机器学习工具箱审查的目标是根据 3 个关键因素确定加速机器学习过程的工具。

1. 入职经历

2. 增值

3. 社区支持

每一集都会评估该工具的表现,并为该工具提供一个整体评分。

什么是斧头?

Axe是一个可访问的通用平台,用于理解、管理、部署和自动化自适应实验。

基本上给定一组所有可能的解决方案,为您要解决的问题找到最佳解决方案。

Axe 是 Facebook 开源的,并于 5 月 1 日在他们的 F8 大会上发布。

入职经验

入职体验评估开发人员从产品页面开始使用产品的无缝程度。

正在下载

使用 pip3 直接下载(对不起,python 2.7 的人,但该继续前进了)

pip3 install ax-platform

经过漫长的安装后,给出了示例代码以尝试确保其正常工作

from ax import optimize
best_parameters, best_values, experiment, model = optimize(
        parameters=[
          {
            "name": "x1",
            "type": "range",
            "bounds": [-10.0, 10.0],
          },
          {
            "name": "x2",
            "type": "range",
            "bounds": [-10.0, 10.0],
          },
        ],
        # Booth function
        evaluation_function=lambda p: (p["x1"] + 2*p["x2"] - 7)**2 + (2*p["x1"] + p["x2"] - 5)**2,
        minimize=True,
    )

此示例代码想要找到可以满足等式的最小数字。实验立即执行,这需要几秒钟。然后将结果存储在 best_paramters 变量中。

{'x1': 0.7810791992092341, 'x2': 3.0911807098099935}

使用起来非常简单,并且网站上提供了教程来探索更多用例。https://ax.dev/tutorials/

安装过程中没有任何问题、入门教程和大量文档,这是一次很棒的入职体验,我给它 5/5。

增值

我们可以定义增值,因为使用这个工具可以节省多少时间。它可以用更少的代码行做更多的事情,或者摆脱手动流程。

Ax 带有许多预先构建的高级 API,这些 API 将大量密集的机器学习代码封装到一个简单的调用中。例如,为了进行超参数训练,我们将使用

def train_evaluate(parameterization):
    net = train(train_loader=train_loader, parameters=parameterization, dtype=dtype, device=device)
    return evaluate(
        net=net,
        data_loader=valid_loader,
        dtype=dtype,
        device=device,
    )

best_parameters, values, experiment, model = optimize(
    parameters=[
        {"name": "lr", "type": "range", "bounds": [1e-6, 0.4], "log_scale": True},
        {"name": "momentum", "type": "range", "bounds": [0.0, 1.0]},
    ],
    evaluation_function=train_evaluate,
    objective_name='accuracy',
)

经典方法使您必须以非常冗长的方式定义每个步骤。

Axe 还附带笔记本绘图工具,使其与 Jupyter 笔记本无缝协作。

大量的选项以及进行自适应实验的封装为该领域的任何人提供了巨大的附加值,使其成为明确的 5/5。

社区支持

社区支持可以定义为围绕使用该工具互相帮助解决问题的社区。这可以通过 Stackoverflow、GitHub 或任何其他类型的社交渠道。

好吧,既然 Axe 是新的,那么它背后就没有闲聊。 Stackoverflow 上什么都没有,Github 页面上只有少数问题。由于该工具最近发布,贡献者正在积极响应,但围绕该工具构建的社区并不多,我只能建议您使用该领域的经验丰富的开发人员,这样可以在没有支持的情况下完成很多工作。 我的 3/5 年级

整体

凭借出色的入职体验和强大的 API 所展示的巨大附加值,该工具将成为自适应实验的主要参与者。缺乏对 Axe 的支持使得初学者很难进入。希望社区围绕 Axe 发展铺平道路,使其更平易近人。 最终评分 4/5