Zoph等人2018年提出的NASNet-A模型的性能，以及AdaNet學習在CIFAR-10上將小型NASNet-A子網(wǎng)結(jié)合起來的性能比較。
用戶還可以通過擴展adanet.subnetwork.Generator類來完全定義候選子網(wǎng)絡(luò)的搜索空間。這允許他們根據(jù)可用硬件增大或減小搜索空間。子網(wǎng)絡(luò)的搜索空間可以很簡單，只需使用不同的隨機種子復制相同的子網(wǎng)絡(luò)配置，就能訓練具有不同超參數(shù)組合的數(shù)十個子網(wǎng)絡(luò)，并讓AdaNet選擇要包含在最終集合中的子網(wǎng)絡(luò)。

谷歌的研究團隊提供了GitHub repo和tutorial notebook，并且包含了一些使用dense layers和卷積的示例幫助大家入門。

AdaNet的數(shù)據(jù)集、工作原理和應用范圍

今天，該項目的成員也在Reddit和ycombinator上回答讀者提問，我們精選了一些回答：

1、請問你使用該算法嘗試了哪些數(shù)據(jù)集？它是否只適用于圖像分類，比如Google的AutoML產(chǎn)品？

我們在圖像識別之外的幾個大型數(shù)據(jù)集上使用了AdaNet，包括結(jié)構(gòu)化數(shù)據(jù)（參見原始論文）和一些NLP數(shù)據(jù)集。在大多數(shù)情況下，AdaNet的性能優(yōu)于獨立訓練的任何單個子網(wǎng)絡(luò)（這些子網(wǎng)絡(luò)可能使用非常復雜的架構(gòu)，如NASNet-A）。

當然，如何定義一個優(yōu)化搜索空間，并使用合理的搜索啟發(fā)方式/算法對于獲得最佳的最終模型非常重要，而且一般最佳的模型是使用強大的先驗，就像最先進的模型，并讓AdaNet學習將這些模型的不同變化結(jié)合起來。

但是，如果你希望AdaNet能夠通用于任意數(shù)據(jù)集，可以嘗試定義合理的搜索空間，比如搜索日益復雜的完全連接的神經(jīng)網(wǎng)絡(luò)，并允許AdaNet學習將其組合到最佳模型中。

最終，這就是我們設(shè)計的AdaNet具備高度靈活性的原因：我們希望任何人嘗試建立對自己的數(shù)據(jù)集有意義的子網(wǎng)絡(luò)搜索空間，以便獲得最佳性能的最終模型。

2、官方資源庫中的示例是個更好的例子，說明了AdaNet的工作原理：

https://github.com/tensorflow/ad ... net_objective.ipynb

盡管名字叫“AutoML”，但實際上似乎仍需要做很多工作才能實現(xiàn)模型的優(yōu)化。 （第二個示例在這方面的表現(xiàn)相對更好一些：
https://github.com/tensorflow/ad ... mizing_adanet.ipynb）

確實，雖然AdaNet項目目前還不包含最先進的架構(gòu)搜索策略/搜索空間，但它確實為研究人員提供了一個抽象對象（adanet.subnetwork.Generator）來實現(xiàn)神經(jīng)架構(gòu)搜索算法，同時提供了適合用戶的生產(chǎn)友好型的TF Estimator界面，讓算法開發(fā)更容易集成到生產(chǎn)過程中，而且，已經(jīng)使用TF Estimator生態(tài)系統(tǒng)的用戶也可以更快地從這些開發(fā)成果中受益。

我想指出的是，盡管AdaNet的某些方面并不那么先進，但我們已經(jīng)看到AdaNet在各種各樣的任務(wù)上取得了良好的效果。大家都來試試看吧！

當然，我們不會停下腳步！我們很高興自己也在這個領(lǐng)域工作，我們今后將繼續(xù)更新這個項目。

3、我還沒有細讀，但抱歉問一句;：AdaNet可以處理具有可變長度skip connections的塊嗎？（比如DenseNet），甚至能夠提供AmoebaNet風格的模型嗎？指導超參數(shù)/架構(gòu)選擇過程的元策略（網(wǎng)格搜索/貝葉斯等）有哪些呢？謝謝！

這是個好問題！在最簡單的情況下，AdaNet允許用戶將獨立子網(wǎng)從線性模型集成到用戶定義的DenseNet / AmoebaNet式網(wǎng)絡(luò)上。但更有趣的是在迭代之間共享信息（這些信息可以是張量輸出，或是哪些超參數(shù)表現(xiàn)最好），以便AdaNet進行神經(jīng)架構(gòu)搜索。用戶可以定義自己的adanet子網(wǎng)生成器，指定如何跨迭代過程調(diào)整訓練方式。

開箱即用的元策略其實和用戶簡單定義的啟發(fā)式算法差不多。但是，AdaNet框架足夠靈活，可以支持更智能的策略，并抽象出分布式訓練（Estimator），評估（TensorBoard）和服務(wù)（tf.SavedModel）的復雜度。

4、機器學習和深度學習取得了如此大的進步?？梢怨烙嬕幌挛倚枰嗌貱PU 和成本才能獲得一些結(jié)果嗎？我的數(shù)據(jù)訓練量大約是20M的樣本（每個樣本1K數(shù)據(jù)點）。

這取決于你搜索的子網(wǎng)數(shù)量以及每個子網(wǎng)的訓練成本。你可以使用單個DNN定義搜索空間，并為其提供一次迭代，這與固定DNN Estimator的操作相同。

比如說，假設(shè)搜索空間包含5個DNN，每個DNN完成一次迭代訓練需要的成本為X，訓練10次迭代，你的訓練成本就是X x 5 x 10 = 50X。

但是，考慮到你使用AdaNet，可以考慮整合50個DNN進行探索、訓練和選擇等流程，此外，由于AdaNet是作為TensorFlow Estimator實現(xiàn)的，如果這就是你想要的，可以很容易地增加機器數(shù)量，以加快訓練速度。

參考鏈接：
https://ai.googleblog.com/2018/1 ... t-and-flexible.html
https://www.reddit.com/r/Machine ... nsorflow_framework/

教程：
https://github.com/tensorflow/ad ... /examples/tutorials

【加入社群】
新智元 AI 技術(shù) + 產(chǎn)業(yè)社群招募中，歡迎對 AI 技術(shù) + 產(chǎn)業(yè)落地感興趣的同學，加小助手微信號：aiera2015_3入群；通過審核后我們將邀請進群，加入社群后務(wù)必修改群備注（姓名 - 公司 - 職位；專業(yè)群審核較嚴，敬請諒解）。