目的
JMP® Pro 的Torch 深度學習插件為流行的Torch 庫提供了無程式碼接口，用於使用深度神經網路進行預測建模。該外掛程式可讓您訓練和部署使用圖像、文字或表格特徵作為輸入來預測二進位、連續或名義目標的預測模型。
主要特徵
- 存取各種圖像和文字資料的預訓練模型，這些模型可以從頭開始微調或訓練
- 執行圖像或文字分類或回歸
- 能夠為表格資料自訂深度網絡，以及為時間序列和影像資料設計您自己的定製卷積神經網路的選項
- 大量進階選項，方便模型建構、評估和比較
- 重複 k 重交叉驗證與折疊外預測，加上單獨的例程來建立最佳化的 k 重驗證列
- 能夠在一個模型中擬合具有不同建模類型的多個 Y 響應
- 詳細且互動的圖形和表格輸出
- 模型比較介面
- 表格神經網路的分析，有助於解釋
- 在 NVIDIA GPU（如果可用）上在 Windows 上進行快速運算
安裝
您必須擁有 JMP Pro 18 或更高版本的授權版本。從此視窗右上角的連結下載TorchDeepLearning.jmpaddin 。啟動 JMP Pro，開啟TorchDeepLearning.jmpaddin ，然後按一下是進行安裝。安裝的插件位於插件頂部選單（插入 > Torch Deep Learning ）下。
該插件依賴大量預編譯的動態庫和預訓練的 Torch 模型，這些模型在初始安裝後不包含在插件中。首次啟動主插件平台時（透過選擇插件 > Torch Deep Learning > Torch Deep Learning ），它將下載並解壓縮一系列額外的大檔案（總共約 4 GB）。如果您使用的是 Windows，下載內容包括 CUDA 編譯的函式庫，而這些檔案的總下載和提取可能需要幾分鐘或更長時間，具體取決於您的 Web 連線速度。請耐心等待，讓這些文件下載到 100% 並完全解壓縮。所有下載和提取的檔案都放置在加載項的主目錄下（點擊“檢視”>“加載項”，選擇“TorchDeepLearning”，然後點擊“主資料夾”連結）。
系統需求
該插件僅適用於 JMP® Pro 版本 18。對於較小的資料集， JMP® Pro 的最低要求應該就足夠了；但是，對於中型到大型資料集（包括具有大量影像或非結構化文字的資料集）的建模，建議您擁有至少 32 GB 的 CPU RAM 和具有充足儲存空間的快速固態硬碟（例如1 TB），以便處理通常為深度神經網路建模產生的資料量和參數。
如果您擁有配備 NVIDA GPU 的 Windows 計算機，則 Torch 插件文件（插件 > Torch Deep Learning > 幫助）中提供了有關配置 GPU 處理的更多詳細資訊。在 MacOS 上，Intel x86_x64 和 Apple Silicon arm64（M1 M2 和 M3）架構均受支持，並且應該會自動檢測到。
如何使用它
在 JMP Pro 中安裝插件後：
- 開啟包含要預測的目標變數 Y 的 JMP 表以及用作輸入的圖像、文字或表格要素。
- 透過點選加載項 > Torch Deep Learning > Make K-Fold Columns 來建立一個或多個驗證列。將 Y 指定為回應和分層變數（建議）。
- 點擊加載項 > Torch Deep Learning > Torch Deep Learning啟動該平台。將變數指派給角色，如下例所示：
插件 > Torch Deep Learning >範例資料子選單包含多個範例資料集和一個名為Torch_Storybook的 JMP 表，其中包含 40 個不同類型場景的範例，插件可以在其中提供協助。它包含有關每個範例的豐富元資料以及用於下載帶有嵌入式腳本的 JMP 資料表、範例輸出 JMP 日誌和參考的連結。
外掛程式 > Torch Deep Learning >下載其他子選單提供了下載更多圖像和文字模型的方法，從而進一步擴展插件的功能。
按一下功能表中的「說明」可開啟有關該加載項的詳細文檔，包括逐步範例和最有效使用的指南。
例子
背景：作為化學家，您需要透過與混合物實驗的核磁共振波譜進行比較來預測未知樣品的成分，其中三種成分的比例發生了變化。
挑戰：混合實驗的輸出 NMR 譜很寬，實驗運行次數較少，但有數千個具有獨特特徵的色譜柱。標準預測建模不準確且過度擬合，且該過程的編碼非常耗時。
流程：取得單一光譜並使用 Graph Builder 將其轉換為影像，使用它們訓練影像分類模型（卷積神經網路）以了解 3 個成分的不同比例下的光譜外觀。
結果：可以應用未知樣品並準確識別 3 種成分的成分/比例。
背景：半導體製造的晶圓缺陷可能會發生在晶圓的不同區域。晶圓圖片或晶圓圖可以捕捉不同批次的缺陷區域。識別缺陷類型和根本原因對於提出合適的解決方案至關重要。
挑戰：您有超過 30,000 個晶圓圖影像，其中一些具有多種缺陷類型，所有這些都需要準確識別。
過程：使用具有已知晶圓缺陷的晶圓圖影像來訓練深度卷積神經網路。
結果：建立並部署深度學習模型，以準確預測新晶圓影像上最可能的缺陷類別和缺陷機率。
背景：線上產品評論提供了大量的文本數據，可以透過分析這些數據來了解客戶對產品的看法，從而做出有關產品改進、客戶支援和行銷策略的關鍵決策。
挑戰：文本評論是非結構化的、大量的，難以確定情緒和主題，需要複雜的分析。
流程：根據產品評論評分，使用深度語言神經網路預測購買情緒，以確定重新購買的可能性等關鍵結果。
結果：確定對產品的關鍵情緒（即再次購買的可能性、產品問題）作為產品決策的關鍵回饋。
影片教學
全面的背景和概述以及示例
表格數據和因果推理
影像分類
如果您想查看該外掛程式或主題的某個特定方面的影片教程，請在評論中發佈。
回饋
我們歡迎您提供回饋，並鼓勵您在此頁面上發表評論。請注意，雖然插件通常不受我們的 JMP 技術支援團隊的正式支持，但該插件由 JMP Life Sciences R&D 編寫並正在積極開發。
您也可以直接將回饋、問題、問題和建議發送至russ.wolfinger@jmp.com 。如果報告潛在的錯誤或崩潰，請發送盡可能多的信息以重現和診斷它，包括資料和模型設定、螢幕截圖、錯誤視窗、日誌訊息以及您正在使用的作業系統和 JMP Pro 版本。
致謝和版權聲明
我們衷心感謝 PyTorch 團隊透過精心設計的 C++ 介面開發瞭如此強大的功能。有關個人和版權聲明的完整清單以及來自PyTorch 基金會的線上聲明，請參閱說明文件。
我們也高度讚賞並感謝Mark Lalonde和Francis Charette-MIgneault對 LibTorch 的傑出貢獻：
https://medium.com/crim/contributing-to-libtorch-recent-architectures-and-vanilla-training-pipeline-3789c7bf6959
https://github.com/crim-ca/crim-libtorch-extensions
我讀得對嗎？在將模型載入到 pytorch 的文檔中它說。
在Python中，您必須使用PyTorch重新建立完全相同的架構元件，然後依序載入這些檔案。
因此，無論如何，我們仍然需要一個了解 pytorch 並能夠將他們在 JMP 中所做的工作轉換為 python 的人。正確的？就像他們需要知道如何創建資料集、神經網路以及 JMP 用戶所做的任何驗證一樣？
@vince_faller感謝您的評論。文件的這一部分指的是 Python 中的部署，在這種情況下，這些事情確實需要以某種方式完成。 JSL 中的部署更加容易。以下內容正在新增至文件中：
加載項主資料夾中的 Jupyter iPython 筆記本檔案中提供了範例 Python 部署程式碼。點擊“視圖”>“加載項” ，選擇“TorchDeepLearning” ，點擊“主資料夾”鏈接，然後導航到筆記本子資料夾以查看此程式碼。
這個範例 Python 部署程式碼在某些地方仍然很粗糙，我們正在努力改進和簡化它。我們將把您的貼文作為對更自動化的 Python 程式碼產生的投票，就像 XGBoost 模型擬合一樣。 Torch 外掛程式和 JMP 的原生 Python 整合對於版本 18 來說都是全新的，我們尚未實現兩者之間的連接（Torch 插件是用 C++ 編寫的，沒有 Python）。
謝謝@russ_wolfinger
是的，我看著它，沒有愛。我應 Tony C 的要求發布了一個社區問題。希望我能得到這個，因為這肯定對我們的工作流程有好處。
