集成學習是將不同的機器學習模型結合在一起的創(chuàng)新方法，它廣泛應用于神經(jīng)網(wǎng)絡中，可以收獲很好地表現(xiàn)，例如在Netflix Prize和Kaggle競賽中都有它的身影。

但是，在實踐中，這種方法卻很少用到，因為訓練時間很長，并且在選擇機器學習模型時需要考慮各種類型的專業(yè)領域。隨著計算力和各種深度學習硬件的出現(xiàn)（例如TPU），機器學習模型會越來越豐富，集成現(xiàn)象也會越來越多。那么是否有一種工具可以自動搜索神經(jīng)網(wǎng)絡框架，然后學習將最佳的幾種模型集合，創(chuàng)造出另一個高質(zhì)量模型。

最近，谷歌推出了AdaNet，這是一個基于TensorFlow的輕量化框架，可以自動學習高質(zhì)量模型，只需人類少量干預。AdaNet以最近的強化學習和基于演化的AutoML為基礎，不僅速度快、靈活度高，而且還能保證成功學習率。重要的是，AdaNet不僅僅為學習神經(jīng)網(wǎng)絡架構提供了通用框架，而且還能學習集成，得到更好的模型。

AdaNet使用起來很方便，并且得到的都是高質(zhì)量模型，為機器學習從業(yè)者節(jié)省了大量時間，用一種適應性算法學習將神經(jīng)架構看作是子網(wǎng)絡的集成。AdaNet可以將不同深度和寬度的子網(wǎng)絡結合起來，創(chuàng)造出一個多樣化的集成模型，減少參數(shù)的數(shù)量提高性能。

AdaNet逐漸生成神經(jīng)網(wǎng)絡集成的過程，在每一次迭代，它會計算每個候選網(wǎng)絡的集成損失，選擇最佳的那個加入到下次迭代中

快速易用

AdaNet采用TensorFlow估計器的交互界面，它通過簡單訓練、評估，大大簡化了機器學習的編程過程。它把TensorFlow Hub模塊、TensorFlow模型分析和谷歌云的超參數(shù)調(diào)整期等開源工具結合在了一起。分布式訓練可以極大地減少訓練時間。

AdaNet在CIFAR-100上每一訓練步驟的精確度。藍線代表在訓練集上的精確度，紅線代表測試集上的表現(xiàn)。在每百萬個步驟上都有一個新的子網(wǎng)絡開始訓練，最終會提高整個集成模型的性能。灰色和綠色的線表示新的子網(wǎng)絡加入之前集成的精確度

TensorBoard是可視化模型尺度在訓練時最佳的TensorFlow特征之一，AdaNet與其無縫銜接，從而控制子網(wǎng)絡的訓練、集成的構成和性能。當AdaNet完成訓練后，它會輸出一個SavedModel，之后會利用TensorFlow Serving進行部署。

學習保證

創(chuàng)建一個神經(jīng)網(wǎng)絡集成會面臨多種問題：哪種是最好的子網(wǎng)絡架構？是重復使用同一種架構好，還是讓架構多樣化好？雖然參數(shù)更多的復雜子網(wǎng)絡在訓練集表現(xiàn)得可能更好，但也正是因為它們的復雜性，可能無法在陌生數(shù)據(jù)上進行泛化。這些挑戰(zhàn)都來自于對模型性能的評估，我們可以從訓練集中分出一部分數(shù)據(jù)對模型性能進行評估，但是這樣做可能會減少用于訓練的樣本數(shù)量。

而在這里，AdaNet的方法對目標進行優(yōu)化，平衡了集成框架在訓練時的性能和它對陌生數(shù)據(jù)泛化之間的差別。核心思想就是，當備選子網(wǎng)絡提高了集成的訓練損失超過了其對泛化能力的影響時，子網(wǎng)絡才能加入到集成中去。這保證了：

集成的泛化錯誤由它的訓練錯誤和復雜性所限制。

通過對目標進行優(yōu)化，我們可以直接對這一限制進行最小化。

對這一目標進行優(yōu)化的實際好處就是，它無需再選擇哪個子網(wǎng)絡要被添加到集成中去，這也使得更多的訓練數(shù)據(jù)可以用于訓練更多子網(wǎng)絡，成為了額外的好處。想了解更多，可以閱讀我們關于AdaNet的教程。

可擴展

對研究者和從業(yè)者來說，讓AutoML框架產(chǎn)生作用的關鍵不僅僅是提供合理的默認值，而且要讓用戶嘗試對他們自己的子網(wǎng)絡或模型進行定義。機器學習研究者、從業(yè)者和愛好者都可以通過adanet.subnetwork.Builder來定義自己的AdaNet。

已經(jīng)在自己的系統(tǒng)中集成TensorFlow模型的用戶可以輕松將他們的TensorFlow代碼轉(zhuǎn)移到AdaNet子網(wǎng)絡中，并使用adanet.Estimator提高模型性能，同時保證學習成功率。AdaNet會找到他們所定義的子網(wǎng)絡搜索空間，學習如何集成子網(wǎng)絡。在谷歌官方博客中，研究人員取了一個開源的NASNet-A CIFAR架構，將它轉(zhuǎn)換成一個子網(wǎng)絡，并在CIFAR-10上優(yōu)化，經(jīng)過八次AdaNet迭代后得到最佳結果。另外，我們的模型在更少的參數(shù)上也達到了相同結果：

用戶也可以用自己特殊的損失函數(shù)作為AdaNet目標的一部分，從而訓練回歸、分類和多任務學習等問題。

用戶還可以擴展adanet.subnetwork.Generator的類別，完全定義候選子網(wǎng)絡的搜索空間。這可以讓他們基于自己的硬件設備增加或減少搜索空間。子網(wǎng)絡的搜索空間和復制有著相同配置不同隨機種子的子網(wǎng)絡一樣簡單，訓練多個有著不同超參數(shù)組合的子網(wǎng)絡，讓AdaNet選擇一個添加到最終的集成中。

如果你想試試AdaNet，可以查看谷歌的GitHub，其中包含了幾個利用密集圖層和卷積的例子。