Google оголосила про дозвіл AdaNet, інструменту для автоматичного підбору та комбінування моделей машинного навчання
Google оголосила про реліз AdaNet, інструмент для автоматичного підбору та комбінування моделей машинного навчання
Google оголосила про випуск AdaNet, інструменту для автоматичного підбору та комбінування моделей машинного навчання. AdaNet є частиною програмної бібліотеки TensorFlow. Вихідний код продукту доступний в git-репозиторії. Там же можна ознайомитися з докладним керівництвом.
Технології AdaNet
В основі фреймворку дві технології: комбіноване навчання та AutoML (Automated Machine Learning).
Принцип комбінованого навчання полягає у змішуванні різних алгоритмів для отримання кращого результату. Такий підхід розглядався раніше, але був визнаний надто ресурсомістким. Проте фахівці Google вважають, що зростання обчислювальних потужностей та удосконалення алгоритмів змінили ситуацію.
Технологія AutoML без участі людини підбирає моделі машинного навчання для вирішення конкретного завдання. У поєднанні з комбінованим навчанням цей інструмент може вибрати набір підмереж різної архітектури для отримання найкращого результату.
AdaNet при створенні комбінованої мережі самостійно контролює валідність результатів для визначення найкращої конфігурації.
Використання TensorFlow
Будучи частиною бібліотеки TensorFlow, фреймворк може звертатися до його компонентів. Розробники пропонують використовувати візуалізатор TensorBoard для наглядного контролю процесу навчання. За допомогою компонента TensorFlow Estimator можна компонувати вихідні дані. Система підтримує розподілені тренування з використанням кількох процесорів. Для тонкого налаштування процесу навчання в AdaNet реалізований TensorFlow API.
Творці фреймворку визнають, що важко заздалегідь оцінити продуктивність нейромережі, скомпонованої з підмереж з різною архітектурою. ІІ, який добре справляється з тестовими завданнями, може зазнати труднощів при роботі зі складними та незнайомими наборами даних.
Стандартний підхід полягає у використання контрольної вибірки, проте це зменшує кількість доступних навчальних наборів. Для вирішення цього завдання інженери Google розробили систему адаптивного структурного навчання. В основі підходу — баланс між продуктивністю комплексної мережі та її можливістю узагальнювати незнайому інформацію.
