作为自动化机器学习平台的其中一员，基于 MXNet 深度学习框架（支持 Pytorch）的 AWS AutoGluon 于 1 月 9 日正式发布，在这之前，AutoGluon 已经在 Github 上悄悄上线一个月了 —— 新一代人工智能实验室的科研人员，以及 AI 开发者们，均可以通过它构建包含图像、文本或表格数据集的机器学习应用程序，并且不需要进行任何手动测试。
AutoGluon 为开发人员自动化了许多决策。通常，像超参数调优这样的任务是需要手动执行的，这要求科学家预测超参数 —— 表示在构建 AI 模型时所做的选择 —— 将如何影响模型训练。另一个通常被称为神经架构搜索，这是一个需要人工监督的复杂工程，在某种程度上，开发人员必须为他们各自的模型确定最佳设计。AutoGluon 可以开箱即用地识别用于表格预测、图像和文本分类以及对象检测的模型，它还提供了一个 API，更有经验的开发人员可以利用该 API 进一步改进模型的预测性能。
开发人员无需在设计深度学习模型时手动尝试必须做出的数百种选择，只需简单地指定让训练好的模型就绪的时间即可。作为响应，AutoGluon 可以利用可用的计算资源在其分配的运行时间内找到最强大的模型。AutoGluon 可以通过自动调整默认范围内的选择来生成仅需三行代码的模型，而这些默认范围在已知范围内可以很好地完成给定任务。开发人员只需指定他们何时准备好训练后的模型，AutoGluon 就会利用可用的计算资源来在分配的 runtime 中找到最强大的模型。
同时，AutoGluon 官方网站为开发人员提供了许多工程案例教程，可利用它们对表格，文本和图像数据进行深度学习（诸如涵盖分类 / 回归等基本任务以及对象检测等更高级的任务）。无疑对本科、研究生人工智能专业建设，提供了重要的项目案例教育资源补充。
项目 GitHub 地址