調參工要涼？微軟重磅開源AutoML工具包NNI

策劃編輯｜Vincent

作者｜Vincent

編輯｜Debra

出處｜AI 前線導讀

AI 前線導讀：今年 7 月份的時候，AI 前線報道了一篇有關微軟智能係統的消息，在文章中，我們對微軟的視覺領域 AutoML 係統 Microsoft Custom Vision 進行了簡要分析。在對微軟亞洲研究院副院長、人工智能係統聯合中心負責人周禮棟博士的專訪中，我們了解到微軟將很快開源一款 AutoML 工具包，名為 NNI，今天，微軟將其正式開源！

近年來，“AutoML（自動學習）”已經成為了一個研究熱點。通過自動化的方式，機器試圖學習到最優的學習策略，從而避免機器學習從業者低效的手動調整。經典的 AutoML 方法包括用於超參數調節的貝葉斯優化（Bayesian Optimization），以及用於優化器和網絡結構調整的元學習技術（Meta learning/Learning-to-Learn）。除了在學術界引起了廣泛研究興趣，AutoML 在工業界也已經得到了實際應用，例如此前提到的微軟 Azure 提供的自定義影像（Custom Vision）服務，它能夠方便雲計算用戶自動訓練用於計算機視覺的機器學習模型。

AutoML 讓用戶在沒有專業知識的情況下使用機器學習的門檻大大地降低，甚至可謂是零門檻。在沒有機器學習專家指導的情況下，用戶通過 AutoML 就能在一定情況下得到高質量的模型，這使機器學習的行業應用更加容易可行。微軟亞洲研究院希望把這類技術的使用和研究更加普及化，微軟正在著力打造一款用於深度學習的項目，名曰：深度學習智能探索 (Neural Network Intelligence)，簡稱叫 NNI。

什麼是 NNI？

在官方開源的 GitHub 中是這樣寫的：

NNI（神經網絡智能）是一個幫助用戶運行自動機器學習實驗的工具包。該工具調度並運行通過調整算法生成的試驗作業，以在不同環境（例如，本地、遠程服務器和雲）中搜索最佳神經架構和 / 或超參數。

據介紹，開發 NNI 工具包的目的是為用戶提供智能化、自動化的深度學習工具包，可以幫助用戶或者開發者自動進行數據分析，自動幫他們搜索模型，進行參數調試和性能分析，通過這樣自動迭代的準備過程，用戶可以節省更多的時間，將精力放在探索更有深度的機器學習上。

NNI 集成了 AutoML 算法，是一個支持不同操作係統，既可以在本地也能在雲端運行的輕量級工具包。它特別適合有一定人工智能基礎的科研人員更加有針對性、精準地選取模型。 微軟為此製定了全新的語言，使得定義和描述搜索空間隻需幾行代碼，所有的底層通信等複雜問題都被封裝起來，對使用者完全透明。NNI 著重解決了一係列支持 AutoML 的係統問題，以開放的方式有效加速 AutoML 算法研究者在這一領域的創新。

開源地址：https://github.com/Microsoft/nni

入門指南：https://github.com/Microsoft/nni/blob/master/docs/GetStarted.md

誰應該考慮使用 NNI想在本地為訓練代碼（模型）嚐試不同的 AutoML 算法希望在不同環境中運行 AutoML 試用作業以加快搜索速度（例如遠程服務器和雲）作為研究人員和數據科學家，希望實現自己的 AutoML 算法並與其他算法進行比較作為 ML 平台所有者，希望在自己的平台中支持 AutoML為什麼要用 AutoML？

這個問題在我們之前的係列文章中頻繁提及，原因主要是以下幾種：

簡化深度學習流程，讓人工用在更需要的地方降低人工智能門檻，同時降低人工智能成本推進人工智能的普及化

隨著人工智能的普及化，越來越多人擔心自己的崗位是否會被替代，就連一些在 AI 領域從事相關工作的人都有了危機感。

前不久，在李開複博士的新書發布會上，他專門提及了這一問題，他認為在 15 年內，人工智能和自動化將具備取代 40-50％崗位的技術能力。一些無需過多思考，重複性高、強度大的工作將會被 AI 代替。

從這一角度來說，AutoML 的普及反而是一件好事兒，它可以讓更多人去思考 AI 不能做什麼，進而讓更多人從事具有創造性的、AI 無法替代的工作。

就像李開複說的那樣：

我們應該積極使用人工智能工具，特別是專業人士，更多的數據和使用量能夠使人工智能不斷優化。我們應該使用這些工具來工作，保持開放態度，人工智能可以完成更多的日常任務，使我們能夠關注更適合人類發展的領域。