一文讲解自动机器学习（AutoML）！你已经是个成熟的模型了，该学会自己训练了...

 Datawhale 

作者：瞿晓阳，AutoML书籍作者

寄语：让计算机自己去学习和训练规则，是否能达到更好的效果呢？自动机器学习就是答案，也就是所谓“AI的AI”，让AI去学习AI。

随着深度神经网络的不断发展，各种模型和新颖模块的不断发明利用，人们逐渐意识到开发一种新的神经网络结构越来越费时费力，为什么不让机器自己在不断的学习过程中创造出新的神经网络呢？

正是出于这个构思，2017年Google推出了AutoML，一个能自主设计深度神经网络的AI网络。

自此，人工智能又有了更进一步的发展，人们开始探索如何利用已有的机器学习知识和神经网络框架来让人工智能自主搭建适合业务场景的网络，人工智能的另一扇大门被打开。

深度学习vs自动化深度学习

随着深度神经网络的广泛应用和不断发展，越来越强大的网络模型被构建，从AlexNet，到VGGNet，GoogleNet以及ResNet。

虽然这些模型足够灵活，但人工神经网络结构仍然需要大量的专业知识并且需要充足的时间，而且调参对于深度模型来说也是一项非常痛苦的事情，众多的超参数和网络结构参数会产生爆炸性的组合。

是否有可能使这一过程自动化，让每一个人，甚至是不了解机器学习的人可以轻松地将机器学习应用于所面临的问题，自动化深度学习（AutoDL）就是答案。

如图1所示，是现在的深度学习方法与自动化深度学习的对比图，自动化深度学习的目标是通过超参数优化的方法让机器学会自动设计网络及调参优化。

图1：传统深度学习与AutoDL比较

什么是神经架构搜索（NAS）

神经架构搜索（NAS）是一种针对特定数据集从头开始自动设计性能良好的模型的技术，NAS技术与超参数优化所解决的问题相同：在搜索空间中找到对目标任务表现良好的网络结构。

NAS主要由三个基本问题组成，分别是搜索空间、优化方法、以及评估方法。

• 搜索空间针对目标任务定义了一组可能的神经网络结构。

• 优化方法确定如何探索搜索空间以找到好的架构。

• 评估方法评估通过优化方法考虑的每种网络结构的性能。

由于神经网络的结构和连接通常可以由可变长度的字符串指定，在实际问题中，根据特定数据集生成指定的“子网络”，通过训练得到验证集的准确性。

图