Day 19 : 深度学习(神经网络)自动建模术 - AutoMLs

随着 ML/DL 模型研究屡有突破，现今模型训练成果已经相当具有水准，但如果需要藉由手动选择最佳的模型确实较花时间，因此已经出现取多自动化机械学习 AutoMLs 方案，云端平台 Azure 、AWS、GCP 也提供许多 AutoMLs 服务，并主打轻松解决 ML 复杂的自动建构机械学习与预测服务。
不过对於 AutoMLs 应有个基本认知，AutoMLs 会遴选多种较通用的模型取得最佳成绩，但如果您有特别的模型需求，AutoMLs不见得可以提供最适切的效果，在自动建模的搜寻过程中，多采较泛用的模型进行选择，您可以期待得到与人类水平相近似的成绩，但要追求顶尖成果您可以接手自行尝试。
AutoMLs 中讨论自动化神经网络搜寻的子集称之为 Neural Architecture Search (NAS) ，是实现以自动化搜寻神经网路最佳解决方案的技术。
也因为 AutoMLs 的出现，追求自动的 MLOps 解决方案以因应持续训练 Continuous Training (CT) 成为可能。以下分别介绍基於云端平台的 AutoMLs 工具，以及开源的 Auto Keras。

基於云端平台的 AutoMLs 工具

采取公有云的方案最大好处是「用多少算多少」，省下大量购置/闲置/折旧成本开销，当然量一多烧钱也很可观。

Amazon SageMaker Autopilot

Amazon SageMaker Autopilot 能依据资料来自动建置、训练和调整最佳 ML 模型，仅需提供表格式资料集并选取目标直栏即可进行预测，它可以是数值 (例如：房价，称为回归)，或类别 (例如：垃圾邮件/非垃圾邮件，称为分类)。

Microsoft Azure Automated Machine Learning

Microsoft Azure Automated Machine Learning 强调以速度和规模自动构建机器学习模型，结合微软云端平台优势以文件处理的能耐，创造出不错的使用体验。

Google Cloud AutoML

Google Cloud AutoML 说明即使您对於机器学习领域并没有充足的专业知识，也能轻松训练出品质优异的自订机器学习模型，在许多解决方案中，Vertex AI 将 AutoML 和 AI Platform 整合到一个统一的 API、客户端库和用户界面中。

开源的解决方案 AutoKeras

AutoKeras：基於 Keras 的 AutoML 系统。它由德克萨斯农工大学的 DATA 实验室开发。AutoKeras 的目标是让每个人都可以使用机器学习。
AutoKeras 的社群相当活跃，您可以找到许多解决方案。
AutoKeras 目前支持的 Auto MLs 包含:
- 图像分类ImageClassifier
- 图像回归ImageRegressor
- 文本分类TextClassifier
- 文本回归TextRegressor
- 结构化资料分类StructuredDataClassifier
- 结构化资料回归StructuredDataRegressor
- 时间序列预测TimeseriesForecaster
- 多模式任务
上述官方范例文件及对应可执行的 Colab ，另外文件也指出，如果需要更加进阶、客制自动搜寻模型，可以用AutoModel以及其参数实现，欢迎您尝试。

使用介绍

以下以可以发现与一般训练流程差不多，以下以官方范例Image Classification 说明，官方 Colab 范例供参考，但提醒您会跑超过半小时，您要测试时建议减少 epochs 等参数。

安装 autokeras 模组。
```
!pip install autokeras
```

训练模型(摘述)，与 tf.keras 训练方式类似。

import autokeras as ak

# 初始化实例
clf = ak.ImageClassifier(overwrite=True, max_trials=1)

# 训练模型，会比较花时间，跑着跑着最佳模型与参数就出来了。
clf.fit(x_train, y_train, epochs=10)