Рубрики
Uncategorized

Обзор инструментов машинного обучения: Топор

ML Обзор инструментов: AX. Tagged с помощью машинного обучения, DevOps, Dev Mlops, Ax.

Цель обзора инструментов машинного обучения состоит в том, чтобы определить инструменты, которые ускоряют процесс машинного обучения на основе 3 ключевых факторов.

  1. Опыт адаптации
  2. Значение добавить
  3. Поддержка сообщества

Каждый эпизод будет оценивать, насколько хорошо работает инструмент, и обеспечивает общую оценку для инструмента.

Что такое топор?

AX это доступная платформа общего назначения для понимания, управления, развертывания и автоматизации адаптивных экспериментов.

В основном данный набор всех возможных решений, найдите оптимальное решение для того, что вы пытаетесь решить.

Топор был открытые источники Facebook и был выпущен 1 мая на их конференции F8.

Опыт адаптации

Опыт адаптации оценивает, насколько беспрепятственно разработчик начинает использовать продукт, начиная со страницы продукта.

Загрузка

Загрузка проста, используя PIP3 (извините, люди Python 2.7, но пришло время двигаться дальше)

pip3 install ax-platform

После длительной установки есть пример кода, чтобы попытаться убедиться оно работает

from ax import optimize
best_parameters, best_values, experiment, model = optimize(
        parameters=[
          {
            "name": "x1",
            "type": "range",
            "bounds": [-10.0, 10.0],
          },
          {
            "name": "x2",
            "type": "range",
            "bounds": [-10.0, 10.0],
          },
        ],
        # Booth function
        evaluation_function=lambda p: (p["x1"] + 2*p["x2"] - 7)**2 + (2*p["x1"] + p["x2"] - 5)**2,
        minimize=True,
    )

Этот пример кода хочет найти наименьшие числа, которые могут удовлетворить уравнение. Эксперимент немедленно проведен, который занимает пару секунд. Затем результаты хранятся в переменной Best_Paramters.

{'x1': 0.7810791992092341, 'x2': 3.0911807098099935}

Довольно просто в использовании, и на сайте представлены учебные пособия для изучения дополнительных вариантов использования. https://ax.dev/tutorials/

Без сбоев в процессе установки, учебных пособий для начала и множества документации, это был отличный опыт адаптации, Я даю это 5/5 Анкет

Значение добавить

Мы можем определить добавление значения, как, сколько времени будет использовать этот инструмент, сохранить меня. Это может сделать больше в меньшем количестве строк кода или избавиться от ручных процессов.

AX поставляется с множеством предварительно созданных API высокого уровня, которые инкапсулируют много плотного кода машинного обучения, к простому вызову. Например, для обучения гиперпараметре мы бы использовали

def train_evaluate(parameterization):
    net = train(train_loader=train_loader, parameters=parameterization, dtype=dtype, device=device)
    return evaluate(
        net=net,
        data_loader=valid_loader,
        dtype=dtype,
        device=device,
    )

best_parameters, values, experiment, model = optimize(
    parameters=[
        {"name": "lr", "type": "range", "bounds": [1e-6, 0.4], "log_scale": True},
        {"name": "momentum", "type": "range", "bounds": [0.0, 1.0]},
    ],
    evaluation_function=train_evaluate,
    objective_name='accuracy',
)

Классические методы Заставьте вас определить каждый шаг очень многословным образом.

AX также поставляется с инструментами построения ноутбуков, которые заставляют его работать с блокнотами Jupyter.

Обширное количество вариантов и инкапсуляция адаптивных экспериментов придает ему большое значение для всех в этом домене, Сделать это четким 5/5 Анкет

Поддержка сообщества

Поддержка сообщества может быть определена как сообщество, помогающее друг другу решать проблемы с инструментом. Это может быть через Stackoverflow, Github или любой другой тип социального канала.

Ну, так как топор новый, за ним нет болтовни. Ничего на Stackoverflow и только несколько проблем на странице Github. Вкладчики реагируют на то, что инструмент был недавно выпущен, но, не имея особого сообщества, построенного вокруг инструмента, я могу рекомендовать использовать только в том случае, если ваш опытный разработчик в этом сфере, который способен добиться многого без поддержки. Мой класс 3/5

Общий

Благодаря отличному опыту адаптации и большой ценностью, демонстрируемой его надежными API, этот инструмент станет основным игроком в адаптивных экспериментах. Отсутствие поддержки для AX затрудняет проникновение для начинающих. Надеемся, что сообщество развивается вокруг топора, прокладывающего путь, чтобы сделать его более доступным. Окончательный рейтинг 4/5

Оригинал: «https://dev.to/banjtheman/machine-learning-toolbox-review-ax-42fi»

Читайте ещё по теме: