Google Cloud AI产品调研与分析

Google Cloud AI 提供最新的机器学习服务、预先训练的模型以及生成定制模型的服务。 包括三部分：

Cloud Machine Learning：主要的 Google 应用都在使用 Cloud Machine Learning，包括 Google 照片（图片搜索）、Google 应用（语音搜索）、翻译和 Inbox（智能回复）。平台现以云服务的形式提供，可为业务应用带来无与伦比的规模和速度。

AutoML：通过Google 最先进的迁移学习 (transfer learning) 和神经架构搜索技术(Neural Architecture Search technology)，AutoML可以自动构建模型。

Machine Learning API ：是 Google 已经训练好的机器学习模型，可以直接使用并通过输入 API 得到预测结果。

Google Cloud Machine Learning Engine

Google Cloud Machine Learning Engine 是一项托管的服务，可轻松构建基于任意规模的任何数据类型的机器学习模型。 可以利用强大的 TensorFlow 框架创建模型，从 Google 照片到 Google Cloud Speech 的许多 Google 产品都采用了此框架。 可以使用可扩展的托管型基础架构构建任意规模的模型。训练后的模型可立即搭配可支持数千用户和 TB 级数据的全球预测平台使用。 服务与 Google Cloud Dataflow 相集成以提供预处理功能，可以访问 Google Cloud Storage、Google BigQuery 及其他位置的数据。

特色

1.集成 搭配 Cloud Dataflow 可提供数据处理功能，搭配 Cloud Storage 可提供数据存储功能，搭配 Cloud Datalab 则可提供模型创建功能。

2.HyperTune 利用 HyperTune 来自动调节超参数，以更快的速度构建性能更好的模型，而不必浪费大量的时间以人工方式发现适合您模型的值。

3.托管的服务 专注于模型开发和预测，不必担心基础架构问题。托管服务会自动执行所有资源配置和监控工作。

4.可扩展的服务 -利用支持 CPU 和 GPU 的分布式托管型训练基础架构，构建任意数据规模或类型的模型。通过在大量节点间进行训练或并行运行多个实验，您可以加快模型开发速度。

5.笔记本开发者体验 与 Cloud Datalab 的集成，使用Jupyter 笔记本开发、创建和分析模型。

6.可移植的模型 通过开源的 TensorFlow SDK 在本地用示例数据集训练模型，并使用 Google Cloud Platform 开展大规模训练。使用 Cloud Machine Learning Engine 训练的模型可以下载到本地运行或用于移动集成。

ML Engine已有功能

1.Google Cloud Video Intelligence API，强大的视频分析 提取元数据、识别关键名词并注释视频内容，方便用户搜索和发现视频。调用简单易用的 REST API，可以搜索目录中每个视频文件的每个时刻，并找到每个关键名词出现的地方及其重要性。可以按视频、镜头或帧获取相关信息，将信号与杂讯相分离。

2.Google Cloud Vision，强大的图片分析 在一个易用的 REST API 中封装强大的机器学习模型来分析图片的内容，可快速将图片分为数千个类别（例如“帆船””埃菲尔铁塔”），检测图片内的各个物体，找到并读取图片内包含的印刷文字。

3.Google Cloud Speech，强大的语音识别 应用神经网络模型来将语音转换为文字。 能识别超过 80 种语言和语言变体，可支持全球用户群。可转录用户对麦克风口述的内容，启用语音命令控制及进行其他操作。

4.Google Natural Language API,强大的文字分析 通过易于使用的 REST API，提供强大的机器学习模型，可以解析文字的结构和意义。可提取文本文档、新闻或博文中提及的人物、地点、事件等相关信息,还可以将其用于了解社交媒体用户对您的产品的感受，或者解析呼叫中心或消息传递应用中的客户对话有何意图。

5.Google Cloud Translation API,快速的动态翻译 提供简单的编程接口，可用于将任何字符串翻译成支持的任何语言。Translation API 具有快速的响应力，因此网站和应用可以集成 Translation API，快速将源语言动态翻译为目标语言（例如法语到英语）。

AutoML

2017年5月，Google Brain的研究人员宣布创建AutoML--一种能够让AI生成AI的人工智能。” 不写代码容易做，不写代码能做出好结果难”

AutoML技术

Google Could AutoML 服务使用了三个核心技术，分别是：

神经架构搜索技术（Neural Architecture Search Technology

learning2learn

迁移学习 (transfer learning) 通过这些技术把参数以及结构的调整交给机器。运作的概念是机器利用神经架构搜索技术不断测试，找出一个好的参数＋神经网络结构的组合，AI 开发人员觉得这个组合不错，认可了之后，机器就会记住，下一次就会做得更快更精准，这就是 learning2learn；或是可以将此组合转移到另外的应用场景下使用，这就是迁移学习。

AutoML VISION

类似产品：微软的云端服务-Custom Vision 百度-AI开放平台-http://ai.baidu.com/customize/第四范式-先知 3.0

AutoML Vision-框架

提供图形化用户界面可以让你轻松地上传图像、训练和管理模型，然后直接在谷歌云平台上部署这些训练好的模型。

【自动机器学习模型构建】，把完整的机器学习工作流做成云端易用的产品，用户只需要在界面上拖拽样本数据就可以完成数据处理、特征抽取、模型训练等全流程，针对图像分类这个场景在易用性上做到了极致。

AutoML Vision-方案

两点调整 ：

重新设计了搜索空间，以便 AutoML 找到最佳层并灵活进行多次堆叠来创建最终网络。

在 CIFAR-10 上执行了架构搜索，并将学到的最好架构转移到 ImageNet 图像分类和 COCO 对象检测中。

通过这种方法，AutoML 能够找到在 CIFAR-10 以及 ImageNet 分类和 COCO 对象检测上都有优异表现的最佳层。这两个层组合形成一种新的架构，称之为“NASNet”。NASNet 的准确率比之前公布的所有结果提升了 1.2%。结合Faster-RCNN 框架，对象检测的MAP提升 4%。

AutoML Vision-特色

与 human labeling 整合

Google 提供了一个 human labelers 团队，对没有标签的图像协助检查并根据需求进行图片的分类。也可以利用 human labeling service 来标注或清除已有标签，以确保模型接受正确的训练。不论是 quality 或是 throughput，得到的 training 资料将和 Google 得到的相同，而且您不必担心资料外泄。

整合性高

Cloud AutoML 与其他 GCP 产品完美整合，可以将您的 training data 存在 Google Cloud Storage 中，在已有的 Vision API 加上参数就可以以取得您定制化模型的 prediction，或者 Cloud ML Engine 的线上预测服务。

google的三个机器学习服务对比