调参工要凉？微软重磅开源AutoML工具包NNI
更多干货内容请关注微信公众号“AI 前线”（ID：ai-front）
近年来，“AutoML（自动学习）”已经成为了一个研究热点。通过自动化的方式，机器试图学习到最优的学习策略，从而避免机器学习从业者低效的手动调整。经典的 AutoML 方法包括用于超参数调节的贝叶斯优化（Bayesian Optimization），以及用于优化器和网络结构调整的元学习技术（Meta learning/Learning-to-Learn）。除了在学术界引起了广泛研究兴趣，AutoML 在工业界也已经得到了实际应用，例如此前提到的微软 Azure 提供的自定义影像（Custom Vision）服务，它能够方便云计算用户自动训练用于计算机视觉的机器学习模型。
AutoML 让用户在没有专业知识的情况下使用机器学习的门槛大大地降低，甚至可谓是零门槛。在没有机器学习专家指导的情况下，用户通过 AutoML 就能在一定情况下得到高质量的模型，这使机器学习的行业应用更加容易可行。微软亚洲研究院希望把这类技术的使用和研究更加普及化，微软正在着力打造一款用于深度学习的项目，名曰：深度学习智能探索 (Neural Network Intelligence)，简称叫 NNI。
在官方开源的 GitHub 中是这样写的：
NNI（神经网络智能）是一个帮助用户运行自动机器学习实验的工具包。该工具调度并运行通过调整算法生成的试验作业，以在不同环境（例如，本地、远程服务器和云）中搜索最佳神经架构和 / 或超参数。
据介绍，开发 NNI 工具包的目的是为用户提供智能化、自动化的深度学习工具包，可以帮助用户或者开发者自动进行数据分析，自动帮他们搜索模型，进行参数调试和性能分析，通过这样自动迭代的准备过程，用户可以节省更多的时间，将精力放在探索更有深度的机器学习上。
NNI 集成了 AutoML 算法，是一个支持不同操作系统，既可以在本地也能在云端运行的轻量级工具包。它特别适合有一定人工智能基础的科研人员更加有针对性、精准地选取模型。 微软为此制定了全新的语言，使得定义和描述搜索空间只需几行代码，所有的底层通信等复杂问题都被封装起来，对使用者完全透明。NNI 着重解决了一系列支持 AutoML 的系统问题，以开放的方式有效加速 AutoML 算法研究者在这一领域的创新。
开源地址：https://github.com/Microsoft/nni
入门指南：https://github.com/Microsoft/nni/blob/master/docs/GetStarted.md
想在本地为训练代码（模型）尝试不同的 AutoML 算法
希望在不同环境中运行 AutoML 试用作业以加快搜索速度（例如远程服务器和云）
作为研究人员和数据科学家，希望实现自己的 AutoML 算法并与其他算法进行比较
作为 ML 平台所有者，希望在自己的平台中支持 AutoML
为什么要用 AutoML？
这个问题在我们之前的系列文章中频繁提及，原因主要是以下几种：
简化深度学习流程，让人工用在更需要的地方
降低人工智能门槛，同时降低人工智能成本
推进人工智能的普及化
随着人工智能的普及化，越来越多人担心自己的岗位是否会被替代，就连一些在 AI 领域从事相关工作的人都有了危机感。
前不久，在李开复博士的新书发布会上，他专门提及了这一问题，他认为在 15 年内，人工智能和自动化将具备取代 40-50％岗位的技术能力。一些无需过多思考，重复性高、强度大的工作将会被 AI 代替。
从这一角度来说，AutoML 的普及反而是一件好事儿，它可以让更多人去思考 AI 不能做什么，进而让更多人从事具有创造性的、AI 无法替代的工作。
就像李开复说的那样：
我们应该积极使用人工智能工具，特别是专业人士，更多的数据和使用量能够使人工智能不断优化。我们应该使用这些工具来工作，保持开放态度，人工智能可以完成更多的日常任务，使我们能够关注更适合人类发展的领域。
今日荐文
点击下方图片即可阅读
腾讯开源 ML-Images，超越谷歌成业内最大多标签图像数据集
知识图谱是机器大脑中的知识库、人工智能的基础设施。Google、百度等公司都把知识图谱当做 AI 产品底层设计中最重要的环节进行优化，李彦宏也曾说过“知识图谱是百度整个人工智能当中非常基础的构件，也是我们相对于任何一家公司的优势所在”。
本届 AICon 全球人工智能与机器学习技术大会上，我们也非常关注知识图谱在金融、医疗、教育等领域的发展与落地实践，并请到了一线技术大咖带来干货满满的案例分享，感兴趣的同学可以扫描下方二维码或点击阅读原文了解详情~
如果你喜欢这篇文章，或希望看到更多类似优质报道，记得给我留言和点赞哦！
Go to "Discover" > "Top Stories" > "Wow"