Autokeras 的 AutoModel 和 GraphAutoModel 需要解释

Question

我了解 AutoKeras ImageClassifier 的作用（https://autokeras.com/image_classifier/）

clf = ImageClassifier(verbose=True, augment=False)
clf.fit(x_train, y_train, time_limit=12 * 60 * 60)
clf.final_fit(x_train, y_train, x_test, y_test, retrain=True)
y = clf.evaluate(x_test, y_test)

但我无法理解 AutoModel 类（https://autokeras.com/auto_model/）的作用，或者它与 ImageClassifier 有什么不同

autokeras.auto_model.AutoModel(
inputs,
outputs,
name="auto_model",
max_trials=100,
directory=None,
objective="val_loss",
tuner="greedy",
seed=None)

参数输入和输出的文档说

• 输入： HyperNode 实例的列表。AutoModel 的输入节点。
• 输出： HyperHead 实例的列表。AutoModel 的输出头。

什么是超级节点实例？

同样，什么是 GraphAutoModel 类？（https://autokeras.com/graph_auto_model/）

autokeras.auto_model.GraphAutoModel(
inputs,
outputs,
name="graph_auto_model",
max_trials=100,
directory=None,
objective="val_loss",
tuner="greedy",
seed=None)

文档阅读

由超级块图定义的超级模型。GraphAutoModel 是 HyperModel 的子类。除了 HyperModel 属性之外，它还有一个调整器来调整 HyperModel。用户可以以与 Keras 模型类似的方式使用它，因为它也具有 fit() 和 Predict() 方法。

什么是超级块？如果 Image Classifier 自动进行 HyperParameter Tuning，那 GraphAutoModel 有什么用呢？

为了更好地理解 AutoModel 和 GraphAutoModel，可以链接到任何文档/资源。

Answer 1

最近与autokeras合作，我可以分享我的一点知识。

1. Task API在执行图像分类/回归、文本分类/回归等 经典任务时，您可以使用 autokeras 提供的最简单的 API，称为：、、、、、Task API...在这种情况下，您有一个输入（图像或文本）或表格数据，...）和一个输出（分类、回归）。ImageClassifierImageRegressorTextClassifierTextRegressor

2. Automodel然而，当您遇到需要多输入/输出 架构的任务时，您无法直接使用任务 API，这就是Automodel. 您可以检查文档中I/O API提供的示例，其中有两个输入（图像和结构化数据）和两个输出（分类和回归）

3. GraphAutoModel GraphAutomodel 的工作方式类似于 keras 功能 API。它组装不同的块（卷积、LSTM、GRU...）并使用该块创建模型，然后它将根据您提供的架构寻找最佳的超参数。假设我想使用时间序列作为输入数据来执行二元分类任务。首先让我们生成一个玩具数据集：

import numpy as np
import autokeras as ak

x = np.random.randn(100, 7, 3)
y = np.random.choice([0, 1], size=100, p=[0.5, 0.5])

这里x是100个样本的时间序列，每个样本是长度为7、特征维度为3的序列。对应的目标变量y是二进制的(0, 1)。使用 GraphAutomodel，我可以使用所谓的HyperBlocks. 有很多模块：Conv、RNN、Dense……在此处查看完整列表。就我而言，我想使用 RNN 块来创建模型，因为我有时间序列数据：

input_layer = ak.Input()
rnn_layer = ak.RNNBlock(layer_type="lstm")(input_layer)
dense_layer = ak.DenseBlock()(rnn_layer)
output_layer = ak.ClassificationHead(num_classes=2)(dense_layer)

automodel = ak.GraphAutoModel(input_layer, output_layer, max_trials=2, seed=123)
automodel.fit(x, y, validation_split=0.2, epochs=2, batch_size=32)

（如果您不熟悉上述定义模型的风格，那么您应该查看 keras 功能 API 文档）。

因此，在这个示例中，我可以更灵活地创建我想使用的架构骨架：LSTM 块，后跟密集层，然后是分类层，但是我没有指定任何超参数（lstm 层数、数量）密集层的数量、lstm 层的大小、密集层的大小、激活函数、dropout、batchnorm，...），Autokeras 将根据我提供的架构（骨架）自动进行超参数调整。