Üç satır kod otomatik olarak SOTA modellerini oluşturur! Amazon, AutoGluon'u başlattı
[Xinzhiyuan Kılavuzu] Amazon AWS'nin en son AutoGluon'u, yalnızca üç satır kod, otomatik olarak yüksek performanslı modeller oluşturur, böylece ayarlama, sinir mimarisi araması ve diğer süreçler, araştırmacıların manuel kararlar almasına gerek kalmadan otomatikleştirilebilir ve makine öğrenimi modellerinin kullanımını büyük ölçüde azaltır. . Daha fazlasını öğrenmek için sağdaki bağlantıya tıklayın!
Amazon kısa süre önce, geliştiricilerin resim, metin veya tablo şeklinde veri kümeleri içeren makine öğrenimi uygulamaları oluşturmak için kullanabilecekleri yeni bir açık kaynak kitaplığı olan Autogluon'un piyasaya sürüldüğünü duyurdu. AutoGluon ile, yalnızca birkaç satır kodla uygulamalar oluşturmak için derin öğrenmenin gücünü kullanabilirsiniz.
Amazon AWS Uygulama Bilimcisi Jonas Mueller, "AutoGluon, makine öğreniminin evrenselleşmesini teşvik ediyor ve derin öğrenmenin avantajlarını tüm geliştiricilere getiriyor," dedi.
AutoGluon: Daha az kodla daha yüksek bir SOTA performans modeli oluşturun
Derin öğrenme, makine öğreniminin bir parçasıdır. Derin öğrenme modelleri, insan beyninin yapısından ilham alır. Derin öğrenme algoritmaları, girdi verilerinin yararlı temsillerini öğrenmek için genellikle birçok katman içerir. Örneğin, görüntü tanımaya yönelik bir derin öğrenme modelinde, daha düşük katmanlar daha temel özellikleri (renk veya kenarlar) algılayabilirken, daha karmaşık özellikleri (sayılar veya nesneler gibi) tanımak için daha yüksek katmanlar kullanılabilir.
Genel olarak konuşursak, en gelişmiş performansı elde etmek için derin öğrenme modellerini kullanmak kapsamlı uzmanlık gerektirir. Şu anda, derin öğrenme uygulaması hala sınırlı sayıda uzmanla sınırlıdır. Ancak, son on yılda derin öğrenme uygulamasının zorluğunu basitleştirmek, eşiği düşürmek ve makine öğrenimini daha teknik profesyoneller, araştırmacılar için uygun hale getirmek için Çabalar şimdiden bariz sonuçlar aldı.
Örneğin, geliştiricilerin bir derin öğrenme modelini eğitmek için gereken eğimi hesaplamak için çok fazla zaman ve uzmanlık yatırması gerekiyordu. Gradyan, en etkili parametre güncellemesini tanımlayabilen ve eğitim verilerindeki örneklerin hatalarını en aza indirebilen bir vektördür. Theano gibi yazılım kitaplıkları, son derece karmaşık sinir ağlarının gradyanını otomatik olarak hesaplayabilir ve geliştiricilerin, klişe kod aracılığıyla gittikçe karmaşıklaşan sinir mimarilerini kullanmasına olanak tanır.
Keras gibi daha yeni kütüphaneler, derin öğrenmenin evrenselleştirilmesinde bir başka ilerlemeyi temsil ediyor. Geliştiricilerin girdi sayısı, derin öğrenme modelinin katman sayısı gibi parametreleri belirlemesine ve hatta yalnızca birkaç satır kodla bir ağ katmanı tanımlamasına olanak tanır, böylece mevcut kitaplıktaki büyük miktarda standart kod basitleştirilir ve kodun bu kısmı mevcut Kütüphane çok önemlidir.
Bununla birlikte, bu ilerlemelere rağmen, günümüzün derin öğrenme uzmanları ve geliştiricileri, hiperparametre ayarlama, veri ön işleme, sinirsel mimari arama ve geçiş öğrenmeyle ilgili karar verme dahil olmak üzere birçok sorunlu sorunu çözmelidir.
- Hiperparametre ayarı Bir sinir ağındaki katman sayısının nasıl seçileceğini, bu katmanların nasıl bağlanacağını (yani, ağın mimarisini) ve ağın nasıl eğitileceğini içerir.
- veri işleme, Veri sınıflandırması ve uygun şekilde biçimlendirilmiş vektörler dahil olmak üzere veri ön işleme de çok zahmetli bir süreç olabilir.
- Sinir mimarisi araması Otomasyon mimarisi mühendisliğini dahil ederek, geliştiricilerin makine öğrenimi modelleri için en iyi tasarımı bulmalarını sağlar. Tüm bu kararlar, derin öğrenmenin eşiğini yükselten önemli bir uzmanlık gerektirir.
Üç satır kod, manuel kararları otomatikleştirmek için otomatik olarak yüksek performanslı modeller oluşturur
AutoGluon, geliştiriciler için birçok kararı otomatikleştirir ve geliştiriciler yalnızca üç satır kodla yüksek performanslı sinir ağı modelleri oluşturabilir!
Geliştiricilerin bir derin öğrenme modeli tasarlarken yapılması gereken yüzlerce seçeneği manuel olarak denemelerine gerek yoktur, sadece eğitilen modelin hazır olması için gereken zamanı belirtirler. Yanıt olarak AutoGluon, tahsis edilen çalışma süresi içinde en güçlü modeli bulmak için mevcut bilgi işlem kaynaklarını kullanabilir.
AutoGluon, varsayılan aralıktaki seçimleri otomatik olarak ayarlayarak yalnızca üç satır kod içeren bir model oluşturabilir ve bu varsayılan aralıklar, bilinen bir aralıkta belirli bir görevi iyi bir şekilde gerçekleştirebilir. Geliştiricilerin yalnızca modeli eğitmeye ne zaman hazır olduklarını belirtmeleri gerekir ve AutoGluon, tahsis edilen çalışma zamanında en güçlü modeli bulmak için mevcut bilgi işlem kaynaklarını kullanır.
Mueller şunları söyledi: Derin öğrenmenin doğasında var olan opaklık nedeniyle, derin öğrenme uzmanları tarafından yapılan birçok seçim özel sezgiye dayanıyor ve çok katı bilimsel yönergelere sahip değil. AutoGluon bu sorunu çözüyor çünkü tüm seçenekler otomatik olarak varsayılan aralıkta. Ayarlandı ve varsayılan aralık, belirli görevler ve modeller için iyi performans gösteriyor. "
Resmi web sitesi kılavuzu: AutoGluon hızlı başlangıç
AutoGluon'un resmi web sitesi, geliştiricilere tablo, metin ve görüntü verilerinin derinlemesine öğrenilmesi için (sınıflandırma / gerileme gibi temel görevleri ve nesne algılama gibi daha gelişmiş görevleri kapsayan) kullanılabilecek birçok öğretici sağlar.
Deneyimli geliştiriciler için AutoGluon web sitesi, özel uygulamalarda tahmini performansı otomatik olarak iyileştirmek için AutoGluon API'nin nasıl kullanılacağına dair özel talimatlar sağlar.
Referans bağlantısı:
https://www.amazon.science/amazons-autogluon-helps-developers-get-up-and-running-with-state-of-the-art-deep-learning-models-with-just-a-few- Kod satırları?
Autogluon kısa öğretici ve resmi kurulum kılavuzu hakkında daha fazla bilgi için lütfen resmi web sitesini ziyaret edin:
https://autogluon.mxnet.io/
