AutoML是指自動機器學(xué)習(xí)。它說明了如何在組織和教育水平上自動化機器學(xué)習(xí)的端到端過程。機器學(xué)習(xí)模型基本上包括以下步驟：

數(shù)據(jù)讀取和合并，使其可供使用。

數(shù)據(jù)預(yù)處理是指數(shù)據(jù)清理和數(shù)據(jù)整理。

優(yōu)化功能和模型選擇過程的位置。

將其應(yīng)用于應(yīng)用程序以預(yù)測準(zhǔn)確的值。 ?

最初，所有這些步驟都是手動完成的。但是現(xiàn)在隨著AutoML的出現(xiàn)，這些步驟可以實現(xiàn)自動化。AutoML當(dāng)前分為三類：

用于自動參數(shù)調(diào)整的AutoML（相對基本的類型）

用于非深度學(xué)習(xí)的AutoML，例如AutoSKlearn。此類型主要應(yīng)用于數(shù)據(jù)預(yù)處理，自動特征分析，自動特征檢測，自動特征選擇和自動模型選擇。

用于深度學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)的AutoML，包括NAS和ENAS以及用于框架的Auto-Keras。

為什么需要AutoML？

機器學(xué)習(xí)的需求日益增長。組織已經(jīng)在應(yīng)用程序級別采用了機器學(xué)習(xí)。仍在進(jìn)行許多改進(jìn)，并且仍然有許多公司正在努力為機器學(xué)習(xí)模型的部署提供更好的解決方案。

為了進(jìn)行部署，企業(yè)需要有一個經(jīng)驗豐富的數(shù)據(jù)科學(xué)家團(tuán)隊，他們期望高薪。即使企業(yè)確實擁有優(yōu)秀的團(tuán)隊，通常也需要更多的經(jīng)驗而不是AI知識來決定哪種模型最適合企業(yè)。機器學(xué)習(xí)在各種應(yīng)用中的成功導(dǎo)致對機器學(xué)習(xí)系統(tǒng)的需求越來越高。即使對于非專家也應(yīng)該易于使用。AutoML傾向于在ML管道中自動執(zhí)行盡可能多的步驟，并以最少的人力保持良好的模型性能。

AutoML三大優(yōu)點：

它通過自動化最重復(fù)的任務(wù)來提高效率。這使數(shù)據(jù)科學(xué)家可以將更多的時間投入到問題上，而不是模型上。

自動化的ML管道還有助于避免由手工作業(yè)引起的潛在錯誤。

AutoML是朝著機器學(xué)習(xí)民主化邁出的一大步，它使每個人都可以使用ML功能。

讓我們看看以不同的編程語言提供的一些最常見的AutoML庫：

以下是用Python實現(xiàn)

auto-sklearn

圖片

auto-sklearn是一種自動機器學(xué)習(xí)工具包，是scikit-learn估計器的直接替代品。Auto-SKLearn將機器學(xué)習(xí)用戶從算法選擇和超參數(shù)調(diào)整中解放出來。它包括功能設(shè)計方法，例如一站式，數(shù)字功能標(biāo)準(zhǔn)化和PCA。該模型使用SKLearn估計器來處理分類和回歸問題。Auto-SKLearn創(chuàng)建管道并使用貝葉斯搜索來優(yōu)化該渠道。在ML框架中，通過貝葉斯推理為超參數(shù)調(diào)整添加了兩個組件：元學(xué)習(xí)用于使用貝葉斯初始化優(yōu)化器，并在優(yōu)化過程中評估配置的自動集合構(gòu)造。

Auto-SKLearn在中小型數(shù)據(jù)集上表現(xiàn)良好，但無法生成在大型數(shù)據(jù)集中具有最先進(jìn)性能的現(xiàn)代深度學(xué)習(xí)系統(tǒng)。

例子

import?sklearn.model_selection
import?sklearn.datasets
import?sklearn.metrics

import?autosklearn.regression

def?main():
????X,?y?=?sklearn.datasets.load_boston(return_X_y=True)
????feature_types?=?(['numerical']?*?3)?+?['categorical']?+?(['numerical']?*?9)
????X_train,?X_test,?y_train,?y_test?=?
????sklearn.model_selection.train_test_split(X,?y,?random_state=1)

????automl?=?autosklearn.regression.AutoSklearnRegressor(
????time_left_for_this_task=120,
????per_run_time_limit=30,
????tmp_folder='/tmp/autosklearn_regression_example_tmp',
????output_folder='/tmp/autosklearn_regression_example_out',
????)
????automl.fit(X_train,?y_train,?dataset_name='boston',
????feat_type=feature_types)
?
????print(automl.show_models())
????predictions?=?automl.predict(X_test)
????print("R2?score:",?sklearn.metrics.r2_score(y_test,?predictions))
?
if?__name__?==?'__main__':
main()

FeatureTools

它是用于自動功能工程的python庫。

安裝

用pip安裝

python?-m?pip?install?featuretools

或通過conda上的Conda-forge頻道：

conda?install?-c?conda-forge?featuretools

附加組件

我們可以運行以下命令單獨安裝或全部安裝附件

python?-m?pip?install?featuretools[complete]

更新檢查器—接收有關(guān)FeatureTools新版本的自動通知

python?-m?pip?install?featuretools[update_checker]

TSFresh基本體-在Featuretools中使用tsfresh中的60多個基本體

python?-m?pip?install?featuretools[tsfresh]

例

import?featuretools?as?ft
es?=?ft.demo.load_mock_customer(return_entityset=True)
es.plot()

圖片

Featuretools可以為任何"目標(biāo)實體"自動創(chuàng)建一個特征表

feature_matrix,?features_defs?=?ft.dfs(entityset=es,??
?????????????????????target_entity="customers")
feature_matrix.head(5)

圖片

MLBox

MLBox是功能強大的自動化機器學(xué)習(xí)python庫。

根據(jù)官方文檔，它具有以下功能：

快速讀取和分布式數(shù)據(jù)預(yù)處理/清理/格式化

高度強大的功能選擇和泄漏檢測以及精確的超參數(shù)優(yōu)化

最新的分類和回歸預(yù)測模型（深度學(xué)習(xí)，堆疊，LightGBM等）

使用模型解釋進(jìn)行預(yù)測，MLBox已在Kaggle上進(jìn)行了測試，并顯示出良好的性能。

管道

MLBox體系結(jié)構(gòu)

MLBox主軟件包包含3個子軟件包：

預(yù)處理：讀取和預(yù)處理數(shù)據(jù)

優(yōu)化：測試或優(yōu)化各種學(xué)習(xí)者

預(yù)測：預(yù)測測試數(shù)據(jù)集上的目標(biāo)

TPOT

TPOT代表基于樹的管道優(yōu)化工具，它使用遺傳算法優(yōu)化機器學(xué)習(xí)管道.TPOT建立在scikit-learn的基礎(chǔ)上，并使用自己的回歸器和分類器方法。TPOT探索了數(shù)千種可能的管道，并找到最適合數(shù)據(jù)的管道。

TPOT通過智能地探索成千上萬的可能管道來找到最適合我們數(shù)據(jù)的管道，從而使機器學(xué)習(xí)中最繁瑣的部分自動化。

TPOT建立在scikit-learn的基礎(chǔ)上，因此它生成的所有代碼都應(yīng)該看起來很熟悉……無論如何，如果我們熟悉scikit-learn。詳細(xì)原理與案例請見（點擊查看）一文徹底搞懂自動機器學(xué)習(xí)AutoML：TPOT

TPOT仍在積極開發(fā)中。

下面是分類和回歸問題的兩個例子：

分類

這是具有手寫數(shù)字?jǐn)?shù)據(jù)集光學(xué)識別功能的示例。

from?tpot?import?TPOTClassifier
from?sklearn.datasets?import?load_digits
from?sklearn.model_selection?import?train_test_split
digits?=?load_digits()
X_train,?X_test,?y_train,?y_test?=?train_test_split(digits.data,?
????????????????????????????????????????????????????digits.target,
????????????????????????????????????????????????????train_size=0.75,?
????????????????????????????????????????????????????test_size=0.25,?
????????????????????????????????????????????????????random_state=42)
tpot?=?TPOTClassifier(generations=5,?population_size=50,
??????????????????????verbosity=2,?random_state=42)
tpot.fit(X_train,?y_train)
print(tpot.score(X_test,?y_test))
tpot.export('tpot_digits_pipeline.py')

此代碼將發(fā)現(xiàn)達(dá)到98％的測試精度的管道。應(yīng)將相應(yīng)的Python代碼導(dǎo)出到tpot_digits_pipeline.py文件，其外觀類似于以下內(nèi)容：

import?numpy?as?np
import?pandas?as?pd
from?sklearn.ensemble?import?RandomForestClassifier
from?sklearn.linear_model?import?LogisticRegression
from?sklearn.model_selection?import?train_test_split
from?sklearn.pipeline?import?make_pipeline,?make_union
from?sklearn.preprocessing?import?PolynomialFeatures
from?tpot.builtins?import?StackingEstimator
from?tpot.export_utils?import?set_param_recursive
#?NOTE:?Make?sure?that?the?outcome?column?is?labeled?'target'?in?the?data?file
tpot_data?=?pd.read_csv('PATH/TO/DATA/FILE',?sep='COLUMN_SEPARATOR',?dtype=np.float64)
features?=?tpot_data.drop('target',?axis=1)
training_features,?testing_features,?training_target,?testing_target?=?
???train_test_split(features,?tpot_data['target'],?random_state=42)
#?Average?CV?score?on?the?training?set?was:?0.9799428471757372
exported_pipeline?=?make_pipeline(
???PolynomialFeatures(degree=2,?include_bias=False,?interaction_only=False),
???StackingEstimator(estimator=LogisticRegression(C=0.1,?dual=False,?penalty="l1")),
???RandomForestClassifier(bootstrap=True,?criterion='entropy',
???????????????????????????max_features=0.35000000000000003,?
???????????????????????????min_samples_leaf=20,?min_samples_split=19,?
???????????????????????????n_estimators=100)
)
#?Fix?random?state?for?all?the?steps?in?exported?pipeline
set_param_recursive(exported_pipeline.steps,?'random_state',?42)
exported_pipeline.fit(training_features,?training_target)
results?=?exported_pipeline.predict(testing_features)

回歸

TPOT可以優(yōu)化管道以解決回歸問題。以下是使用波士頓房屋價格數(shù)據(jù)集的最小工作示例。

from?tpot?import?TPOTRegressor
from?sklearn.datasets?import?load_boston
from?sklearn.model_selection?import?train_test_split
housing?=?load_boston()
X_train,?X_test,?y_train,?y_test?=?train_test_split(
?????housing.data,?
????housing.target,
?????train_size=0.75,
?????test_size=0.25,?
?????random_state=42)
tpot?=?TPOTRegressor(generations=5,?population_size=50,
?????????????????????verbosity=2,?random_state=42)
tpot.fit(X_train,?y_train)
print(tpot.score(X_test,?y_test))
tpot.export('tpot_boston_pipeline.py')

這將導(dǎo)致流水線達(dá)到約12.77均方誤差（MSE），tpot_boston_pipeline.py中的Python代碼應(yīng)類似于：

import?numpy?as?np
import?pandas?as?pd
from?sklearn.ensemble?import?ExtraTreesRegressor
from?sklearn.model_selection?import?train_test_split
from?sklearn.pipeline?import?make_pipeline
from?sklearn.preprocessing?import?PolynomialFeatures
from?tpot.export_utils?import?set_param_recursive
#?NOTE:?Make?sure?that?the?outcome?column?is?labeled?'target'?in?the?data?file
tpot_data?=?pd.read_csv('PATH/TO/DATA/FILE',?
????????????????????????sep='COLUMN_SEPARATOR',?
????????????????????????dtype=np.float64)
features?=?tpot_data.drop('target',?axis=1)
training_features,?testing_features,?training_target,?testing_target?=?
?????train_test_split(features,?tpot_data['target'],?random_state=42)
#?Average?CV?score?on?the?training?set?was:?-10.812040755234403
exported_pipeline?=?make_pipeline(
????PolynomialFeatures(degree=2,?include_bias=False,?interaction_only=False),
????ExtraTreesRegressor(bootstrap=False,?max_features=0.5,?
??????????????????????????min_samples_leaf=2,?min_samples_split=3,?
??????????????????????????n_estimators=100)
)
#?Fix?random?state?for?all?the?steps?in?exported?pipeline
set_param_recursive(exported_pipeline.steps,?'random_state',?42)
exported_pipeline.fit(training_features,?training_target)
results?=?exported_pipeline.predict(testing_features)

Lightwood

一個基于Pytorch的框架，它將機器學(xué)習(xí)問題分解為較小的塊，可以與一個目標(biāo)無縫地粘合在一起：讓它變得如此簡單，以至于您只需要一行代碼就可以構(gòu)建預(yù)測模型。

安裝

我們可以從pip安裝Lightwood：

pip3?install?lightwood

注意：根據(jù)我們的環(huán)境，在上面的命令中我們可能必須使用pip而不是pip3。

鑒于簡單的sensor_data.csv，我們可以預(yù)測sensor3的值。

從Lightwood導(dǎo)入預(yù)測變量

from?lightwood?import?Predictor

訓(xùn)練模型。

import?panda
ssensor3_predictor?=?Predictor(output=['sensor3']
??????????????????????????????).learn(from_data=pandas.read_csv('sensor_data.csv'))

現(xiàn)在我們可以預(yù)測sensor3的值。

prediction?=?sensor3_predictor.predict(when={'sensor1':1,?'sensor2':-1})

MindsDB

MindsDB是現(xiàn)有數(shù)據(jù)庫的開源AI層，可讓您輕松使用SQL查詢來開發(fā)，訓(xùn)練和部署最新的機器學(xué)習(xí)模型。

mljar-supervised

mljar-supervised是一個自動化的機器學(xué)習(xí)Python軟件包，可用于表格數(shù)據(jù)。它旨在為數(shù)據(jù)科學(xué)家節(jié)省時間time。它抽象了預(yù)處理數(shù)據(jù)，構(gòu)建機器學(xué)習(xí)模型以及執(zhí)行超參數(shù)調(diào)整以找到最佳模型common的通用方法。這不是黑盒子，因為您可以確切地看到ML管道的構(gòu)造方式（每個ML模型都有詳細(xì)的Markdown報告）。

在mljar-supervised中，將幫助您：

解釋和理解您的數(shù)據(jù)，

嘗試許多不同的機器學(xué)習(xí)模型，

通過分析創(chuàng)建有關(guān)所有模型的詳細(xì)信息的Markdown報告，

保存，重新運行和加載分析和ML模型。

它具有三種內(nèi)置的工作模式：

解釋模式，非常適合于解釋和理解數(shù)據(jù)，其中包含許多數(shù)據(jù)解釋，例如決策樹可視化，線性模型系數(shù)顯示，排列重要性和數(shù)據(jù)的SHAP解釋，

執(zhí)行構(gòu)建用于生產(chǎn)的ML管道，

競爭模式，用于訓(xùn)練具有集成和堆疊功能的高級ML模型，目的是用于ML競賽中。

Auto-Keras

Auto-Keras是由DATA Lab開發(fā)的用于自動機器學(xué)習(xí)（AutoML）的開源軟件庫。Auto-Keras建立在深度學(xué)習(xí)框架Keras之上，提供自動搜索深度學(xué)習(xí)模型的體系結(jié)構(gòu)和超參數(shù)的功能。

Auto-Keras遵循經(jīng)典的Scikit-Learn API設(shè)計，因此易于使用。當(dāng)前版本提供了在深度學(xué)習(xí)期間自動搜索超參數(shù)的功能。

在Auto-Keras中，趨勢是通過使用自動神經(jīng)體系結(jié)構(gòu)搜索（NAS）算法來簡化ML。NAS基本上使用一組算法來自動調(diào)整模型，以取代深度學(xué)習(xí)工程師/從業(yè)人員。

神經(jīng)網(wǎng)絡(luò)智能 NNI

用于神經(jīng)體系結(jié)構(gòu)搜索和超參數(shù)調(diào)整的開源AutoML工具包。NNI提供了CommandLine Tool以及用戶友好的WebUI來管理訓(xùn)練實驗。使用可擴(kuò)展的API，您可以自定義自己的AutoML算法和培訓(xùn)服務(wù)。為了使新用戶容易使用，NNI還提供了一組內(nèi)置的最新AutoML算法，并為流行的培訓(xùn)平臺提供了開箱即用的支持。

Ludwig

路德維希（Ludwig）是一個工具箱，可讓用戶無需編寫代碼即可訓(xùn)練和測試深度學(xué)習(xí)模型。它建立在TensorFlow之上，Ludwig基于可擴(kuò)展性原則構(gòu)建，并基于數(shù)據(jù)類型抽象，可以輕松添加對新數(shù)據(jù)類型和新模型架構(gòu)的支持，可供從業(yè)人員快速培訓(xùn)和測試深度學(xué)習(xí)模型以及由研究人員獲得的強基準(zhǔn)進(jìn)行比較，并具有實驗設(shè)置，可通過執(zhí)行相同的數(shù)據(jù)處理和評估來確保可比性。

路德維希提供了一組模型體系結(jié)構(gòu)，可以將它們組合在一起以為給定用例創(chuàng)建端到端模型。舉例來說，如果深度學(xué)習(xí)圖書館提供了建造建筑物的基礎(chǔ)，路德維希提供了建造城市的建筑物，您可以在可用建筑物中進(jìn)行選擇，也可以將自己的建筑物添加到可用建筑物中。

無需編碼：不需要任何編碼技能即可訓(xùn)練模型并將其用于獲取預(yù)測。

通用性：新的基于數(shù)據(jù)類型的深度學(xué)習(xí)模型設(shè)計方法使該工具可在許多不同的用例中使用。

靈活性：經(jīng)驗豐富的用戶對模型的建立和培訓(xùn)具有廣泛的控制權(quán)，而新用戶則會發(fā)現(xiàn)它易于使用。

可擴(kuò)展性：易于添加新的模型架構(gòu)和新的特征數(shù)據(jù)類型。

可理解性：深度學(xué)習(xí)模型的內(nèi)部通常被認(rèn)為是黑匣子，但是路德維希（Ludwig）提供了標(biāo)準(zhǔn)的可視化效果來了解其性能并比較其預(yù)測。

開源：Apache License 2.0

AdaNet

AdaNet是基于TensorFlow的輕量級框架，可在最少的專家干預(yù)下自動學(xué)習(xí)高質(zhì)量的模型。AdaNet建立在AutoML最近的努力基礎(chǔ)上，以提供快速的，靈活的學(xué)習(xí)保證。重要的是，AdaNet提供了一個通用框架，不僅用于學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，而且還用于學(xué)習(xí)集成以獲得更好的模型。

AdaNet具有以下目標(biāo)：

易于使用：提供熟悉的API（例如Keras，Estimator）用于訓(xùn)練，評估和提供模型。

速度：可用計算進(jìn)行擴(kuò)展，并快速生成高質(zhì)量的模型。

靈活性：允許研究人員和從業(yè)人員將AdaNet擴(kuò)展到新穎的子網(wǎng)體系結(jié)構(gòu)，搜索空間和任務(wù)。

學(xué)習(xí)保證：優(yōu)化提供理論學(xué)習(xí)保證的目標(biāo)。

Darts

該算法基于架構(gòu)空間中的連續(xù)松弛和梯度下降。它能夠有效地設(shè)計用于圖像分類的高性能卷積體系結(jié)構(gòu)（在CIFAR-10和ImageNet上），以及用于語言建模的循環(huán)體系結(jié)構(gòu)（在Penn Treebank和WikiText-2上）。只需要一個GPU。

automl-gs

提供一個輸入的CSV文件和一個您希望預(yù)測為automl-gs的目標(biāo)字段，并獲得訓(xùn)練有素的高性能機器學(xué)習(xí)或深度學(xué)習(xí)模型以及本機Python代碼管道，使您可以將該模型集成到任何預(yù)測工作流中。沒有黑匣子：您可以確切地看到如何處理數(shù)據(jù)，如何構(gòu)建模型以及可以根據(jù)需要進(jìn)行調(diào)整。

圖片

automl-gs是一種AutoML工具，與Microsoft的NNI，Uber的Ludwig和TPOT不同，它提供了零代碼/模型定義界面，可在多個流行的ML / DL框架中以最少的Python依賴關(guān)系獲得優(yōu)化的模型和數(shù)據(jù)轉(zhuǎn)換管道。

以下是用R實現(xiàn)

AutoKeras的R接口

AutoKeras是用于自動機器學(xué)習(xí)（AutoML）的開源軟件庫。它是由德克薩斯農(nóng)工大學(xué)的DATA Lab和社區(qū)貢獻(xiàn)者開發(fā)的。AutoML的最終目標(biāo)是為數(shù)據(jù)科學(xué)或機器學(xué)習(xí)背景有限的領(lǐng)域?qū)＜姨峁┮子谠L問的深度學(xué)習(xí)工具。AutoKeras提供了自動搜索深度學(xué)習(xí)模型的體系結(jié)構(gòu)和超參數(shù)的功能。

在RStudio TensorFlow for R博客上查看AutoKeras博客文章。

以下是用Scala實現(xiàn)

TransmogrifAI

TransmogrifAI（發(fā)音為tr?ns-m?g?r?-fī）是用Scala編寫的AutoML庫，它在Apache Spark之上運行。它的開發(fā)重點是通過機器學(xué)習(xí)自動化來提高機器學(xué)習(xí)開發(fā)人員的生產(chǎn)率，以及一個用于強制執(zhí)行編譯時類型安全，模塊化和重用的API。通過自動化，它實現(xiàn)了接近手動調(diào)整模型的精度，時間減少了近100倍。

如果您需要機器學(xué)習(xí)庫來執(zhí)行以下操作，請使用TransmogrifAI：

數(shù)小時而不是數(shù)月內(nèi)即可構(gòu)建生產(chǎn)就緒的機器學(xué)習(xí)應(yīng)用程序

在沒有博士學(xué)位的情況下建立機器學(xué)習(xí)模型在機器學(xué)習(xí)中

構(gòu)建模塊化，可重用，強類型的機器學(xué)習(xí)工作流程

以下是用Java實現(xiàn)

Glaucus

Glaucus是基于數(shù)據(jù)流的機器學(xué)習(xí)套件，它結(jié)合了自動機器學(xué)習(xí)管道，簡化了機器學(xué)習(xí)算法的復(fù)雜過程，并應(yīng)用了出色的分布式數(shù)據(jù)處理引擎。對于跨領(lǐng)域的非數(shù)據(jù)科學(xué)專業(yè)人士，幫助他們以簡單的方式獲得強大的機器學(xué)習(xí)工具的好處。

用戶只需要上傳數(shù)據(jù)，簡單配置，算法選擇，并通過自動或手動參數(shù)調(diào)整來訓(xùn)練算法。該平臺還為培訓(xùn)模型提供了豐富的評估指標(biāo)，因此非專業(yè)人員可以最大限度地發(fā)揮機器學(xué)習(xí)在其領(lǐng)域中的作用。整個平臺結(jié)構(gòu)如下圖所示，主要功能是：

圖片

接收多源數(shù)據(jù)集，包括結(jié)構(gòu)化，文檔和圖像數(shù)據(jù)；

提供豐富的數(shù)學(xué)統(tǒng)計功能，圖形界面使用戶輕松掌握數(shù)據(jù)情況；

在自動模式下，我們實現(xiàn)了從預(yù)處理，特征工程到機器學(xué)習(xí)算法的全管道自動化；

在手動模式下，它極大地簡化了機器學(xué)習(xí)流程，并提供了自動數(shù)據(jù)清理，半自動特征選擇和深度學(xué)習(xí)套件。

介紹幾款其他工具

H20 AutoML

H2O AutoML界面設(shè)計為具有盡可能少的參數(shù)，因此用戶所需要做的只是指向他們的數(shù)據(jù)集，標(biāo)識響應(yīng)列，并可選地指定時間限制或訓(xùn)練的總模型數(shù)量的限制。

在R和Python API中，AutoML與其他H2O算法使用相同的數(shù)據(jù)相關(guān)參數(shù)x，y，training_frame，validation_frame。大多數(shù)時候，您需要做的就是指定數(shù)據(jù)參數(shù)。然后，您可以為max_runtime_secs和/或max_models配置值，以在運行時設(shè)置明確的時間或模型數(shù)量限制。

PocketFlow

PocketFlow是一個開源框架，用于以最少的人力來壓縮和加速深度學(xué)習(xí)模型。深度學(xué)習(xí)廣泛用于計算機視覺，語音識別和自然語言翻譯等各個領(lǐng)域。但是，深度學(xué)習(xí)模型通常在計算上很昂貴，這限制了在計算資源有限的移動設(shè)備上的進(jìn)一步應(yīng)用。

PocketFlow旨在為開發(fā)人員提供一個易于使用的工具包，以提高推理效率而幾乎不降低性能或不降低性能。開發(fā)人員只需指定所需的壓縮和/或加速比，然后PocketFlow將自動選擇適當(dāng)?shù)某瑓?shù)以生成用于部署的高效壓縮模型。

圖片

Ray

Ray提供了用于構(gòu)建分布式應(yīng)用程序的簡單通用API。

Ray與以下庫打包在一起，以加快機器學(xué)習(xí)的工作量：

Tune：可伸縮超參數(shù)調(diào)整

RLlib：可擴(kuò)展的強化學(xué)習(xí)

RaySGD：分布式培訓(xùn)包裝器

Ray Serve：可擴(kuò)展和可編程服務(wù)

SMAC3

SMAC是用于算法配置的工具，可以跨一組實例優(yōu)化任意算法的參數(shù)。這還包括ML算法的超參數(shù)優(yōu)化。主要核心包括貝葉斯優(yōu)化和積極的競速機制，可有效地確定兩種配置中哪一種的性能更好。

有關(guān)其主要思想的詳細(xì)說明，請參閱Hutter, F. and Hoos, H. H. and Leyton-Brown, K.Sequential Model-Based Optimization for General Algorithm ConfigurationIn: Proceedings of the conference on Learning and Intelligent OptimizatioN (LION 5)

SMAC v3是用Python3編寫的，并經(jīng)過了Python3.6和python3.6的持續(xù)測試。它的隨機森林用C++編寫。

結(jié)論

autoML庫非常重要，因為它們可以自動執(zhí)行重復(fù)任務(wù)，例如管道創(chuàng)建和超參數(shù)調(diào)整。它為數(shù)據(jù)科學(xué)家節(jié)省了時間，因此他們可以將更多的時間投入到業(yè)務(wù)問題上。AutoML還允許每個人代替一小部分人使用機器學(xué)習(xí)技術(shù)。數(shù)據(jù)科學(xué)家可以通過使用AutoML實施真正有效的機器學(xué)習(xí)來加速ML開發(fā)。

讓我們看看AutoML的成功將取決于組織的使用情況和需求。時間將決定命運。但是目前我可以說AutoML在機器學(xué)習(xí)領(lǐng)域中很重要。

編輯：黃飛

?