深度学习模型在很多任务上都取得了不错的效果,但参数调整,对于深度模型来说是一项非常苦难的事情,众多的超参数和网络结构参数会产生爆炸性的组合,常规的随机搜索与网格搜索效率非常低,因此最近几年神经网络的架构搜索和超参数优化成为一个研究热点。
在业内,Google 最先推出了神经网络架构搜索服务:Google 的 AutoML 是机器学习工具中新的『云计算』服务软件集。基于 Google 最先进的图像识别研究——神经网络自动架构搜索(Neural Architecture Search,NAS)。NAS 是一种在给定特定数据集中的算法,用于搜索在该数据集上完成特定任务的最优神经网络。AutoML 是一套机器学习的工具,可以让用户轻松地训练高性能的深度网络,而无需用户具备任何深度学习或人工智能方面的知识;你所需要的只是标签数据!Google 将使用 NAS 为特定的数据集和任务找到最优网络。他们已经展示了该模型如何取得远优于手工设计网络的性能。然而,该服务一方面代价高昂 —— 每小时 20 美元,另一方面对于很多科研项目而言
因此,跨象乘云™ 自动化机器学习平台(简称:KXCY-AI-AutoML),将神经网络架构搜索引擎集成到深度学习与新一代人工智能科研环境管理平台,旨在通过本地化的系统为高等院校的人工智能科研提供高效的神经网络架构优化路径。神经网络架构搜索引擎,是一个由易用深度学习库 KERAS 编写的Python 资源包。使用 ENAS —— 神经网络自动架构搜索的高效新版本。科研人员可以免费的在准备好在的数据集上做自己专属的架构搜索。
同时,如果科研人员想实现真正的自定义,甚至可以利用其中的参数。所有都来自 KERAS,所以代码都很深入浅出,能帮助开发人员快速准确地创建模型,并允许研究人员深入研究架构搜索。网络架构搜索引擎具备一个好的开源项目该有的一切:安装快速,运行简单,案例丰富,易于修改,甚至可以看到最后 NAS 找到的网络模型!