背景	AutoML 基于谷歌最新的图像识别技术神经架构搜索（ Neural Architecture Search ，NAS）。NAS 是一种算法，会根据特定数据集搜索最佳神经网络架构，以在该数据集上执行特定任务。
简介	Google在2017年5月提出 AutoML，AutoML Vision作为Google AutoML工具的第一个产品，是在2018年1月发布。 Google AutoML是Google开发的一套自动机器学习工具，旨在帮助人工智能研究者和开发者更快更轻松地构建高质量的机器学习模型。 Google的AutoML是一个自动化机器学习平台，旨在使构建机器学习模型更加容易和高效。它使用了各种技术来自动执行机器学习流程中的各个步骤，包括数据清理、特征提取、模型选择和超参数优化等。
意义	AutoML 是一套机器学习工具，可以轻松训练高性能深度网络，而无需用户掌握深度学习或 AI 知识，所有你需要的只是标记数据！使用AutoML，用户无需具备深入的机器学习技能，也可以快速构建高质量的机器学习模型。Google的AutoML使得机器学习变得更加普及和易于使用，使得更多的人能够从中受益。 AutoML工具使普通开发者也可以轻松构建高质量的机器学习模型，大大降低了AI研发的门槛。它是Google促进AI普及和广泛应用的重要举措之一。这必将产生广泛而深远的影响，我们有必要系统学习与掌握。
功能简介	Google AutoML工具在TensorFlow等框架的基础上，对机器学习开发流程进行自动化，目的是简化开发者的工作量，加速AI产品的开发与落地。 AutoML支持多种类型的机器学习问题，包括图像分类、自然语言处理、语音识别和结构化数据预测等。用户只需上传数据集，并选择一个合适的模型类型，AutoML就会自动进行数据预处理、特征工程和模型训练等操作，最终输出一个经过优化的机器学习模型。此外，AutoML还提供了一些交互式工具，如可视化界面和代码编辑器，以便用户更加方便地探索和管理他们的机器学习模型。
主要功能	AutoML Vision：用于图像分类和对象检测的工具，可以自动构建图像模型。它提供了一个简单的UI界面与API，无需手工设计模型和调参，即可快速得到高精度的图像模型。 AutoML Natural Language：用于文本分类和意图识别的工具，可以自动构建高性能的NLP模型。它可以帮助开发者轻松构建文本模型，实现各种自然语言处理任务。 AutoML Video：用于视频分类和动作识别的工具，可以自动构建高精度的视频模型。它使开发者无须手工设计模型，就能构建生产级的视频理解和检测系统。 AutoML Tables：用于结构化数据(表格数据)的机器学习工具，可以自动构建回归模型和分类模型。它使开发者能够快速利用表格数据构建预测模型，应用于各种业务场景。 AutoML Forecasting：用于时间序列预测和定量分析的工具，可以自动构建高精度的预测模型。它使开发者能够快速利用时间序列数据构建预测和定量分析系统，服务于各行业。
特点	1) 自动选择算法：能够自动选择最优的机器学习算法来解决问题。 2) 自动调参：能够自动寻找机器学习模型的最优参数，无需人工调参。 3) 易用性强：提供简单易用的界面和API，降低机器学习的入门难度。 4) 高精度：可以构建高精度和生产准备的机器学习模型。 5) 高效：大大减少机器学习模型开发周期，加速AI产品落地。
优缺点	费用高昂不灵活：AutoML价格也并不算亲民，每小时收费20美元。本地数据调用GoogleCloud云端API的返回预测结果：此外，一旦你开始训练，则无法导出模型，并且得用谷歌提供的API在云上运行你的网络，这些限制看起来都不是很方便。

AutoML官网：AutoML | Home

1、Google AutoML框架的特点

AutoML借鉴了机器学习的许多学科，主要是：

贝叶斯优化
结构化数据和大数据的回归模型
Meta 学习
转移学习
组合优化

2、Google AutoML框架的三部分构成：特征工程、模型选择、算法选择。

2.1、特征工程

特征工程在机器学习中有着举足轻重的作用。在AutoML中，自动特征工程的目的是自动地发掘并构造相关的特征，使得模型可以有最优的表现。除此之外，还包含一些特定的特征增强方法，例如特征选择、特征降维、特征生成、以及特征编码等。这些步骤目前来说都没有达到自动化的阶段。上述这些步骤也伴随着一定的参数搜索空间。第一种搜索空间是方法自带的，例如PCA自带降维参数需要调整。第二种是特征生成时会将搜索空间扩大。

2.2、模型选择

模型选择包括两个步骤：选择一个模型，设定它的参数。相应地，AutoML的目的就是自动选择出一个最合适的模型，并且能够设定好它的最优参数。

2.3、算法选择

对于算法选择，AutoML的目的是自动地选择出一个优化算法，以便能够达到效率和精度的平衡。常用的优化方法有SGD、L-BFGS、GD等。使用哪个优化算法、对应优化算法的配置，也需要一组搜索空间。

3、Google AutoML 对比 AutoKeras 框架

	AutoML	AutoKeras
家长	谷歌的TensorFlow	Keras
花费	20 dollar/h	free
开源	No	Yes
基于云	yes（训练和评价）	No
支持的模型	用于分类的卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）	用于分类的卷积神经网路（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）
*核心技术*	带梯度策略更新的强化学习	高效神经架构搜索（参见《Efficient NeuralArchitecture Search via Parameter Sharing》

AutoML的安装

pip install google-cloud-automl

AutoML的使用方法

1、使用AutoML的预训练模型进行图像分类


from google.cloud import automl_v1beta1 as automl
 
# 设置参数
project_id = 'your_project_id'
model_id = 'your_model_id'
 
# 创建AutoML客户端
client = automl.AutoMlClient()
 
# 获取模型路径
model_full_id = client.model_path(project_id, 'us-central1', model_id)
 
# 加载图像
image_path = 'path_to_image'
with open(image_path, 'rb') as f:
    content = f.read()
 
# 发送图像分类请求
response = client.predict(model_full_id, {'image': {'image_bytes': content}})
 
# 解析预测结果
result = response.payload[0].classification
print('Predicted label: {}, confidence: {}'.format(result.display_name, result.score))

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小丑西瓜9/article/detail/495489