夏乙 发自 凹非寺
量子位 出品 | 公众号 QbitAI
让神经网络自己设计神经网络，大降机器学习门槛的Google AutoML，最近终于开始了Beta测试。
不过，很快就有同行纷纷跳出来表示不服。最新的一波来自美国德州农工大学（Texas A&M University）助理教授胡侠和他的两名博士生：金海峰、Qingquan Song。
下图从左到右，依次就是这三位：
他们不仅吐槽了Google AutoML的问题，还给出了自己的解决方案：Auto-Keras，一个基于Keras的开源自动机器学习Python软件库。
胡老师和学生们所列出的Google AutoML三大缺陷，简单来说是这样的：
第一，还得付钱。
第二，因为在云上，还得配置Docker容器和Kubernetes。
第三，服务商(Google)保证不了你数据安全和隐私。
机器学习博客Towards Data Science上的一篇文章，给了个更加直接的评价：太疯狂了！以前Google和整个AI界都更喜欢开源，喜欢和所有人分享知识，现在竟然拿这个东西来赚钱？
于是，这篇文章认定，Google AutoML会败于开源，而德州农工的Auto-Keras，将成为AutoML杀手。
Auto-Keras是一个开源、免费的工具，和Google的AutoML功能相似，也能为深度学习模型自动搜索架构和超参数，使用的方法是高效神经架构搜索（Efficient Neural Architecture Search，简称ENAS）。
其实，ENAS方法来源于Google Brain，是AutoML团队今年2月提出的。胡侠和同学们在打造Auto-Keras的时候，对ENAS做了一些改造。
原来的ENAS基于参数共享，而Auto-Keras所用的，则是基于网络态射（network morphism）。
他们为了降低ENAS的计算成本，引入神经网络核和树结构的采集函数优化算法，用贝叶斯优化来引导神经网络的网络态射。这样可以在改变神经架构的同时保持神经网络的功能，在搜索期间提高训练效率。
想尝试一下？安装也很简单：
pip install autokeras
完成。
在众多深度学习框架中，Keras是以简单好上手著称的，所以，Auto-Keras的代码也不难理解，想要在它基础上做一些个性化设置，可以自己调整参数。
用到最后，还能看到神经架构搜索得出的模型。
最后，附上一些传送门 ↓
官网：
https://autokeras.com/
GitHub：
https://github.com/jhfjhfj1/autokeras
论文：
Efficient Neural Architecture Search with Network Morphism
Haifeng Jin, Qingquan Song, Xia Hu
https://arxiv.org/abs/1806.10282
enjoy~
— 完 —
实习生招聘
量子位正在招募活动运营实习生，策划执行AI明星公司CEO、高管等参与的线上/线下活动，有机会与AI行业大牛直接交流。工作地点在北京中关村。
量子位 QbitAI · 头条号签约作者
վ’ᴗ’ ի 追踪AI技术和产品新动态