AI之AutoML：Google AutoML(Google Cloud自动化机器学习平台库)的简介、安装、使用方法
目录
Google AutoML(Google Cloud自动化机器学习平台库)的简介
1、Google AutoML的概述
1、GoogleAutoML框架的特点
2、GoogleAutoML框架的三部分构成：特征工程、模型选择、算法选择。
2.1、特征工程
2.2、模型选择
2.3、算法选择
3、GoogleAutoML 对比 AutoKeras 框架
AutoML的安装
AutoML的使用方法
1、使用AutoML的预训练模型进行图像分类
Google AutoML(Google Cloud自动化机器学习平台库)的简介
1、Google AutoML的概述
AutoML官网：AutoML | Home
1、GoogleAutoML框架的特点
AutoML借鉴了机器学习的许多学科，主要是：
贝叶斯优化结构化数据和大数据的回归模型Meta 学习转移学习组合优化
2、GoogleAutoML框架的三部分构成：特征工程、模型选择、算法选择。
2.1、特征工程
特征工程在机器学习中有着举足轻重的作用。在AutoML中，自动特征工程的目的是自动地发掘并构造相关的特征，使得模型可以有最优的表现。除此之外，还包含一些特定的特征增强方法，例如特征选择、特征降维、特征生成、以及特征编码等。这些步骤目前来说都没有达到自动化的阶段。上述这些步骤也伴随着一定的参数搜索空间。第一种搜索空间是方法自带的，例如PCA自带降维参数需要调整。第二种是特征生成时会将搜索空间扩大。
2.2、模型选择
模型选择包括两个步骤：选择一个模型，设定它的参数。相应地，AutoML的目的就是自动选择出一个最合适的模型，并且能够设定好它的最优参数。
2.3、算法选择
对于算法选择，AutoML的目的是自动地选择出一个优化算法，以便能够达到效率和精度的平衡。常用的优化方法有SGD、L-BFGS、GD等。使用哪个优化算法、对应优化算法的配置，也需要一组搜索空间。
3、GoogleAutoML 对比 AutoKeras 框架
AutoML的安装
pip install google-cloud-automl
AutoML的使用方法
1、使用AutoML的预训练模型进行图像分类
from google.cloud import automl_v1beta1 as automl# 设置参数project_id = 'your_project_id'model_id = 'your_model_id'# 创建AutoML客户端client = automl.AutoMlClient()# 获取模型路径model_full_id = client.model_path(project_id, 'us-central1', model_id)# 加载图像image_path = 'path_to_image'with open(image_path, 'rb') as f:content = f.read()# 发送图像分类请求response = client.predict(model_full_id, {'image': {'image_bytes': content}})# 解析预测结果result = response.payload[0].classificationprint('Predicted label: {}, confidence: {}'.format(result.display_name, result.score))
如果觉得《AI之AutoML：Google AutoML(Google Cloud自动化机器学习平台库)的简介 安装 使用方法》对你有帮助，请点赞、收藏，并留下你的观点哦！
