Auto-Keras与AutoML：入门指南( 四 )_摘要：不会机器学习？不会人工智能？没

目前来说，深度学习从业者在数据集上训练神经网络时，主要正在尝试优化和平衡两个目标：

1.定义适合数据集性质的神经网络体系结构；

2.在许多实验中调整一组超参数，这将导致模型具有高精度并能够推广到训练和测试集之外的数据。需要调整的典型超参数包括优化算法（SGD ， Adam等），学习速率和学习速率调度以及正则化等。

根据数据集和具体问题，深度学习专家可以进行数十到数百次实验，以找到神经网络架构和超参数之间的平衡，这些实验通常需要计算数百到数千小时。

刚刚提到的这种模式仅适用于专家，那非深度学习专家呢？

这就需要Auto-Keras和AutoML：

Auto-Keras和AutoML的最终目标是通过使用自动神经架构搜索（NAS）算法降低进入机器学习和深度学习的门槛。 Auto-Keras和AutoML使非深度学习专家能够以最小的深度学习领域知识或实际数据来训练他们自己的模型。具有最小机器学习专业知识的程序员可以使用AutoML和Auto-Keras并应用这些算法，只需很少的努力即可实现最先进的性能。