Automatisiertes Machine Learning mit AutoKeras

Wer gängige Aufgaben des maschinellen Lernens mit Keras lösen will, muss viele Zeilen Programmcode eintippen. AutoKeras versucht schneller ans Ziel zu kommen.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht
Lesezeit: 12 Min.
Von
  • Gerhard Völkl
Inhaltsverzeichnis

Um neuronale Netze sinnvoll einzusetzen, muss man wissen, welche Architektur für welche Aufgabe geeignet ist und wie sie durch Feintuning der Parameter praxistauglich wird. Das gilt auch für immer wiederkehrende Standardaufgaben wie Bilderkennung, für die bekannte Architekturen verfügbar sind. Diesen Aufwand versucht das auf Keras und Google TensorFlow aufbauende Framework AutoKeras zu reduzieren. Es bringt die für Standardaufgaben zur Verfügung stehenden Architekturen mit und automatisiert deren Auswahl zusammen mit dem Feintuning der Parameter. Der folgende Code liefert als Ergebnis eine klassische Bilderkennung, die automatisch auf den spezifischen Anwendungsfall durch die verwendeten Daten optimiert ist:

import autokeras as ak

model = ak.ImageRegressor()
model.fit(x_train, y_train)
Mehr zu: Machine Learning

Eine weitere Zeile

results = model.predict(x_test)

reicht aus, um Bilderkennung anzuwenden. Vergleicht man den Einsatz des maschinellen Lernens mit einer Autofahrt, ist zwar das Ziel bekannt, das Fahrzeug liegt aber noch in Einzelteilen herum und muss erst zusammengebaut werden. Viele Programmzeilen einer Machine-Learning-API gilt es also erst in eine sinnvolle Reihenfolge zu bringen, bevor etwas läuft.

Das war die Leseprobe unseres heise-Plus-Artikels "Automatisiertes Machine Learning mit AutoKeras". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.