制造AI这件事，Google的AI 已经了打败人类

源Rankred译吴子馨

2017 年 5 月，Google Brain 团队发布了一个叫做 AutoML 的新项目。它是一个用于开发子模型架构的神经网络控制器，可以被训练以执行特定任务。简言之，它是一个能够生产 AI 的 AI 。

使用的数据集

Google 研究员用小型的学术数据集来测试了 AutoML，例如宾州树库和 CIFAR-10。多数先进的机器学习架构已经被人类开发来用于学习竞赛中更大的数据集。于是Google 研究员把 AutoML 应用到了两个最流行的学术数据集中——COCO和ImageNet。在《Learning Transferable Architectures forScalable Image Recognition》这篇论文中，我们能看到：把AutoML本身应用到这些大规模数据集中，它花费数月进行有序的训练后，已经能产生令人满意的结果。

如何运作？

AutoML 是基于强化学习算法和进化算法建立的。但是，为了应用到 ImageNet 上，研究人员对它进行了修改，使它更易于处理大型数据集。

1、重新设计了搜索空间来使它找到最好的 layer，即可以被灵活堆栈多次来创建最终的网络的那个。

2、架构搜索在 CIFAR-10 中执行，学习得最好的架构被传输到 COCO 目标识别和 ImageNet 图像架构中。

在这些改变之后，AutoML 不仅能够在 CIFAR-10 中找到最好的 layer，在 COCO 目标识别和 ImageNet 图像分类中也是。这两个 layer 被合并到一起来创建一个新的架构，叫做 NASNet。

如图所示，NASNet 架构（由 AutoML 开发）包括两个 layer——Normallayer 和Reduction layer

来源：Google Research Blog

结果

NASNet 在 ImageNet 图像分类中达到了 82.7% 的预测精度，远远高于 GoogleBrain 团队之前建立的 inception 模型。而且它的表现比之前发表及未发表的结果好 1.2%。

NASNet 可以被调整来产生一系列模型，它们可以实现相当好的准确率，同时维持较低的计算成本的。比如，一个 NASNet 的小型版本产生了 74% 的准确性（然而将计算成本减少到了一半），比好几个为移动平台设计的同等规模的高水准模型好 3%

如图所示，在 ImageNet 图像分类中，多种模型规模、涉及不同数量运算和参数（以百万计）的 NASNet 的精度比人类发明的模型高。

这张表展示了建筑搜索和其他人类开发的 ImageNet 分类模型的性能。Mult-Adds 反应了一个图像的多重累积（multiply-accumulate）操作数。

NASNet使用Faster-RCNN的目标识别

Google 研究员把从 ImageNet 中学习到的特征转移到 COCO 目标识别中。在测试中，用 FasterRCNN 框架整合 ImageNet 中学到的特征，使之前在 COCO 上的预测表现黯然失色，最大的模型达到了 43.1% mAP，比之前最先进的模型优秀约 4%。

参考：arxiv.org

供参考的 NASNet 图像分类和目标识别源代码可以在 Github 上找到

下一步？

NASNet 在 COCO 和 ImageNet 中学习到的特征可以被重新利用到数个视觉应用中。此外，这种方法可以教给我们为什么特定种类的神经网络可以表现得如此优秀。AutoML 可以为非专业人士打开机器学习的领域，还可以被用来开发复杂的、AI驱动的机器或机器人。根据这项研究，这一智能化水平的AI可以帮助视力受损的人士重获视力。

显然，这个架构可以被用到自动驾驶汽车中。你还可以想象这个系统帮助识别交通、道路危险情况和行人。它还可以被用于增强现实来使得应用程序更好地和环境交互。不过，也许这个 AI 最有趣的应用尚待发掘。

在未来，Google 研究团队将致力于这种计算机生成的架构的分析和测试来改善并且更好地理解它们。如果成功了，他们能够激发一种将会对每个人产生更大影响的全新的神经网络。

-END-

译者 吴子馨

东南大学交通工程大四在读，交通运输规划与管理准研究生。主要兴趣:交通安全，大数据。