Uber開源AI工具箱，免寫程式就能訓練和測試深度學習模型
<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <p><style type="text/css"> <!--/*--><![CDATA[/* ><!--*/ p.p1 {margin: 0.0px 0.0px 0.0px 0.0px; font: 12.0px '.PingFang TC'} p.p2 {margin: 0.0px 0.0px 0.0px 0.0px; font: 12.0px 'Helvetica Neue'; min-height: 14.0px} span.s1 {font: 12.0px 'Helvetica Neue'} /*--><!]]>*/ </style></p> <p><a href="https://eng.uber.com/introducing-ludwig/">Uber AI實驗室開源釋出訓練和測試深度學習模型的AI工具箱Ludwig</a>，該工具箱建立於深度學習框架TensorFlow上，標榜不需要寫程式就能完成模型的訓練和測試工作，提供一系列的AI模型開發工具，像是透過視覺化的方式，呈現評估模型、比較模型效能和預測結果，<a href="https://github.com/uber/ludwig">目前於GitHub平臺以Apache License 2.0授權釋出</a>。</p> <p>Uber表示，目前市面上有許多深度學習相關的函式庫，像是TensorFlow、PyTorch、CNTK、MXNET，以及Chainer，Uber決定避免重複開發性質類似的工具，因而在這些開源函式庫的根基上，打造AI開發工具箱Ludwig。Uber曾開源釋出在PyTorch上建立的深度機率程式語言Pyro，以及允許在多個GPU和電腦分散訓練深度學習模型的框架Horovod。</p> <p>近幾年來，深度學習模型已被證實能夠高效執行多種不同機器學習任務，包含電腦視覺、語音辨識、自然語言處理等，而在Uber內部，深度模型也被用在多種任務中，像是客戶服務、物體辨識、優化地圖、串流聊天溝通服務、預測和防範詐騙等，為了簡化深度學習模型的測試和訓練工作，AI工具箱Ludwig已經在Uber內部開發超過2年，主要用於Uber的多項專案，像是從駕駛人駕照萃取資料、從對話擷取客戶興趣、預測餐點送達時間等。</p> <p>Uber指出，Ludwig特別的地方是能夠讓非AI專家更容易理解深度學習模型，對於經驗豐富的AI開發和研究人員而言，也能透過Ludwig縮短模型的開發周期，簡化開發原型過程和處理串流資料的工作。</p> <p>Uber將Ludwig設計為一種通用型的工具箱，主要用於處理新的機器學習問題時，能夠簡化模型開發和比較模型架構過程，設計的核心原則包含免寫程式、具有通用、靈活性和擴展性，並能夠透過視覺化的方式，讓開發者更能理解模型。在通用性的部分，Ludwig允許開發者使用CSV的表格文件和資料序列格式YAML配置文件，來訓練深度學習模型，YAML配置文件能夠加快模型原型設計的速度，將編碼的時間從數小時縮短至數分鐘，若有超過一個輸出目標變數，Ludwig會執行多任務學習，也就是同時預測所有的輸出。</p> <p>而針對靈活和擴展性的部分，在模型定義中通常會包含額外的資訊，特別是對每個特徵屬性預先處理資訊的時候，每個特徵屬性都需要個別的編碼器、解碼器和訓練參數，而編碼和解碼器也都需要個別的架構參數，在預先處理和訓練的部分，Uber透過經驗和現有的學術文獻，為多種模型架構參數建立預設值，讓新手也能訓練複雜的模型，同時，能夠個別設定模型配置文件的功能，提供AI專家在訓練模型時有更多彈性。此外，每個在Ludwig訓練的模型都能夠保存，若開發者要用新資料執行模型得到預測結果時，就能重新載入模型。</p> <p>其中，Ludwig一項主要的新概念是為特定的資料類型提供獨立的編碼和解碼器，也就是說，每種資料類型都有特定的預先處理函式，像是文字、圖像和類別（category），如此一來，Ludwig就能夠提供高效率的模組化和可擴展架構，藉由不同資料種類元件的組合，開發者可以用Ludwig訓練多種類的任務，舉例來說，文字編碼器和類別解碼器的組合，就能得到文字分類器，而連結圖像編碼器和文字解碼器就能得到生成圖像標題模型。（圖片來源：Uber）</p> <p class="rtecenter"><img alt="" src="https://s4.itho.me/sites/default/files/images/image3-696x604.png" style="width: 500px;" /></p> <p>除此之外，每個資料種類可以有超過一個的編碼器和解碼器，例如，文字類型的資料可以用卷積神經網路、遞歸神經網路或是其他編碼器來編碼，接著，開發者可以選定要用哪個編碼器並設置超參數，過程中不需要寫任何一行程式，目前Ludwig提供開發者訓練模型，包含文字分類、物體分類、圖像標題生成、時間預測、序列標註、回歸、語言模型、機器翻譯、問題回答等，對於沒有經驗的開發新手而言，該工具為他們提供開發用於多種應用案例模型的機會，而有經驗的開發者，也能藉由該工具箱研究更多新領域。</p> <p>AI工具箱Ludwig目前的編碼器和解碼器支援二進制值、浮點數、類別、離散序列、集合、文字、圖像和時間序列等資料種類，還有提供一些預先訓練的模型，像是詞向量模型，未來，Uber還預計支援更多資料種類。</p> </div></div></div>
