AutoML又一利器來了！今天，谷歌宣布開源AdaNet，這是一個輕量級的基于TensorFlow的框架，可以在最少的專家干預下自動學習高質(zhì)量的模型。

今天，谷歌宣布開源AdaNet，這是一個輕量級的基于TensorFlow的框架，可以在最少的專家干預下自動學習高質(zhì)量的模型。

這個項目基于Cortes等人2017年提出的AdaNet算法，用于學習作為子網(wǎng)絡集合的神經(jīng)網(wǎng)絡的結(jié)構(gòu)。

谷歌AI負責人Jeff Dean表示，這是谷歌AutoML整體工作的一部分，并且，谷歌同時提供了AdaNet的開源版本和教程notebook。

該團隊在介紹博客中表示：“AdaNet以我們最近的強化學習和基于進化的AutoML研究為基礎，在提供學習保證的同時實現(xiàn)了快速、靈活。重要的是，AdaNet提供了一個通用框架，不僅可以學習神經(jīng)網(wǎng)絡架構(gòu)，還可以學習集成，以獲得更好的模型?！?/p>

AdaNet提供以下特征：

Estimator API，可輕松訓練、評估和服務AdaNet模型。

學習在TensorFlow中集成用戶定義的子網(wǎng)。

用于在單個 train() 調(diào)用中搜索子網(wǎng)架構(gòu)和參數(shù)的接口。

關于CPU和GPU的分布式訓練（我們正在開發(fā)TPU支持）。

一流的TensorBoard integration。

提供理論學習。

基于集成學習的自動搜索工具

集成學習（Ensemble learning）是將不同機器學習（ML）模型預測結(jié)合起來的技術，廣泛用于神經(jīng)網(wǎng)絡，以實現(xiàn)最先進的性能。得益于豐富的經(jīng)驗和理論保證，集成學習在許多Kaggle競賽中取得了成功，例如Netflix Prize。

由于訓練時間長，集成學習在實踐中使用不多，而且選擇哪個ML模型需要根據(jù)其領域?qū)I(yè)知識來。

但隨著計算能力和專用深度學習硬件（如TPU）變得更容易獲得，機器學習模型的一個趨勢是變得更大，集成（ensemble）也就變得更加重要。

現(xiàn)在，AdaNet就是這樣一個工具，可以自動搜索神經(jīng)網(wǎng)絡架構(gòu)，并學會將最好的架構(gòu)組合成一個高質(zhì)量的模型。

AdaNet易于使用，并能創(chuàng)建高質(zhì)量的模型，為ML實踐者節(jié)省了用于選擇最佳神經(jīng)網(wǎng)絡架構(gòu)的時間，實現(xiàn)了一種將學習神經(jīng)架構(gòu)作為子網(wǎng)絡集合的自適應算法。

AdaNet能夠添加不同深度和寬度的子網(wǎng)絡，以創(chuàng)建多樣化的集合，并通過參數(shù)數(shù)量來改進性能。

AdaNet自適應地產(chǎn)生了神經(jīng)網(wǎng)絡的集成。在每次迭代中，它測量每個候選對象的集成損失，并選擇最佳的一個，然后進入下一次迭代。

快速且易于使用

AdaNet實現(xiàn)了TensorFlow Estimator接口，通過封裝訓練、評估、預測和服務導出，大大簡化了機器學習編程。它集成了開源工具，如TensorFlow Hub模塊，TensorFlow Model Analysis和Google Cloud的Hyperparameter Tuner。分布式訓練支持可顯著縮短訓練時間，并可與可用的CPU和加速器（例如GPU）進行線性擴展。

AdaNet在CIFAR-100上每個訓練步驟（X軸）的精度（y軸）。藍線是訓練集上的性能，紅線是測試集上的性能。每一百萬步開始訓練一個新的子網(wǎng)絡，并最終提高整體的性能。在添加新子網(wǎng)之前，灰線和綠線是集合的準確度。

由于TensorBoard是用于在訓練期間可視化模型性鞥的最佳TensorFlow功能之一，AdaNet可與其無縫集成，以監(jiān)控子網(wǎng)絡訓練，集合組合和性能。當AdaNet完成訓練后，它會導出一個可以使用TensorFlow Serving部署的SavedModel。

學習保證

構(gòu)建神經(jīng)網(wǎng)絡集合面臨這么幾個挑戰(zhàn)：要考慮的最佳子網(wǎng)架構(gòu)是什么？再此使用相同的架構(gòu)或鼓勵多樣性是不是最佳選擇？雖然具有更多參數(shù)的復雜子網(wǎng)將在訓練集上表現(xiàn)更好，但由于其存在更強的復雜性，它們可能不會適用于未知數(shù)據(jù)。這些挑戰(zhàn)來自評估模型性能的過程。我們可以評估一個訓練集子集的性能，但這樣做會減少可用于訓練神經(jīng)網(wǎng)絡的示例數(shù)量。

相反，AdaNet的方法（在ICML 2017的“ AdaNet：人工神經(jīng)網(wǎng)絡的自適應結(jié)構(gòu)學習 ”一文中提出）是為了優(yōu)化一個對象，以平衡集合在訓練集上的表現(xiàn)與其適用于未知數(shù)據(jù)的能力之間的權(quán)衡。集合這樣選擇子網(wǎng)絡：只有當候選子網(wǎng)絡改進了總體的訓練損失，而不是影響了整體的泛化能力時，才包含這個候選子網(wǎng)絡。這保證了：

1.集合的泛化誤差受到訓練誤差和復雜性的限制。

2.通過優(yōu)化對象，我們可以直接將限制最小化。

優(yōu)化對象的一個實際好處是：它不需要保留集來選擇要添加到集合中的候選子網(wǎng)。這還將帶來另一個好處：我們可以使用更多的訓練數(shù)據(jù)來訓練子網(wǎng)。

可擴展性

我們認為，為滿足研究和生產(chǎn)制作AutoML框架的關鍵在于不僅要提供合理的默認值，還要允許用戶嘗試自己子網(wǎng)及模型的定義。因此，機器學習研究人員、從業(yè)人員和愛好者均可報名定義自己的AdaNet adanet.subnetwork.Builder，通過使用高級別的TensorFlow API，如tf.layers。

已經(jīng)在其系統(tǒng)中集成TensorFlow模型的用戶可以輕松地將他們的TensorFlow代碼轉(zhuǎn)換為AdaNet子網(wǎng)，并使用adanet.Estimator提高模型性能，同時獲得學習保證。AdaNet將探測他們定義的候選子網(wǎng)的搜索空間，并學習整合子網(wǎng)。例如，我們采用了NASNet-A CIFAR架構(gòu)的開源實現(xiàn)方式，將其轉(zhuǎn)換為子網(wǎng)，并在八次AdaNet迭代后對CIFAR-10最先進的結(jié)果進行改進。此外，我們的模型使用更少的參數(shù)實現(xiàn)了這一結(jié)果：

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。

用戶也可以通過canned或定制tf.contrib.estimator.Heads將自定義損失函數(shù)用作AdaNet對象的一部分，以便訓練回歸、分類和多任務學習問題。

用戶還可以通過擴展adanet.subnetwork.Generator類來完全定義候選子網(wǎng)絡的搜索空間。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，并讓AdaNet選擇要包含在最終集合中的子網(wǎng)絡。

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（這些子網(wǎng)絡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，并允許AdaNet學習將其組合到最佳模型中。

最終，這就是我們設計的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/adanet/blob/master/adanet/examples/tutorials/adanet_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/adanet/blob/master/adanet/examples/tutorials/customizing_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（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。