带有MXNet胶子的AutoML工具箱
autogluon.vision的Python项目详细描述
文本、图像和表格数据的AutoML
Autoglon使机器学习任务自动化,使您能够轻松地在应用程序中实现强大的预测性能。只需几行代码,就可以在文本、图像和表格数据上训练和部署高精度的机器学习和深度学习模型。在
示例
# First install package from terminal:# python3 -m pip install --upgrade pip# python3 -m pip install --upgrade setuptools# python3 -m pip install --upgrade "mxnet<2.0.0"# python3 -m pip install --pre autogluonfromautogluon.tabularimportTabularPredictionastasktrain_data=task.Dataset(file_path='https://autogluon.s3.amazonaws.com/datasets/Inc/train.csv')test_data=task.Dataset(file_path='https://autogluon.s3.amazonaws.com/datasets/Inc/test.csv')predictor=task.fit(train_data=train_data,label='class')performance=predictor.evaluate(test_data)
新闻
Announcement for previous users:autoglon代码库已模块化为namespace packages,这意味着您现在只需要那些与您感兴趣的预测任务相关的依赖项!例如,您现在可以处理表格数据,而不必install依赖性,这是Autoglon的计算机视觉任务所必需的(反之亦然)。不幸的是,这个改进需要对所有高于v0.0.15的版本做一个小的API更改(例如,您现在应该做:from autogluon.tabular import TabularPrediction
),而不是from autogluon import TabularPrediction
。仍然可以查看旧API下的文档/教程for version 0.0.15,这是旧API下的最后发布版本。在
资源
请参阅AutoGluon Website中的documentation和有关说明:
- 在 在
- 在
- Tips to maximize accuracy(如果benchmarking,请确保使用参数
presets='best_quality'
运行fit()
)。在
- Tips to maximize accuracy(如果benchmarking,请确保使用参数
- 在 在
- 在 在
- 在
更高级的主题,如Neural Architecture Search
在
科学出版物
文章
- AutoGluon for tabular data: 3 lines of code to achieve top 1% in Kaggle competitions(AWS开源博客,2020年3月)
- Accurate image classification in 3 lines of code with AutoGluon(Medium,2020年2月)
- AutoGluon overview & example applications(面向数据科学,2019年12月)
实践教程
- From HPO to NAS: Automated Deep Learning (CVPR 2020)
- Practical Automated Machine Learning with Tabular, Text, and Image Data (KDD 2020)
在云中训练/部署Autoglon
- AutoGluon-Tabular on AWS Marketplace
- Running AutoGluon-Tabular on Amazon SageMaker
- Running AutoGluon Image Classification on Amazon SageMaker
引用自动胶子
如果您在科学出版物中使用Autoglon,请引用以下论文:
Erickson,Nick,等。"AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data."arXiv预印本arXiv:2003.06505(2020年)。在
BibTeX入口:
^{pr2}$用于超参数和神经结构搜索的自胶子(HNA)
Autoglon还为神经超参数和结构搜索提供最先进的工具,例如ASHA、hyband、Bayesian Optimization和BOHB。要开始,请签出以下资源
也可以看看我们的论文"Model-based Asynchronous Hyperparameter and Neural Architecture Search"arXiv预印本arXiv:2003.10865(2020年)。在
@article{abohb,title={Model-based Asynchronous Hyperparameter and Neural Architecture Search},author={Klein, Aaron and Tiao, Louis and Lienart, Thibaut and Archambeau, Cedric and Seeger, Matthias},journal={arXiv preprint arXiv:2003.10865},year={2020}}
许可证
这个库是在Apache2.0许可下授权的。在
有助于自动胶子
我们正在积极接受autoglon项目的代码贡献。如果您对AutoGluon感兴趣,请阅读Contributing Guide开始。在
- 项目
标签: