亚马逊创建新工具，仅需几行代码即可工程化 AI 模型

随着使机器学习更容易、更便捷的努力增加，不同的公司正在创建工具来简化深度学习模型的创建和优化。正如 VentureBeat 报道，亚马逊推出了一个新工具，旨在帮助仅需几行代码即可创建和修改机器学习模型。

在数据集上执行机器学习通常是一个长期、复杂的任务。数据必须转换和预处理，然后创建和定制适当的模型。调整模型的超参数并重新训练可能需要很长时间，为了解决这些问题，亚马逊推出了 AutoGluon。AutoGluon 是尝试自动化机器学习系统创建过程中通常伴随的许多开销。例如，不仅机器学习工程师必须决定适当的架构，他们还需要尝试模型的超参数。AutoGluon 旨在使神经网络架构的创建和适当超参数的选择更加容易。

AutoGluon 基于微软和亚马逊于 2017 年开始的工作。最初的 Gluon 是一个机器学习接口，允许开发人员混合和匹配优化组件来创建自己的模型，但 AutoGluon 只创建一个端到端的模型，基于用户的需求。据报道，AutoGluon 能够在几行代码内产生一个模型，并在指定的选择范围内选择模型的超参数。开发人员只需要提供几个参数，如他们想要的训练完成时间，AutoGluon 将计算出在指定的运行时和可用的计算资源内完成的最佳模型。

AutoGluon 目前能够创建图像分类、文本分类、对象检测和表格预测模型。AutoGluon 的 API 也旨在允许更有经验的开发人员能够自定义自动生成的模型并提高性能。目前，AutoGluon 只适用于 Linux，并需要 Python 3.6 或 3.7。

AutoGluon 开发团队成员 Jonas Mueller 解释了创建 AutoGluon 的理由：

“我们开发 AutoGluon 是为了真正民主化机器学习，并使深度学习的力量对所有开发人员开放。AutoGluon 解决了这个问题，因为所有选择都在默认范围内自动调整，这些范围已知对特定任务和模型表现良好。”

AutoGluon 是一系列旨在减少训练机器学习模型所需的专业知识和时间的方法之一。像 Theano 这样的软件库自动计算了梯度向量，而 Keras 允许开发人员轻松指定某些所需的超参数。亚马逊认为，还有更多的工作需要完成，以民主化机器学习，例如使数据预处理和超参数调整更简单。

AutoGluon 的创建似乎是亚马逊使训练和部署机器学习系统更容易、更便捷的努力的一部分。亚马逊还对其 AWS 套件进行了以机器学习为中心的更改。例如，已对 AWS SageMaker 工具包进行了升级。AWS SageMaker 工具包在 AWS 套件中允许开发人员将模型训练和部署到云端。SageMaker 附带了一系列工具，允许开发人员自动选择算法、训练和验证模型以及提高模型的准确性。