字幕组双语原文： AutoML : 更有效地设计神经网络模型

英语原文： AutoML: Creating Top-Performing Neural Networks Without Defining Architectures

翻译：雷锋字幕组（ chenx2ovo ）

---

自动化机器学习，通常被称为AutoML，是自动化构建指神经网络结构。AutoML通过智能架构的操作，可以让大家更方便、更快速的进行深度学习的研究。

在本文中，我们将介绍AutoML的以下内容：

• 如何安装AutoKeras来进行神经网络架构搜索

• 在使用结构化、图像和文本数据进行回归和分类任务中，如何使用AutoKeras找到最佳的神经网络架构。

• 如何评估、预测、导出（搜索到的模型）到Keras/TensorFlow，并且查看搜索到的高性能模型的架构。

关于AutoKeras的一个简短介绍

• 通过AutoKeras这个神经架构搜索算法，我们可以找到最好的神经网络架构，比如层中神经元的数量，架构的层数，加入哪些层，层的特定参数，比如Dropout中的滤波器大小或掉落神经元的百分比等等。当搜索完成后，你可以将模型作为常规的TensorFlow/Keras模型使用。

• 通过使用AutoKeras，你可以建立一个具有复杂组件的模型，比如嵌入和空间缩减，这些对于那些还在学习深度学习的人来说是不太容易理解的。

• 当AutoKeras创建模型时，会进行大量预处理操作，如矢量化或清理文本数据等等，都会自动完成并优化。

• 启动和训练搜索只需要两行代码。AutoKeras拥有一个类似Keras的界面，所以它非常易于使用。

是不是很激动，让我们正式开始叭！

安装

在安装前，请先确保你安装了以下包：

• Python 3 (AutoKeras不能在Python 2上运行)  
  

• TensorFlow ≥ 2.3.0 (AutoKeras基于TensorFlow构建

在命令行中，运行下列两个命令。这样就能正确安装AutoKeras。注意，不能在Kaggle笔记本中运行，最好在本地环境中运行。

作为测试，在编码环境中运行import autokeras以确保一切正常。 

结构化数据的分类/回归任务

我们从著名的iris数据集开始，该数据集可以从sklearn的几个简单的示例数据集中导入。导入的数据是一个字典，有两个键值对组成，"data "和 "target"。

然而，由于target是分类标签（三个类别），我们需要对它进行虚拟编码。由于结果是一个pandas DataFrame，并且需要一个NumPy数组，我们在pd.get_dummies之后调用.values（独热编码）。

 调用X.shape得到(150，4)，调用y.shape得到(150，3)。这是说明X中包含了150行4列，y中有3个不同的类别（因此有3列）。为了评估我们的模型，我们将把数据分成训练集和测试集。

 查看数组的尺寸是一个很好的做法：

• X_train: (105, 4)

• X_test: (45, 4)

• y_train: (105, 3)

• y_test: (45, 3)

太好了！一切都很顺利。我们可以开始使用Autokeras了。

导入Autokeras通常没有问题。StructuredDataClassifier是一个在 "结构化数据 "，或者说是带有列和标签的标准二维数据上工作的搜索对象。max_trials参数表示要测试的模型的最大数量；在iris数据集上，由于数据集规模较小，这个参数可以设置较高一些。通常在达到max_trials之前搜索就会结束（它作为一个上限）。

对于回归问题，使用StructuredDataRegressor。

我们可以通过调用.fit()来启动搜索过程。verbose是一个参数，可以设置为0或1，这取决于你是否希望模型输出训练相关信息，比如潜在网络的架构和每个epoch的搜索情况。然而，每个潜在架构都有数百个epoch，所以开启这一项可能会占用空间并减慢训练速度。

建议设置verbose=1，来显示整个训练的过程。因为整个搜索过程至少会持续几分钟才能完成。如下面示例的输出：

如果你愿意的话，可以观察搜索到架构随着时间的推移而不断变化，以及哪些元素会进入最终的神经网络。这一过程很有意思。

在我的本地环境中，在没有GPU加速的情况下，总共花了1小时左右才跑完15次试验。

一旦你的模型被拟合，我们就可以评估它的性能或进行预测。一般来说，这一过程速度较快，所以verbose可以设置为0。

为了查看模型结构的更多细节并保存它，我们需要使用model = search.export_model()对其进行导出。这里的model是一个标准的TensorFlow/Keras模型，而不是AutoKeras对象。

调用model.summary()可以打印出搜索到的最佳架构。

保存模型权重，使用model.save(‘filepath/weights.h5’).

图像分类/回归

图像分类和回归的工作原理很像标准结构化数据的分类和回归，但他们所使用的神经网络的建立使用了卷积神经网络的元素，比如卷积层、最大池化和扁平化。其中所有的参数都是可学习的。

例如，我们在MNIST数据集上实验，从28乘28的图像中找到一个卷积神经网络来识别数字。Keras数据集提供了一种方便的方法来检索这些数据，但需要将y变量转换为虚变量。

我们看一下这些数据的尺寸：

• X_train: (60000, 28, 28)

• X_test: (10000, 28, 28)

• y_train: (60000, 10)

• y_test: (10000, 10)

很强！AutoKeras还可以处理四维数据（多通道的彩色图像）。我们可以用ImageClassifier创建一个搜索对象（或者创建ImageRegressor用于回归任务）。

*如果您正在运行多个搜索，请在定义搜索对象时添加一个参数overwrite=True (ak.object(overwrite=True, max_trials=x))。否则会出现错误。

评估、预测和导出模型的过程与结构化分类器和回归器一样。需要注意的是，对图像数据进行神经架构搜索会花费更长的时间。

文本分类/回归

AutoKeras不需要任何文本矢量化操作，这很方便，因为当前有很多方法可以完成这一操作，而且每一种方法的实现都很漫长。在AutoKeras中这一操作这是由模型学习的。

我们使用20个新闻组数据集，它由属于20个不同类别的若干新闻摘录组成。为了节省时间和计算开销，我们只选择导入其中的四个类别，并且调大了测试集划分规模（整个数据集的一半）。

X_train和X_test分别是由1128个原始文本字符串组成的数组，y_train和y_test分别是形状(1128, 4)的数组。

请注意，AutoKeras可以处理可变长度的字符串！输入的每个字符串不需要长度相同。

接下来，让我们建立我们的文本分类器/回归器。

*如果您正在运行多个搜索，请在定义搜索对象时添加一个参数overwrite=True (ak.object(overwrite=True, max_trials=x))。否则会出现错误。

评估、预测和导出与结构化分类器和回归器一样进行。

值得一看的是提出的网络。NLP和深度学习之间的融合可以说是非常先进，像嵌入、空间还原等复杂的元素不需要明确调用就可以实现，这很神奇。

有了AutoKeras，深度学习更容易被所有人使用!

---

雷锋字幕组是一个由 AI 爱好者组成的翻译团队，汇聚五百多位志愿者的力量，分享最新的海外AI资讯，交流关于人工智能技术领域的行业变革与技术创新的见解。

团队成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生；志愿者们来自IBM、AVL、Adobe、阿里、百度等知名企业，北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所。

如果，你也是位热爱分享的AI爱好者。欢迎与雷锋字幕组一起，学习新知，分享成长。

雷锋网 (公众号：雷锋网) 雷锋网

雷锋网版权文章，未经授权禁止转载。详情见。