auto keras 예제

후드 에서 구글의 AutoML 알고리즘은 반복적이다 : 우리가 2 시간 동안 실행하면 우리가 더 나은 무언가에 낮은 바이어스 높은 분산 모델에서 진화 할 수 있는지 보자. 또한 모델을 저장할 수 없는 이유는 아직 명확하지 않습니다. autokeras를 설치하는 동안 얻은 유일한 오류 메시지는 autokeras가 numpy = 1.15.1을 설치하는 반면 단순히 numpy=1.14.5가 필요하다는 것입니다. 이렇게 하면 이 오류 메시지가 발생합니다: 텐서플로우 1.10.0에는 요구 사항 numpy=1.13.3이 있지만 호환되지 않는 numpy 1.15.1이 있습니다. 따라서, 나는 conda와 새롭고 깨끗한 환경을 설정, 모든 요구 사항을 설치하고 수동으로 numpy = 1.14.5를 설치. 이미지 분류기가 PyTorch에서만 실행되고 image_supervised.py의 소스 코드에서 텐서플로우에 대한 직접적인 참조를 찾을 수 없다는 것을 알고 있습니다. Auto-Keras는 CIFAR-10에 대해 합리적으로 잘 작동했지만, 딥 러닝, 의료 이미지 및 말라리아 탐지에 대한 이전 게시물을 사용하여 두 번째 실험을 실행했습니다. 내가 아는 한, 아니. 자동 선차를 가진 대부분의 응용 프로그램은 이미지와 텍스트에 사용됩니다.

자동 케라스의 설치는 다른 파이썬 패키지와 동일합니다. DataCamp, Coursera, Udacity 와 같은 조직으로 인해 기계 학습은 요즘 매우 드문 용어가 아닙니다. 그들의 플랫폼의 미덕으로, 거의 전제 조건없이이 분야에서 시작하는 것은 요즘 정말 쉽습니다. 그러나 자동화 된 기계 학습이라는 용어는 인기있는 데이터 과학 교육 포럼에서 요즘 많은 헤드 라인을 만들고 있습니다. 구글, H2O.ai 등과 같은 많은 조직이이 분야에서 훌륭하게 일하고 있습니다. 이것은 기계 학습에 비해 매우 일반적인 주제가 아닙니다. 기계 학습은 자동화 부분 자체를 다루기 때문입니다. 그래서 자연스럽게 먼저 마음에 안타 질문 – “기계 학습도 자동화 할 수 있습니까?” 일부 회사는 이러한 솔루션을 만들기 위해 노력하고 있습니다 – 큰 하나는 구글의 AutoML입니다. 물론, 구글의 AutoML은 독점 알고리즘 (그것은 뿐만 아니라 비싼 측면에 조금).

Auto-Keras 및 AutoML을 사용하면 비딥 러닝 전문가가 딥 러닝 또는 실제 데이터에 대한 최소한의 도메인 지식으로 자신의 모델을 학습할 수 있습니다. 자동화 된 기계 학습은 마을의 새로운 아이이며, 여기에 있습니다. 그것은 우리가 사용하기 쉽고 훌륭한 API와 더 나은 모델을 만들 수 있도록 도와줍니다. 여기서는 Keras를 사용하여 AutoML용 새로운 패키지인 자동 케라스에 대해 이야기하겠습니다. 😉 끝에 놀라움이 있습니다.

Uncategorized