性能超过人类炼丹师，AutoGluon 低调开源
|
（原标题：性能超过人类炼丹师，AutoGluon 低调开源） 自动机器学习效果能有多好？比如让 MobileNet1.0 backbone 的 YOLO3超过 ResNet-50 backbone 的 faster-rcnn 六个点？AutoGluon 的问世说明，人类炼丹师可能越来越不重要了。 近日，亚马逊正式推出了开源代码库 AutoGluon。开发者依靠仅仅几行代码，就可以编写出 AI 嵌入应用程序。 一个多月前，AutoGluon 在 GitHub 已经悄悄上线，但最近几天才正式公开发布。 开发者「Justin ho」抢先体验了一下 AutoGluon，以下是他的心得体会：
「ResNet-50 backbone + FasterRCNN 骑脸怎么输嘛。」 但，最终测试集成绩非常出人意料，AutoGluon 通过 NAS 搜索的结果直接高了六个点。
对此，李沐表示：
知乎用户 @Justin ho。 李沐在知乎上回应： AutoML 使用大概15倍于单次训练的代价，得到的结果可能比手调的要好。这个主要是对于 CV 而言，尤其是 detection 模型，预计 GluonCV 里面模型很快赢来一大波提升。 AutoGluon 取了一个巧，我们目前只支持 GluonCV 和 GluonNLP 里面的任务，和额外的 Tabular 数据（因为一个小哥之前有过经验）。所以我们可以把以前的很有经验东西放进去来减小搜参空间，从而提升速度。 当然 AutoGluon 还是早期项目，我本来想是让团队再开发一些时间再公开。还有太多有意思的应用、算法、硬件加速可以做的。非常欢迎小伙伴能一起贡献。 AutoGluon：新特性
AutoGluon 支持易使用和易扩展的 AutoML，并专注于涵盖图像、文本或表格数据的深度学习和实际应用。AutoGluon 适用于机器学习初学者和专家，能够使他们： 通过几行代码即可快速地为数据构建深度学习原型方案； 利用自动超参数微调、模型选择/架构搜索和数据处理； 无需专家知识即可自动使用深度学习 SOTA 方法； 轻松地提升现有定制模型和数据管道，或者根据用例自定义 AutoGluon。 支持功能 现在 AutoGluon 已经支持了以下一些应用： 表格预测：基于数据表中一些列的值预测其他列的值； 图像分类：识别图像中的主要对象； 对象检测：借助图像中的边界框检测多个对象； 文本分类：基于文本内容做出预测。
除了这些之外，AutoGluon 还可以进行神经架构搜索，使用起来较为简便。 怎样使用 AutoGluon 呢？官方文档中提供了示例代码，机器之心进行了节选： 示例代码 表格预测 对于用表格形式（存储为 CSV 文件等）来表示的标准数据集来说，AutoGluon 可以自动根据其他列的值来预测某一列值。只需要调用一次 fit()，就可以在标准的监督学习任务（包括分类和回归）中实现很高的准确性，而无需数据清洗、特征工程、超参数优化、模型选择等等繁琐的流程。 首先，导入 AutoGluon 中预测表格的相关 api。 import autogluon as ag from autogluon import TabularPrediction as task加载数据（这里使用官方教程提供的数据集）。 train_data = task.Dataset(file_path='https://autogluon.s3.amazonaws.com/datasets/Inc/train.csv') train_data = train_data.head(500) # subsample 500 data points for faster demo print(train_data.head())表格 train_data 中的每一行都对应单独的训练样本。在官方教程提供的数据集中，每一行对应单个人，并且表格列包含各种统计特征。 我们先来用这些特征预测一下某个人的收入是否超过5万美元，相关信息记录在该表的 class 列中。
然后进行训练： dir = 'agModels-predictClass' # specifies folder where to store trained models predictor = task.fit(train_data=train_data, label=label_column, output_directory=dir)加载测试集并测试： test_data = task.Dataset(file_path='https://autogluon.s3.amazonaws.com/datasets/Inc/test.csv') y_test = test_data[label_column] # values to predict test_data_nolab = test_data.drop(labels=[label_column],axis=1) # delete label column to prove we're not cheating print(test_data_nolab.head())图像分类 和表格预测任务类似，AutoGluon 可以自动对图像进行分类，并使用 GPU 进行训练。 首先加载图像分类 api： import autogluon as agfrom autogluon import ImageClassification as task然后只需要短短几行代码就可以构建一个图像分类器（数据集为教程自带数据集）： classifier = task.fit(dataset,epochs=10,ngpus_per_trial=1,verbose=False)打印训练结果中最好的： print('Top-1 val acc: %.3f' % classifier.results['best_reward'])对单一图像进行测试，这里的 ag.get_gpu_count() 用于检测是否有 GPU，如有则大于0。 # skip this if training FashionMNIST on CPU.if ag.get_gpu_count() > 0: image = 'data/test/BabyShirt/BabyShirt_323.jpg' ind, prob = classifier.predict(image) print('The input picture is classified as [%s], with probability %.2f.' % (dataset.init().classes[ind.asscalar()], prob.asscalar()))在测试集上测试并打印结果： test_acc = classifier.evaluate(test_dataset) print('Top-1 test acc: %.3f' % test_acc)神经架构搜索 对于 AutoML 的框架来说，神经架构搜索是很重要的一个应用。近来，流行的 NAS 方法，如 ENAS 和 ProxylessNAS 都通过构建一个超网络（supernet）并在不同的架构之间共享权重，从而加速搜索速度。
ProxylessNAS 架构。 AutoGluon 也提供了相应的功能。 以「为硬件设备搜索合适的神经网络架构」为例： 首先，导入相关 api。 import autogluon as ag import mxnet as mx import mxnet.gluon.nn as nn（编辑：52刷机网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
