In der Branche des maschinellen Lernens sind die Zeiten wirklich "AutoML", aber es scheint, dass Keras auch ein Framework hat, das AutoML unterstützt.

Es scheint, dass es schon lange existiert, aber es scheint, dass es kürzlich erneuert wurde.

Was ist Auto Keras?

AutoKeras ist ein AutoML-kompatibles Keras-Modul, das am DATA Lab der Texas A & M University entwickelt wurde. Ziel ist es, allen den Zugang zu maschinellem Lernen zu ermöglichen.

Bedingungen

Die Bedingungen für die Ausführung von AutoKeras sind wie folgt.

Python 3.5 und höher --TensorFlow 2.1.0 oder höher

Früher hieß es PyTorch, jetzt basiert es auf TensorFlow.

Installation

Die Installation von AutoKeras ist einfach und Sie können dies mit nur einem Pip tun.

Stichprobe

Wenn Sie versuchen, den bekannten MNIST zu implementieren, sieht der Code folgendermaßen aus:

from tensorflow.keras.datasets import mnist

import autokeras as ak

# Prepare the dataset.
(x_train, y_train), (x_test, y_test) = mnist.load_data()
print(x_train.shape)  # (60000, 28, 28)
print(y_train.shape)  # (60000,)
print(y_train[:3])  # array([7, 2, 1], dtype=uint8)

# Initialize the ImageClassifier.
clf = ak.ImageClassifier(max_trials=3)
# Search for the best model.
clf.fit(x_train, y_train, epochs=10)
# Evaluate on the testing data.
print('Accuracy: {accuracy}'.format(accuracy=clf.evaluate(x_test, y_test)))

Die Modellerstellung endet mit einer Funktion namens "ImageClassifier ()". Es ist kaum zu glauben, dass dies allein die Ebenenanpassungen und sogar die Parameter gut aussehen lässt.

Identifikationsmaschine

Die folgenden 6 Arten von integrierten Diskriminatoren sind verfügbar.

--ImageClassifier --ImageRegressor --TextClassifier --TextRegressor --StructuredDataClassifier --StructuredDataRegressor

Es ist wie [Bild, Text, strukturierte Daten] x [Klassifizierung, Regression]. Ein Universal-Identifikationsgerät (AutoModel) ist ebenfalls erhältlich.

"Max_trials" wird als Argument angegeben, und dies ist die Anzahl der Modellversuche. Je mehr Sie haben, desto mehr Muster können Sie ausprobieren, aber natürlich dauert es viel Zeit.

Funktionen & Parameter

Als Hauptfunktion bekannt

fit()
predict()
evaluate()

Ist vorbereitet. Zum Zeitpunkt von "fit ()" wird das Modell ausprobiert und das Training mit der angegebenen Anzahl von Epochen (mit EarlyStopping) wiederholt.

Wenn der Modellversuch abgeschlossen ist, wird das Ergebnis wie folgt angezeigt.

Trial complete
Trial summary
|-Trial ID: 7721ba2b2344499c8cc23920528e1976
|-Score: 0.04051450350758387
|-Best step: 0
Hyperparameters:
|-classification_head_1/dropout_rate: 0.5
|-classification_head_1/spatial_reduction_1/reduction_type: flatten
|-dense_block_1/dropout_rate: 0
|-dense_block_1/num_layers: 1
|-dense_block_1/units_0: 128
|-dense_block_1/use_batchnorm: False
|-image_block_1/augment: False
|-image_block_1/block_type: vanilla
|-image_block_1/conv_block_1/dropout_rate: 0.25
|-image_block_1/conv_block_1/filters_0_0: 32
|-image_block_1/conv_block_1/filters_0_1: 64
|-image_block_1/conv_block_1/kernel_size: 3
|-image_block_1/conv_block_1/max_pooling: True
|-image_block_1/conv_block_1/num_blocks: 1
|-image_block_1/conv_block_1/num_layers: 2
|-image_block_1/conv_block_1/separable: False
|-image_block_1/normalize: True
|-optimizer: adam

Außerdem kann das gefundene optimale Modell ausgegeben werden

export_model()

Es gibt auch eine Funktion namens. Da der Rückgabetyp tf.keras.Model ist, können Sie ihn auf verschiedene Arten verwenden.

Wenn Sie die obige Ausgabe mit export_model () erhalten und mit summary () anzeigen, ist dies wie folgt.

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         [(None, 28, 28, 1)]       0         
_________________________________________________________________
normalization (Normalization (None, 28, 28, 1)         3         
_________________________________________________________________
conv2d (Conv2D)              (None, 26, 26, 32)        320       
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 24, 24, 64)        18496     
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 12, 12, 64)        0         
_________________________________________________________________
dropout (Dropout)            (None, 12, 12, 64)        0         
_________________________________________________________________
flatten (Flatten)            (None, 9216)              0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 9216)              0         
_________________________________________________________________
dense (Dense)                (None, 10)                92170     
_________________________________________________________________
classification_head_1 (Softm (None, 10)                0         
=================================================================
Total params: 110,989
Trainable params: 110,986
Non-trainable params: 3

Auswertung

Als ich versuchte, die Genauigkeit mit nur 3 Versuchen auszugeben,

loss：0.03652096562991127
accuracy：0.9892

ist geworden.

Als ich es mit einem sehr allgemeinen Keras-Modell versuchte (ich verwies auf hier)

loss：0.03358279774157436
accuracy：0.9906

Da dies der Fall war, wurde entschieden, dass fast die gleiche Genauigkeit automatisch erzielt werden konnte.

Ich habe versucht, es mit anderen Daten (strukturierten Daten usw.) zu versuchen, aber manchmal funktionierte es nicht, weil der GPU-Speicher nicht ausreichte. .. ..

Zusammenfassung

Die Bedingungen mögen begrenzt sein, aber es ist großartig, maschinelles Lernen einfach ausprobieren zu können. Es ist jedoch sehr langsam, sodass Sie leistungsstarke Hardware benötigen.

Bonus

Es funktionierte unter CUDA 10.1, aber nicht unter 10.2.

[PYTHON] Ich habe AutoKeras ausprobiert