Скрыть объявление
Гость Присоединяйся к складчине. Автокаталог для грузовых авто

Google Выпустила Фреймворк Adanet Для Подбора И Комбинирования Алгоритмов Машинного Обучения

Тема в разделе "IT новости", создана пользователем lock85, 1 ноя 2018.

  1. lock85

    lock85 Новичок Зарегистрирован

    Регистрация
    19 окт 2018
    Сообщения
    7
    Симпатии
    0
    Баллы
    1
    Пол
    Мужской
    Интересы:
    Разное
    Google выпустила фреймворк AdaNet для подбора и комбинирования алгоритмов машинного обучения

    Технологии AdaNet
    В основе фреймворка две технологии: комбинированное обучение и AutoML (Automated Machine Learning).

    Принцип комбинированного обучения состоит в смешении различных алгоритмов для получения лучшего результата. Такой подход рассматривался ранее, но был признан слишком ресурсоёмким. Однако специалисты Google считают, что рост вычислительных мощностей и усовершенствование алгоритмов изменили ситуацию.

    Технология AutoML без участия человека подбирает модели машинного обучения для решения конкретной задачи. В сочетании с комбинированным обучением этот инструмент может выбрать набор подсетей разной архитектуры для получения наилучшего результата.

    [​IMG]

    AdaNet при создании комбинированной сети самостоятельно контролирует валидность результатов для определения наилучшей конфигурации.

    Использование TensorFlow
    Будучи частью библиотеки TensorFlow, фреймворк может обращаться к его компонентам. Разработчики предлагают использовать для наглядного контроля процесса обучения визуализатор TensorBoard. С помощью компонента TensorFlow Estimator можно компоновать исходящие данные. Система поддерживает распределённые тренировки с использованием нескольких процессоров. Для тонкой настройки процесса обучения в AdaNet реализован TensorFlow API.

    Создатели фреймворка признают, что трудно заранее оценить производительность нейросети, скомпонованной из подсетей с различной архитектурой. ИИ, хорошо справляющийся с тестовыми заданиями, может испытать затруднения при работе со сложными и незнакомыми наборами данных.

    Стандартный подход состоит в использовании контрольной выборки, однако это уменьшает количество доступных обучающих наборов. Для решения этой задачи инженеры Google разработали систему адаптивного структурного обучения. В основе подхода — баланс между производительностью комплексной сети и её возможностью обобщать незнакомую информацию.

    Google возлагает большие надежды на TensorFlow, регулярно совершенствуя ядро и выпуская новые компоненты. В октябре 2018 года Google опубликовала проект ActiveQA, изучающий усиление обучения для тренировки ИИ-агентов с помощью этой платформы.


    Source: блог Google AI
     

Поделиться этой страницей

Share
Загрузка...
Плагины для XenForo/