域分配更高的概率以进

Jannatasha

他设法在几小时甚至几分钟内完成最优秀的人类开发人员需要数周或数月才能完成的工作。 谷歌网络 例如，GoogleNet 架构（见上文）需要多年的实验和改进。然而，AutoML 能够探索网络模型的组合空间，并能够在短时间内提出可行的解决方案。 AutoML 提出了可以简化梯度消失问题的解决方案，这对于那些从事深度学习的人来说是众所周知的。也许最令人不安的是，他的解决方案不仅能够解决难题，而且还使用了人们通常认为不太有用而拒绝的“技巧”。


AutoML 是一个对抗网络系统（生成对抗网络，这里已经介绍过）：“生成”神经网 电报资源 络提供了一个可以在特定任务中进行训练和评估的架构模型。然后，反馈用于通知生成器如何改进下一个模型。该过程会重复多次，生成新的架构，对其进行测试，并将评估结果返回给生成器。最后，生成器学会为建筑研究站点的区行改进，并为得分较低的建筑类型分配较低的分数。 为了让您了解这会导致什么样的架构，这里有一个基于预测 Penn Treebank 中下一个单词的示例。


左边是人类专家创建的神经网络，右边是 Auto ML 创建的网络。 这种方法还有助于解释为什么这些类型的架构工作得这么好。右侧的架构有很多通道，因此梯度可以向后流动，这可能有助于解释为什么 LSTM 递归网络比标准递归网络表现更好。 谷歌在其云平台上提供 Auto ML 1，具有有趣的功能，例如： 迁移学习或通过应用通过训练在数据库中学到的知识并将其转移到另一个数据库来进行泛化的能力。 自动优化，使用平台上已有的各种技术。