谷歌大脑提出AutoML-Zero，只会数学运算就能找到AI算法，代码已开源

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了谷歌大脑提出AutoML-Zero，只会数学运算就能找到AI算法，代码已开源，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3820字，纯文字阅读大概需要6分钟。

内容图文

https://www.qbitai.com/2020/03/12245.html

AlphaGo战胜了人类最强棋手，但前提是它先学会了人类棋谱，离不开人类指导。

接着谷歌又推出了AlphaGo Zero，只让AI知道围棋规则，从零开始学下棋，结果再次登上棋艺顶峰。

AI既然能从零学习围棋，是否可以从零开始摸索机器学习算法？当然可以，谷歌大脑团队最新的研究成果已经做到了。

谷歌将这种技术称之为AutoML-Zero，意为“从零开始的自动机器学习”，已经在GitHub开源，并在Arxiv上提交了论文。

而且这一研究还是来自谷歌大脑的Quoc V.Le大神之手。

AutoML-Zero仅使用基本数学运算为基础，从一段空程序开始，即可自动发现解决机器学习任务的计算机程序。

AutoML Zero能发现什么

AutoML是一种实现从数据集到机器学习模型的自动化方法，让你无需高深专业知识，就能自动部署ML模型。

虽说是自动，但现阶段的AutoML还要对搜索空间进行很大的限制，这使我们在使用AutoML的时候仍然需要一些专业知识去设计神经网络的层。

谷歌的目标是让AutoML可以走得更远，仅仅使用基本的数学运算作为构建块，就可以自动发现完整的机器学习算法，进一步降低机器学习的门槛。

尽管AutoML-Zero巨大的搜索空间充满挑战性，但进化搜索还是能发现具有梯度下降的线性回归算法、具有反向传播的二层神经网络。

值得注意的是，可以AutoML-Zero的进化过程也是一个不断“发明”的过程解释进化的算法，它已经找到了双线性交互、权重平均、归一化梯度、数据增强等技术，甚至在某些情况下还发现了类似Dropout的算法。

下面我们先来看看，AutoML在CIFAR-10的二元分类任务上是如何一步步进化的。它首先发现了线性回归，然后找到了损失函数、梯度下降。

随着训练的进行，出现了随机学习率、随机权重、激活函数ReLU、梯度归一化，最后得到了84.06 ± 0.10%正确率的终极算法。

只训练一个二元分类结果还不太具有说服力，作者又用3种极端情况考察了Auto ML。

首先，当样本数量很少的时候，在80个样本上运行100个epoch。AutoML竟然进化出另一种适应性算法，给输入数据加上了噪声，并开始使用Dropout来训练模型。

在快速训练的情况下，只有800个样本和10个epoch，结果导致学习率衰退反复出现，这是一个我们在快速训练训练机器学习模型中常见的策略。

至于多类别的分类问题，作者使用了CIFAR-10数据集的所有10个类。AutoML进化算法有时会使用权重矩阵的变换平均值作为学习速率。甚至作者也不知道为什么这种机制会更有利于多类任务，虽然这种结果在统计学上是显著的。

上面的所有测试整个过程中，人类没有告诉程序任何先验的机器学习知识。

演示

现在谷歌将AutoML-Zero的程序提交到GitHub，普通电脑只需5分钟就能体验一下它的实际效果。

安装好Bazel后，将代码下载到本地，运行其中的demo程序：

git?clone?https://github.com/google-research/google-research.git
cd?google-research/automl_zero
./run_demo.sh

这个脚本在10个线性任务上运行进化搜索。每次实验后，它都会评估在100个新的线性任务中发现的最佳算法。一旦算法的适应度大于0.9999，就选择该算法作为最终结果，将代码打印在屏幕上。

在普通电脑上使用CPU在5分钟内就能发现类似于梯度下降进行线性回归的程序：

 found: 
?found:?
def?Setup():
??s3?=?-0.520936
??s2?=?s2?*?s3
??s2?=?dot(v1,?v1)
??v2?=?s2?*?v1
??s2?=?s3?*?s2
??v1?=?s0?*?v2
??s2?=?s0?-?s3
??s2?=?-0.390138
??v2?=?s2?*?v0
??s1?=?dot(v1,?v0)
def?Predict():
??s2?=?-0.178737
??s1?=?dot(v1,?v0)
def?Learn():
??s1?=?s1?*?s2
??s3?=?s3?*?s2
??s2?=?s0?*?s2
??s1?=?s1?-?s2
??v2?=?s1?*?v0
??v1?=?v2?+?v1
??v2?=?s3?*?v0
??v1?=?v2?+?v1

由人工设计的ML算法是，有兴趣的话，你可以比较这两段程序的差异。

def?Setup():
??s2?=?0.001??#?Init?learning?rate.

def?Predict():??#?v0?=?features
??s1?=?dot(v0,?v1)??#?Apply?weights

def?Learn():??#?v0?=?features;?s0?=?label
??s3?=?s0?-?s1??#?Compute?error.
??s4?=?s3?*?s1??#?Apply?learning?rate.
??v2?=?v0?*?s4??#?Compute?gradient.
??v1?=?v1?+?v2??#?Update?weights.

关于作者

这篇文章的四位作者分别是：Esteban Real、Chen Liang、David R. So以及谷歌大脑的大神Quoc V.Le。

前两位都是有物理背景的博士生。Esteban Real毕业于哈佛大学，拥有物理学士学位和神经科学博士学位。他的研究方向是视网膜的神经编码。

Chen Liang毕业于北京大学物理系，之后获得了西北大学的人工智能和机器学习博士学位，现在是谷歌大脑的一名研究员，研究方向是强化学习、NLP和AutoML。

传送门

论文地址：https://arxiv.org/abs/2003.03384

GitHub地址：https://github.com/google-research/google-research/tree/master/automl_zero

内容总结

以上是互联网集市为您收集整理的谷歌大脑提出AutoML-Zero，只会数学运算就能找到AI算法，代码已开源全部内容，希望文章能够帮你解决谷歌大脑提出AutoML-Zero，只会数学运算就能找到AI算法，代码已开源所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---