当前三大自动化深度学习平台简介光环大数据培训.pdfVIP

光环大数据--大数据培训人工智能培训 当前三大自动化深度学习平台简介_光环大数据培训 深度学习技术往往比较复杂，从头开发的难度较大，但现在有一些公司提供 了能帮助开发者轻松使用深度学习的自动化深度学习(ADL)平台，比如微软的 CustomVision.AI、谷歌的 Cloud AutoML、OneClick.AI。Data Science Central 近日发文对这三个平台进行了比较和盘点，机器之心对该文做了编译介绍。 阻碍我们使用深度学习方法的原因有很多，其中最主要的是深度学习方法很 复杂和困难。 数据科学领域有一部分研究者和开发者已经选择学习这些新技术了，但在预 测性和规范性建模的问题类型和技术方面(我们 90% 的工作就是这些)，学习深 度学习技术却与我们的大部分工作方向背道而驰。 至少在图像、视频、文本和语音识别与处理领域，人工智能(AI)已经成为了 每个人的口头禅，但寻找有资格执行你的项目的数据科学家仍然很困难。 实际上我列举的图像、视频、文本和语音应用只是深度学习应用的一小部分。 尽管这些是最为人所知且可能是最明显的应用，但深度神经网络(DNN)也能出色 地预测时序数据以及解决复杂的传统的消费倾向问题。 去年 12 月份我在写数据科学 2018 年预测时，我注意到 Gartner 说在 2018 年 DNN 会成为 80% 数据科学家的标准工具组件。我的预测是：尽管能实 现这种简洁性的第一家提供商肯定会获得丰厚的回报，但绝不可能是在 2018 年。 看来我预测错了。 2018 年才刚过去 4 个月，我就看到了三种旨在简化深度学习以让任何人 光环大数据 光环大数据--大数据培训人工智能培训 (至少是任何数据科学家)都能使用该技术的不同平台。 最低要求 所有的主要公司和几家小公司都为执行 CNN 或 RNN/LSTM 提供了极大简化 的工具，但这仍然需要实验性地人工调整层的类型和数量、连接方式、节点和其 它超参数(这些设置往往会影响最初的成功)。 我们希望有真正一键式的应用，让一般的数据科学家或甚至开发者都能成功 构建图像或文本分类器。 实现这一目标的最快方法是通过迁移学习。在深度学习领域，迁移学习是指 将之前成功构建的大型的、复杂的 CNN 或 RNN/LSTM 模型在新的更有限的数据 集上进行训练。 基本上而言，常用于图像分类的迁移学习会将更复杂的模型归纳为更少或之 前训练过的类别。迁移学习不能创造原模型中没有的分类，但它可以学习创造子 集或汇总类别。 其优势在于常常会执行超参数调节，这样你就知道模型将会训练。更重要的 是，你只需不到 1 个小时时间，仅用几百张有标注图像就能构建一个成功的迁 移模型。 但是，自动化深度学习的真正目标是完全自动化的超参数调节，而不是迁移 学习。你在下面会读到，有的努力还在进行中，而有的则宣称已经实现了这一目 标。 微软 CustomVision.AI 光环大数据 光环大数据--大数据培训人工智能培训 链接：https://www.customvision.ai 2017 年底，微软在 Microsoft Cognitive Services(微软认知服务)的旗帜 下推出了一系列极大简化后的深度学习功能，涵盖图像、视频、文本和语音等各 个领域。今年 1 月，他们又推出了完全自动化的平台 Microsoft Custom Vision Services(微软定制视觉服务)。 这个平台只是图像分类器，并且还向用户承诺只需少量图像就能使用微软的 巨大的已有大型、复杂、多图像分类器库创建稳健的 CNN 迁移模型。 使用这个平台非常简单。只需将你的图像拖放到这个平台上然后继续即可。 你需要一个即付即用的 Azure 帐户，基本的技术支持是每个月 29 美元。模型 训练的时间不是明确的，但因为是迁移学习，所以应该会很快，因此也不会太贵 (但也不是免费的)。 在项目设置过程中，你会被要