Uber 宣布開源 Ludwig，一個(gè)基于 TensorFlow 的工具箱，該工具箱特點(diǎn)是不用寫代碼就能夠訓(xùn)練和測試深度學(xué)習(xí)模型。

Uber 官方表示，對于AI開發(fā)者來說，Ludwig 可以幫助他們更好地理解深度學(xué)習(xí)方面的能力，并能夠推進(jìn)模型快速迭代。另一方面，對于 AI 專家來說，Ludwig 可以簡化原型設(shè)計(jì)和數(shù)據(jù)處理過程，從而讓他們能夠?qū)Ｗ⒂陂_發(fā)深度學(xué)習(xí)模型架構(gòu)。

Ludwig 提供了一套 AI 架構(gòu)，可以組合起來，為給定的用例創(chuàng)建端到端的模型。開始模型訓(xùn)練，只需要一個(gè)表格數(shù)據(jù)文件（如 CSV）和一個(gè) YAML 配置文件——用于指定數(shù)據(jù)文件中哪些列是輸入特征，哪些列是輸出目標(biāo)變量。如果指定了多個(gè)輸出變量，Ludwig 將學(xué)會(huì)同時(shí)預(yù)測所有輸出。使用 Ludwig 訓(xùn)練模型，在模型定義中可以包含附加信息，比如數(shù)據(jù)集中每個(gè)特征的預(yù)處理數(shù)據(jù)和模型訓(xùn)練參數(shù)， 也能夠保存下來，可以在日后加載，對新數(shù)據(jù)進(jìn)行預(yù)測。

對于 Ludwig 支持的數(shù)據(jù)類型（文本、圖像、類別等），其提供了一個(gè)將原始數(shù)據(jù)映射到張量的編碼器，以及將張量映射到原始數(shù)據(jù)的解碼器（張量是線性代數(shù)中使用的數(shù)據(jù)結(jié)構(gòu)）。內(nèi)置的組合器，能夠自動(dòng)將所有輸入編碼器的張量組合在一起，對它們進(jìn)行處理，并將其返回給輸入解碼器。

Uber 表示，通過組合這些特定于數(shù)據(jù)類型的組件，用戶可以將 Ludwig 用于各種任務(wù)。比如，組合文本編碼器和類別解碼器，就可以獲得一個(gè)文本分類器。

每種數(shù)據(jù)類型有多個(gè)編碼器和解碼器。例如，文本可以用卷積神經(jīng)網(wǎng)絡(luò)（CNN），循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）或其他編碼器編碼。用戶可以直接在模型定義文件中指定要使用的參數(shù)和超參數(shù)，而無需編寫單行代碼。

Ludwig 采用的這種靈活的編碼器-解碼器架構(gòu)，即使是經(jīng)驗(yàn)較少的深度學(xué)習(xí)開發(fā)者，也能夠輕松地為不同的任務(wù)訓(xùn)練模型。比如文本分類、目標(biāo)分類、圖像字幕、序列標(biāo)簽、回歸、語言建模、機(jī)器翻譯、時(shí)間序列預(yù)測和問答等等。

此外，Ludwig 還提供了各種工具，且能夠使用開源分布式培訓(xùn)框架 Horovod。目前，Ludwig 有用于二進(jìn)制值，浮點(diǎn)數(shù)，類別，離散序列，集合，袋（bag），圖像，文本和時(shí)間序列的編碼器和解碼器，并且支持選定的預(yù)訓(xùn)練模型。未來將支持更多資料的種類。