Написать пост

Google выпустила фреймворк AdaNet для подбора и комбинирования алгоритмов машинного обучения

Аватар Сергей Штукатуров

Фреймворк интегрирован в библиотеку TensorFlow. AdaNet автоматически проектирует структуру нейронной сети, подбирая подходящие подсети.

Обложка поста Google выпустила фреймворк AdaNet для подбора и комбинирования алгоритмов машинного обучения

Google объявила о релизе AdaNet, инструмента для автоматического подбора и комбинирования моделей машинного обучения. AdaNet является частью программной библиотеки TensorFlow. Исходный код продукта доступен в git-репозитории. Там же можно ознакомиться с подробным руководством.

Технологии AdaNet

В основе фреймворка две технологии: комбинированное обучение и AutoML (Automated Machine Learning).

Принцип комбинированного обучения состоит в смешении различных алгоритмов для получения лучшего результата. Такой подход рассматривался ранее, но был признан слишком ресурсоёмким. Однако специалисты Google считают, что рост вычислительных мощностей и усовершенствование алгоритмов изменили ситуацию.

Технология AutoML без участия человека подбирает модели машинного обучения для решения конкретной задачи. В сочетании с комбинированным обучением этот инструмент может выбрать набор подсетей разной архитектуры для получения наилучшего результата.

AdaNet при создании комбинированной сети самостоятельно контролирует валидность результатов для определения наилучшей конфигурации.

Использование TensorFlow

Будучи частью библиотеки TensorFlow, фреймворк может обращаться к его компонентам. Разработчики предлагают использовать для наглядного контроля процесса обучения визуализатор TensorBoard. С помощью компонента TensorFlow Estimator можно компоновать исходящие данные. Система поддерживает распределённые тренировки с использованием нескольких процессоров. Для тонкой настройки процесса обучения в AdaNet реализован TensorFlow API.

Создатели фреймворка признают, что трудно заранее оценить производительность нейросети, скомпонованной из подсетей с различной архитектурой. ИИ, хорошо справляющийся с тестовыми заданиями, может испытать затруднения при работе со сложными и незнакомыми наборами данных.

Стандартный подход состоит в использовании контрольной выборки, однако это уменьшает количество доступных обучающих наборов. Для решения этой задачи инженеры Google разработали систему адаптивного структурного обучения. В основе подхода — баланс между производительностью комплексной сети и её возможностью обобщать незнакомую информацию.

Google возлагает большие надежды на TensorFlow, регулярно совершенствуя ядро и выпуская новые компоненты. В октябре 2018 года Google опубликовала проект ActiveQA, изучающий усиление обучения для тренировки ИИ-агентов с помощью этой платформы.

Следите за новыми постами
Следите за новыми постами по любимым темам
981 открытий981 показов