让神经网络自己设计神经网络,大降机器学习门槛的Google AutoML,最近终于开始了Beta测试。
不过,很快就有同行纷纷跳出来表示不服。最新的一波来自美国德州农工大学(Texas A&M University)助理教授胡侠和他的两名博士生:金海峰、Qingquan Song。
下图从左到右,依次就是这三位:
他们不仅吐槽了Google AutoML的问题,还给出了自己的解决方案:Auto-Keras,一个基于Keras的开源自动机器学习Python软件库。
胡老师和学生们所列出的Google AutoML三大缺陷,简单来说是这样的:
? 第一,还得付钱。 ? 第二,因为在云上,还得配置Docker容器和Kubernetes。 ? 第三,服务商(Google)保证不了你数据安全和隐私。
机器学习博客Towards Data Science上的一篇文章,给了个更加直接的评价:太疯狂了!以前Google和整个AI界都更喜欢开源,喜欢和所有人分享知识,现在竟然拿这个东西来赚钱?
于是,这篇文章认定,Google AutoML会败于开源,而德州农工的Auto-Keras,将成为AutoML杀手。
Auto-Keras是一个开源、免费的工具,和Google的AutoML功能相似,也能为深度学习模型自动搜索架构和超参数,使用的方法是高效神经架构搜索(Efficient Neural Architecture Search,简称ENAS)。
其实,ENAS方法来源于Google Brain,是AutoML团队今年2月提出的。胡侠和同学们在打造Auto-Keras的时候,对ENAS做了一些改造。
原来的ENAS基于参数共享,而Auto-Keras所用的,则是基于网络态射(network morphism)。
他们为了降低ENAS的计算成本,引入神经网络核和树结构的采集函数优化算法,用贝叶斯优化来引导神经网络的网络态射。这样可以在改变神经架构的同时保持神经网络的功能,在搜索期间提高训练效率。
想尝试一下?安装也很简单:
pip install autokeras
完成。
在众多深度学习框架中,Keras是以简单好上手著称的,所以,Auto-Keras的代码也不难理解,想要在它基础上做一些个性化设置,可以自己调整参数。
用到最后,还能看到神经架构搜索得出的模型。
最后,附上一些传送门 ↓
官网: https://autokeras.com/
GitHub: https://github.com/jhfjhfj1/autokeras
论文:
Efficient Neural Architecture Search with Network Morphism Haifeng Jin, Qingquan Song, Xia Hu https://arxiv.org/abs/1806.10282
enjoy~
— 完 —