサイズが小さい方が性能が良くなる？
kaggleのXXコンペへ参加してみた（２日）
- pandas力
- pytorch力
- 普段からの論文読み・実装読み・実装追試（実装力）
がないと、まず競技が始まらないことを理解しました。
また、kaggle notebookだけだといくら何でもつらい場面がある。一回実験を回すのに６時間かかっていたら、さすがに改善も何もない。
十分にモノが分かっていて最適なものを選べるなら、平日5*1+休日2*2 くらい実験をまわせるかもしれないが、現状の私だと週のcommit数が2くらいになり、勝負にならない。
GCPへ年貢を納める時が来たのかもしれない。
# 努力目標
具体的な改善プランは２つあるので、そこを完遂する
『Kaggleで勝つデータ分析の技術』を読み中
Kaggle自体はあまり興味がない（パズルの類は当面飽きているため）けど、具体例の羅列は理解の確認に役立って面白い。
読み終わったら感想を書きます。
----------------------------
読み終わった。全体的に丁寧にかかれている。
imbalanced なデータへのよく行われる対応や、評価指標への最適化の話は、他では聞けそうになくて参考になった。
adversarial validatoin とかもう何が何だか... という感じだけど。
■
メモ 複雑さの分類と、説明する際の方針
複雑さ①：説明するのに・結論を導くのに理解しないといけない物事の量が多い
⇒結論を先に見せる。リスト化や構造化して、丁寧に説明する。
複雑さ②：説明対象が概念的に難しい。数式など。
⇒比喩や図解を試みる（正確さが犠牲にされがち）。
kaggle titanic 入門した
モチベーション：
画像のニューラルネットワークばかり普段触れていて、テーブルデータの経験が皆無だったため、何でもよいので手を動かしたかった。
コード：
Kaggle Notebook (Public Score 0.77511)
https://www.kaggle.com/lisosia /catboost?scriptVersionId=21225766
雑感：
最近名前を聞くCatboostを使ってみた（GBDTであること以外何も理解していない）。plot=Trueつきででfitするときれいなグラフ📉がNotebookに出力される。前処理ほぼなしで突っ込めてearly stop もしてくれて重要度も出してくれて、とてもお手軽。
数値・カテゴリデータを分類回帰したいときに脳死で出せて便利。
# 追記(09/30)
参考文献
OMOTO Tsukasa “有名ライブラリと比較した LightGBM の現在"
