AutoKeras自动化机器学习-零、前言

作者: Apache CN
机器学习

深度学习能让所有人都能接触到吗？毫无疑问，这是谷歌或亚马逊等巨头提供的云服务试图实现的目标。Google AutoML 和 Amazon ML 服务是基于云的服务，使所有技能水平的开发人员都可以轻松使用机器学习技术。AutoKeras 是免费的开源替代方案，并且，正如我们很快将看到的，是一个奇妙的框架。

当面对深度学习问题时，创建模型时架构的选择或某些参数的配置通常来自数据科学家的直觉，基于多年的研究和经验。

就我而言，作为一名没有广泛数据科学背景的软件工程师，我一直在寻找自动化这一部分的方法，使用不同的搜索算法(网格、进化或贝叶斯)来探索组成模型的不同变量。

像许多其他 Python 开发人员一样，我从 scikit-learn 的机器学习世界开始，然后跳入 TensorFlow 和 Keras 的深度学习项目，测试不同的框架，如 Hyperas 或 TPOT，以自动化模型生成，甚至开发了一个来探索我的 Keras 模型中的架构，但 AutoKeras 一经发布，我就找到了我需要的一切，从那以后我一直在使用它并为项目做出贡献。 AutoKeras 有一个庞大的社区，它每天都在增长，并由广为人知的深度学习框架 Keras 提供支持，但除了它的文档和偶尔的博客文章，迄今为止，几乎没有任何关于它的书籍——这本书试图填补这一空白。

这本书和框架都是针对广泛的 ML 专业人员的，从寻找云服务替代方案的初学者(通过定义其输入和输出将其用作黑盒)，到希望通过详细定义搜索空间参数并将生成的模型导出到 Keras 进行手动微调来实现自动化探索的经验丰富的数据科学家。如果你是第一批，也许这些术语和概念对你来说听起来很奇怪，但是不要担心，我们会在整本书中详细解释它们。

这本书是给谁的

这本书是为机器学习和深度学习爱好者准备的，他们希望将自动化 ML 技术应用到他们的项目中。为了从本书中获得最大收益，需要具备 Python 编程的基础知识。

这本书涵盖了什么

[第 1 章] B16953_01_Final_PG_ePub.xhtml##idTextAnchor014 [第 2 章] B16953_02_Final_PG_ePub.xhtml##idTextAnchor029 [第三章] B16953_03_Final_PG_ePub.xhtml##idTextAnchor051 [第 4 章] B16953_04_Final_PG_ePub.xhtml##idTextAnchor063 [第五章] B16953_05_Final_PG_ePub.xhtml##idTextAnchor077) 、使用 AutoKeras 进行文本分类和回归，重点介绍使用 AutoKeras 处理文本(单词序列 [第 6 章] B16953_06_Final_PG_ePub.xhtml##idTextAnchor096 [第 7 章] B16953_07_Final_PG_ePub.xhtml##idTextAnchor109 [第八章] B16953_08_Final_PG_ePub.xhtml##idTextAnchor117 [第 9 章] B16953_09_Final_PG_ePub.xhtml##idTextAnchor129 [第十章] B16953_10_Final_PG_ePub.xhtml##idTextAnchor140

为了充分利用这本书

如果你使用的是这本书的数字版本，我们建议你自己输入代码或者通过 GitHub 库获取代码(链接见下一节)。这样做将帮助您避免任何与复制和粘贴代码相关的潜在错误。

下载示例代码文件

你可以从 GitHub 的 https://GitHub . com/packt publishing/Automated-Machine-Learning-with-AutoKeras 下载本书的示例代码文件。如果代码有更新，它将在现有的 GitHub 库中更新。

我们在https://github.com/PacktPublishing/也有丰富的书籍和视频目录中的其他代码包。看看他们！

下载彩色图片

我们还提供了一个 PDF 文件，其中有本书中使用的截图/图表的彩色图像。可以在这里下载:https://static . packt-cdn . com/downloads/9781800567641 _ color images . pdf。

使用的惯例

本书通篇使用了许多文本约定。 Code in text:表示文本中的码字、数据库表名、文件夹名、文件名、文件扩展名、路径名、伪 URL、用户输入和 Twitter 句柄。下面是一个例子:“将下载的WebStorm-10*.dmg磁盘镜像文件挂载为系统中的另一个磁盘。”

代码块设置如下:

import autokeras as ak 
import matplotlib.pyplot as plt 
import numpy as np 
import tensorflow as tf 
from tensorflow.keras.datasets import mnist

当我们希望将您的注意力吸引到代码块的特定部分时，相关的行或项目以粗体显示:

[default]
exten => s,1,Dial(Zap/1|30)
exten => s,2,Voicemail(u100)
exten => s,102,Voicemail(b100)
exten => i,1,Voicemail(s0)

任何命令行输入或输出都按如下方式编写:

$ mkdir css
$ cd css

Bold :表示一个新术语、一个重要单词或您在屏幕上看到的单词。例如，菜单或对话框中的单词出现在文本中，如下所示。下面是一个例子:“一个训练数据集用于训练模型，一个测试数据集用于测试预测模型。”

注意 notebook 是由 Jupyter Notebook(https://Jupyter . org)生成的文件，Jupyter Notebook 是一个开源框架，用于创建和共享包含实时代码、可视化和富文本的文档。编辑和执行都在 web 浏览器中完成，添加代码片段(称为单元格)和丰富的文本，向我们清楚、直观地展示正在编程的内容。这些代码单元中的每一个都可以独立运行，使得开发具有交互性，并且避免了在出现错误时必须运行所有代码。

取得联系

我们随时欢迎读者的反馈。 总体反馈:如果您对本书的任何方面有疑问，请在邮件主题中提及书名，并发邮件至 customercare@packtpub.com 联系我们。 勘误表:虽然我们已经尽力确保内容的准确性，但错误还是会发生。如果你在这本书里发现了一个错误，请告诉我们，我们将不胜感激。请访问 www.packtpub.com/support/errata，选择您的图书，点击勘误表提交表格链接，并输入详细信息。 盗版:如果您在互联网上遇到我们作品的任何形式的非法拷贝，如果您能提供我们的地址或网站名称，我们将不胜感激。请通过 copyright@packt.com 的[联系我们，并提供材料链接。] mailto:copyright@packt.com 如果你有兴趣成为一名作家:如果有你擅长的主题，并且你有兴趣写书或投稿，请访问 authors.packtpub.com。

评论

请留下评论。一旦你阅读并使用了这本书，为什么不在你购买它的网站上留下评论呢？潜在的读者可以看到并使用您不带偏见的意见来做出购买决定，我们 Packt 可以了解您对我们产品的看法，我们的作者可以看到您对他们的书的反馈。谢谢大家！

更多关于 Packt 的信息，请访问packt.com。

文章列表

更多推荐

更多
  • AWS自动化机器学习-十一、MLSDLC 的持续集成、部署和训练 技术要求，编纂持续集成阶段，管理持续部署阶段，管理持续训练，延伸，构建集成工件，构建测试工件，构建生产工件，自动化持续集成流程，回顾构建阶段，回顾测试阶段，审查部署和维护阶段，回顾应用用户体验，创建新的鲍鱼调查数据，回顾持续训练流程，清
    Apache CN

    机器学习

  • AWS自动化机器学习-六、使用 AWS 步骤函数自动化机器学习过程 技术要求，介绍 AWS 步骤功能，使用 Step 函数 Data Science SDK for CI/CD，建立 CI/CD 渠道资源，创建状态机，解决状态机的复杂性，更新开发环境，创建管道工件库，构建管道应用构件，部署 CI/CD
    Apache CN

    机器学习

  • AWS自动化机器学习-第三部分：优化以源代码为中心的自动化机器学习方法 本节将向您介绍整体 CI/CD 流程的局限性，以及如何将 ML 从业者的角色进一步整合到管道构建流程中。本节还将介绍这种角色集成如何简化自动化过程，并通过向您介绍 AWS Step 函数向您展示一种优化的方法。本节包括以下章节:
    Apache CN

    机器学习

  • AWS自动化机器学习-一、AWS 上的自动化机器学习入门 技术要求，洗钱流程概述，洗钱过程的复杂性，端到端 ML 流程示例，AWS 如何使 ML 开发和部署过程更容易自动化，介绍 ACME 渔业物流，ML 的情况，从数据中获得洞察力，建立正确的模型，训练模型，评估训练好的模型，探索可能的后续步
    Apache CN

    机器学习

  • AWS自动化机器学习-二、使用 SageMaker 自动驾驶器自动化机器学习模型开发 技术要求，介绍 AWS AI 和 ML 前景，SageMaker 自动驾驶器概述，利用 SageMaker 自动驾驶器克服自动化挑战，使用 SageMaker SDK 自动化 ML 实验，SageMaker Studio 入门，准备实验
    Apache CN

    机器学习

  • AWS自动化机器学习-四、机器学习的持续集成和持续交（CI/CD） 四、机器学习的持续集成和持续交CI/CD技术要求，介绍 CI/CD 方法，通过 CI/CD 实现 ML 自动化，在 AWS 上创建 CI/CD 管道，介绍 CI/CD 的 CI 部分，介绍 CI/CD 的 CD 部分，结束循环，采取以部
    Apache CN

    机器学习

  • AWS自动化机器学习-九、使用 Amazon Managed Workflows 为 Apache AirFlow 构建 ML 工作流 技术要求，开发以数据为中心的工作流程，创建合成鲍鱼调查数据，执行以数据为中心的工作流程，构建和单元测试数据 ETL 工件，构建气流 DAG，清理， 在前面的年龄计算器示例中，我们了解了如何通过 ML 从业者和开发人员团队之间的跨职能
    Apache CN

    机器学习

  • AWS自动化机器学习-七、使用 AWS 步骤函数构建 ML 工作流 技术要求，构建状态机工作流，执行集成测试，监控管道进度，设置服务权限，创建 ML 工作流程， 在本章中，我们将从第六章中的 [处继续，使用 AWS 步骤函数自动化机器学习过程。您将从那一章中回忆起，我们正在努力实现的主要目标是简化
    Apache CN

    机器学习

  • AWS自动化机器学习-八、使用 Apache Airflow 实现机器学习过程的自动化 技术要求，介绍阿帕奇气流，介绍亚马逊 MWAA，利用气流处理鲍鱼数据集，配置 MWAA 系统的先决条件，配置 MWAA 环境， 当建立一个 ML 模型时，有一个所有 ML 从业者都知道的基本原则；也就是说，最大似然模型只有在数据被训练时
    Apache CN

    机器学习

  • AWS自动化机器学习-五、自动化 ML 模型的持续部署 技术要求，部署 CI/CD 管道，构建 ML 模型工件，执行自动化 ML 模型部署，整理管道结构，创建 CDK 应用，部署管道应用，查看建模文件，审查申请文件，查看模型服务文件，查看容器构建文件，提交 ML 工件，清理， 在 [第 4
    Apache CN

    机器学习

    • Apache CN

    878
    文章数
    1066
    获赞数
    1024
    粉丝数
    机器学习

    近期文章

    更多
    文章目录

      热门标签

      更多

      推荐作者

      更多