【泡泡新闻社】自己设计自己？谷歌深度学习软件之神经网络模型自我设计(内附开源实现)

选文| 李韩超 翻译| 袁梦 张一 许峰

校对| 丁建峰   编辑| 丁建峰

素材来源：inverse
泡泡机器人推广内容组编译作品

5月份，谷歌透露其AutoML 项目；人工智能（AI），旨在帮助他们创建其他AI项目。

现在，谷歌已经宣布AutoML 在由人设计系统的“游戏”中击败AI工程师，机器学习软件比由人类设计的最好的系统更加高效和强大。

一个AutoML 系统最近打破了分类图像的记录，评分达到82%。

虽然这是一个相对简单的任务，但在一个对自主机器人和增强现实不可或缺的、更复杂的任务中，也就是在图像中标记多个对象的位置的任务，AutoML击败了由人类建立的系统。对于这项任务，autonomous 得分43%，而人类建立的系统得分只有39%。

从表面上看，这听起来像是一件可能导致奇异的失控演变，但事实上，谷歌正在努力让这不可思议的机器学习力量掌握在普通人的手中。

在本质上，AutoML利用神经网络来设计其他神经网络的策略是被人熟知的；编写程序来编辑其他程序的代码仍是机器学习的范畴。让AutoML焕然一新的是能在设计神经网络的开始就介入设计过程；AutoML不只是提炼已经存在的简单的模型，而是把选择这些模型放在第一位，然后以自己方式提炼出自己的模型。从这个角度看，AutoML更像是一种全功能版的常规“ML”。

Googlenet架构:这个网络的设计从最初版本的卷积架构经过多年的仔细研究和完善。

在一篇关于该项目的博客中，谷歌首席执行官桑达尔·皮查伊表示，“我们希望AutoML能具有几个博士今天拥有的能力，并且将在三至五年内，能够根据成千上万的开发者的特别需求，为他们设计新的神经网络。”

神经网络是一种模仿人类大脑的计算机系统，通常以这样的方式阐述:

一个神经网络的实例

这并不是一个疯狂的想法。如果我们想用机器学习来解决一个问题，通常的做法是，机器学习专家要提供一个已经构建的神经网络来完成问题所需要的基本类型的计算。而另一方面，AutoML尝试了一些可能合适的算法，基本上测试完全不同的神经网络架构，然后对目标进行评分。不需要人类的监督，随着时间的推移，这个过程会找到这个问题的最佳数学方法和最佳的实现方式。最后的神经网络不必仅使用这些算法中的一种，也可以包括多个元素（如果这更有用）。

今天，设计更好的机器学习模型是很耗费时间的。这是一些工程师和科学家的辛勤努力。我们希望成千上万的开发人员能够使用机器学习。所以，一个更好的方法是让神经网络自己设计更好的神经网络。我们称这种方法为AutoML，正在学习如何学习。所以它的工作方式是我们取一组候选神经网络，可把它们想象成baby neural nets，我们用一个neural egg来迭代它们，直到我们到达best neural net。我们采用强化学习的方法，目前的结果是很有前景的。我们已经在标准任务中（比如图像识别）接近最先进的技术。每当我和团队一起思考神经网络构建他们自己的神经网络时，会让我想起电影《盗梦空间》，我告诉他们我们必须再深入研究。(此段取自Sundar Pichai在Google I/O 2017所讲)

理论上，如果只是针对现在的简单问题，AutoML方法应该能够设计更有效的神经网络，但是更有效率的AI创作对人类来说更加不可思议。下图是Google提供的AutoML的演示实例，给定一个大的图像数据库进行分类，它设计的神经网络，类似且略高于由Google的工程师设计的网络。看着AutoML设计的神经网络，令工程师们迷疑惑的是他们并不知道该网络和它们之间的区别是否是真正的改进。由于他们自己并没有提出神经网络，所以他们一开始并不完全确定。

左图，人类尝试使用最好的，最有效的神经网络来处理特定的图像数据库。右图，AutoML设计的神经网络具有Google表示的额外节点，类似于人类研究人员最近提出的改进。

尽管如此，AutoML的最大目标并不是让人们远离开发的过程，而是让AI继续革新世界。旨在降低下一代机器学习学生的入门门槛，至少是最简单和最常见的应用。

AutoML是我们在已有的正常编码中看到的极端民主化过程的开始。HTML有Dreamweaver，机器学习则可以在AutoML的模具中通过运行一整套AI-building AI达成类似的拖放方式。

所以，可以肯定的是最终AutoML可以设计出更好的AI。它可以帮助打开一个机会逐渐减少的人才行业。AutoML虽然达不到Google顶级工程师的理论和数学水平，但是普通人也无法让Google的顶级工程师为自己解决问题。通过使用AutoML，Google可以让普通人也能成为一名AI工程师。

两个开源的实现：

Code：  automl  https://github.com/automl

tpot  https://github.com/rhiever/tpot