Automatizētās mašīnmācīšanās pakotnes AutoKeras pielietojums attēlu klasifikācijā

Abstract

Automatizētās mašīnmācīšanās (AutoML) mērķis ir nodrošināt to, ka mašīnmācīšanās lēmumi tiek pieņemti automātiski un balstīti uz datiem, kā arī ļaut pēc iespējas plašākai auditorijai izmantot mašīnmācīšanās priekšrocības. Darbā apskatīts AutoML pielietojums attēlu klasifikācijai ar AutoKeras pakotni, kas veic neironu arhitektūru meklēšanu, izmantojot labākais-pirmais meklēšanas un simulētās atkvēlināšanas algoritmus, ko virza Beiesa optimizācija. Apmācības laika samazināšanai tiek izmantoti tīklu morfismi. Pārbaudot to uz CIFAR-10 datiem, tika sasniegta 97.1% precizitāte, tomēr tas tika iegūts ar lieliem datorresursu ieguldījumiem un rīkam ir noteikti lietojamības trūkumi.

The goal of automated machine learning (AutoML) is to ensure that decisions in machine learning are made automatically and are data-driven. This thesis looks at AutoML for image classification using AutoKeras library, which performs neural architecture search using best-first search with simulated annealing that is guided by Bayesian optimization. To increase training speed, it also uses network morphisms. Benchmarking it on CIFAR-10 dataset we got an accuracy score of 97.1%, however, it took a lot of computation power, and the library also has some flaws with ease of use.