為了獲得最先進的機器學習（ ML ）解決方案，數(shù)據(jù)科學家通常建立復(fù)雜的 ML 模型。然而， 這些技術(shù)的計算成本很高，直到最近還需要廣泛的背景知識、經(jīng)驗和人力。

最近，在 GTC21 ， AWS 高級數(shù)據(jù)科學家 尼克·埃里克森 給出了一個 session 分享如何結(jié)合 AutoGluon ， RAPIDS 和 NVIDIA GPU 計算簡化實現(xiàn)最先進的 ML 精度，同時提高性能和降低成本。 這篇文章概述了尼克會議的一些要點：

AutoML 是什么？ AutoGluon 有什么不同？

在 Kaggle 預(yù)測比賽中， AutoGluon 如何在僅僅三行代碼的情況下就超過 99% 的人類數(shù)據(jù)科學團隊， 不需要專家知識？

AutoGluon 與 RAPIDS 的集成如何使訓練速度提高 40 倍，推理速度提高 10 倍？

什么是AutoGluon？

AutoGluon 是一個開放源代碼的 AutoML 庫，它支持易于使用和易于擴展的 AutoML ，重點放在自動堆棧合并、深度學習和跨文本、圖像和表格數(shù)據(jù)的真實應(yīng)用程序上。面向 ML 初學者和專家， AutoGluon 使您能夠：

用幾行代碼為您的原始數(shù)據(jù)快速構(gòu)建深度學習和經(jīng)典 ML 解決方案的原型。

在沒有專家知識的情況下自動使用最先進的技術(shù)（如適用）。

利用自動超參數(shù)調(diào)整、模型選擇/裝配、架構(gòu)搜索和數(shù)據(jù)處理。

輕松改進/調(diào)整您的定制模型和數(shù)據(jù)管道，或為您的用例定制 AutoGluon 。

本文主要關(guān)注 AutoGluon Tabular ，這是一個 AutoGluon API ，它只需要幾行 Python 就可以在未處理的表格數(shù)據(jù)集（如 CSV 文件）上訓練高度精確的機器學習模型。 為了理解 AutoGluon Tabular 是如何做到這一點的，我們將首先解釋一些概念。

什么是監(jiān)督機器學習？

有監(jiān)督機器學習 將一組帶標簽的訓練實例作為輸入，并構(gòu)建一個模型，該模型旨在基于我們知道的關(guān)于該實例的其他信息（稱為實例的特征）正確預(yù)測每個訓練實例的標簽。這樣做的目的是建立一個精確的模型，可以自動用未知的標簽標記未來的數(shù)據(jù)。

圖 1 ：有監(jiān)督機器學習使用標記數(shù)據(jù)建立模型，對未標記數(shù)據(jù)進行預(yù)測。

在表格數(shù)據(jù)集中，列表示變量的度量（又稱特征），行表示單個數(shù)據(jù)點。 例如，下表顯示了一個包含三列的小數(shù)據(jù)集：“有工作”、“擁有房子”和“收入”。在本例中，“ income ”是標簽（有時稱為預(yù)測的目標變量），其他列是用于嘗試預(yù)測收入的特征。

表 1 ：收入數(shù)據(jù)集

有監(jiān)督機器學習是一個迭代的、探索性的過程，它涉及到數(shù)據(jù)準備、特征工程、驗證拆分、缺失值處理、訓練、測試、超參數(shù)調(diào)整、集成和評估 ML 模型，然后才能將模型用于生產(chǎn)中進行預(yù)測。

圖 2 ：機器學習是一個迭代過程，包括特征提取、訓練和評估，然后才能部署模型進行預(yù)測。

什么是 AutoML

歷史上，實現(xiàn)最先進的 ML 性能需要廣泛的背景知識、經(jīng)驗和人力。根據(jù)自動化的工具和級別， AutoML 使用不同的算法技術(shù)來嘗試為 ml 管道找到最佳的特性、超參數(shù)、算法和/或算法組合。通過 automating 耗時的 ML 管道，從業(yè)者和企業(yè)可以應(yīng)用機器學習更快更容易地解決業(yè)務(wù)問題。

AutoML 分三步進行， AutoGluon 表格

自動膠合板 可用于自動構(gòu)建最先進的模型，該模型使用兩個函數(shù) fit （） 和 predict （） 根據(jù)同一行中的其他列預(yù)測特定列的值，如下所示。

from autogluon.tabular import TabularPredictor， TabularDataset

# load dataset

train_data = TabularDataset（DATASET_PATH）

# fit the model

predictor = TabularPredictor（label=LABEL_COLUMN_NAME）.fit（train_data）

# make predictions on new data

prediction = predictor.predict（new_data）

函數(shù)的作用是：研究數(shù)據(jù)集，執(zhí)行數(shù)據(jù)預(yù)處理，擬合多個模型，并將它們結(jié)合起來生成一個高精度的模型。有關(guān)要嘗試的更完整的示例，請參見 關(guān)于預(yù)測表中列的 AutoGluon 快速入門教程。

圖 3 ： AutoGluon fit （）函數(shù)自動構(gòu)建一個 ML 模型，該模型可用于基于 predict （）函數(shù)同一行中的其他列來預(yù)測特定列的值。

用這個簡單的代碼， AutoGluon 擊敗了其他 AutoML 框架和許多頂尖的數(shù)據(jù)科學家。 廣泛的評估 通過對 Kaggle 和 OpenML AutoML 基準測試的 50 個分類和回歸任務(wù)進行測試，發(fā)現(xiàn) AutoGluon 比 TPOT 、 H2O 、 AutoWEKA 、 AutoSklearn 和 Google AutoML 表更快、更健壯、更準確。同樣在兩個受歡迎的 Kaggle 比賽中， AutoGluon 在僅僅 4 小時的原始數(shù)據(jù)訓練后就擊敗了 99% 的數(shù)據(jù)科學家。

圖 4 ： AutoGluon 的性能超過了其他 AutoML 框架和許多頂尖的 Kaggle 數(shù)據(jù)科學家。

自粘膠有什么不同？

大多數(shù) AutoML 框架致力于將算法選擇和超參數(shù)優(yōu)化（ CASH ）結(jié)合起來，提供從各種可能性中尋找最佳模型及其超參數(shù)的策略。然而，現(xiàn)金有一些缺點：

它需要許多重復(fù)的模型訓練，而且大多數(shù)模型都被丟棄了，而沒有對最終結(jié)果做出貢獻。

超參數(shù)調(diào)優(yōu)做得越多，驗證數(shù)據(jù)擬合過度的風險就越高。

超參數(shù)調(diào)整在加密時不太有用。

相比之下， AutoGluon Tabular 依靠專家數(shù)據(jù)科學家使用的方法來贏得競爭：將多個模型集合起來，并將它們堆疊在多個層中，從而優(yōu)于其他框架。

Ensembling 是如何工作的？

集成學習方法結(jié)合多種機器學習（ ML ）算法來獲得更好的模型。為了更好地理解這一點，讓我們看看隨機森林，它是決策樹的集合。

決策樹通過評估 if-then-else 和真/假特征問題樹，并估計評估做出正確決策的概率所需的最小問題數(shù)，創(chuàng)建預(yù)測目標標簽的模型。決策樹可用于分類以預(yù)測類別，或用于回歸以預(yù)測連續(xù)數(shù)值。例如，下面的決策樹（基于上表）嘗試使用特征“ has job ”和“ owns house ”的兩個決策節(jié)點來預(yù)測標簽“ income ”。

圖 5 ：一個簡單的決策樹模型，有兩個決策節(jié)點和三片葉子。

決策樹的優(yōu)點是易于解釋，但存在過度擬合和準確性問題。建立一個精確的模型是介于兩者之間的 以及過度擬合——模型預(yù)測與訓練數(shù)據(jù)的行為方式相匹配，并且被廣泛化，足以對看不見的數(shù)據(jù)進行準確預(yù)測。

決策樹試圖找到最佳分割來對數(shù)據(jù)進行子集劃分，這會導致嚴重的分割。 例如，給定下面左邊的數(shù)據(jù)集，我們想預(yù)測一個點的顏色，點越亮，值就越高。如右圖所示，決策樹會將數(shù)據(jù)分割成多個塊。 下一步，我們將研究如何使用 ensembling 改進決策樹。

圖 6 ：左邊的示例數(shù)據(jù)集，目標是預(yù)測點的顏色，點越亮，值越高。此數(shù)據(jù)集的決策樹 右邊是將數(shù)據(jù)分割成粗糙的塊。

Ensembling 是一種通過組合預(yù)測和改進泛化來提高模型精度的行之有效的方法。 隨機森林 是一種流行的分類和回歸集成學習方法。 Random forest 使用一種稱為 bagging （ bootstrap aggregating ）的技術(shù)，從數(shù)據(jù)集和特征的隨機 bootstrap 樣本并行地構(gòu)建完整的決策樹。 通過對所有樹的輸出進行聚合來進行預(yù)測，減少了方差，提高了預(yù)測精度。最終的預(yù)測是所有決策樹預(yù)測的多數(shù)類或均值回歸。 隨機性對森林的成功至關(guān)重要， bagging 確保沒有決策樹是相同的，減少了單個樹的過度擬合問題。

圖 7 ： Random forest 使用一種稱為 bagging 的技術(shù)從數(shù)據(jù)集和特性的隨機引導樣本構(gòu)建決策樹。

為了理解這是如何給出更好的預(yù)測，讓我們看一個例子。這里是圖 6 中所示的數(shù)據(jù)集的四個不同的決策樹，測試數(shù)據(jù)點的預(yù)測顏色不同。我們可以看到，每一種方法都給出了解的近似值，而這種近似值不足以作出精確的預(yù)測。

圖 8 ： 圖 6 所示的數(shù)據(jù)集有四個不同的決策樹，一個測試數(shù)據(jù)點有不同的預(yù)測顏色 。

當這四個決策樹被合并并平均在一起時，粗糙的邊界消失了，并且像下面的隨機森林示例一樣被平滑?，F(xiàn)在 測試數(shù)據(jù)點的預(yù)測顏色是來自其他樹預(yù)測的顏色的混合。

圖 9 ：隨機森林 模型 對于 圖 8 中的四個決策樹 。

隨機林中的所有決策樹都是次優(yōu)的，它們在隨機方向上都是錯誤的。當平均決策樹時，它們錯誤的原因相互抵消，這稱為方差抵消。 結(jié)果質(zhì)量更高，因為它們反映了大多數(shù)樹做出的決定。平均值限制了誤差，即使有些樹是錯的，有些樹是對的，所以這組樹一起朝著正確的方向移動。

當許多不相關(guān)的決策樹組合在一起時，它們產(chǎn)生的模型具有很高的預(yù)測能力，能夠抵抗過度擬合。這些概念是流行的機器學習算法的基礎(chǔ)，例如 隨機森林， XGBoost ， Catboost 和 LightGBM 這些都是由自動膠所使用的。

多層疊加

你可以更進一步與 ensembling ，經(jīng)驗豐富的機器學習實踐者 將 RandomForest 、 CatBoost 、 k 近鄰和其他的輸出結(jié)合起來，以進一步提高模型精度。在 ML 競爭社區(qū)很難找到一個單一的模型贏得的競爭，每一個獲勝的解決方案都包含了模型的集合。

Stacking 是一種使用“基本”回歸或分類模型集合的聚合預(yù)測作為訓練元分類器或回歸“堆?！蹦Ｐ偷奶卣鞯募夹g(shù)。

圖 10 ：堆疊技術(shù)。

多層堆垛機將堆垛機模型輸出的預(yù)測結(jié)果作為輸入輸入到其他更高層的堆垛機模型中。在許多 Kaggle 比賽中，在多個層次上迭代這個過程是一個獲勝的策略。多層疊加集成功能強大，但很難使用和實現(xiàn)，目前除了 Autogluon 之外，其他任何 AutoML 框架都沒有使用它。

無需專家知識， AutoGluon 自動組裝和訓練一種新形式的多層堆疊，如圖 11 所示，采用 k 折疊裝袋。其工作原理如下：

底座： 第一層有多個基礎(chǔ)模型，這些模型分別經(jīng)過訓練，并使用 k-fold 集成裝袋（下文討論）。

連接：將基礎(chǔ)層模型預(yù)測與輸入特征連接起來，作為下一層的訓練輸入。

堆垛：多個堆垛機模型在 concat 層輸出上進行訓練。與傳統(tǒng)的堆疊策略不同， AutoGluon 重用與 stackers 相同的基本層模型類型（具有相同的超參數(shù)值）。 此外，堆垛機模型不僅將前一層模型的預(yù)測作為輸入，而且還將原始數(shù)據(jù)特征本身作為輸入。

加權(quán)：最后的堆疊層應(yīng)用集合選擇以加權(quán)的方式聚合堆疊機模型的預(yù)測。 在高容量模型堆棧中聚合預(yù)測可以提高對過度擬合的恢復(fù)能力

圖 11 ： AutoGluon 的多層堆疊集成。

k-fold Ensembling 套袋

AutoGluon 通過將所有可用數(shù)據(jù)用于訓練和驗證，通過在堆棧的所有層對所有模型進行 k 折集成裝袋來提高堆棧性能。 k-fold ensemble bagging 類似于 k-fold cross validation，這是一種最大化訓練數(shù)據(jù)集的方法，通常用于超參數(shù)調(diào)整以確定最佳模型參數(shù)。通過 k 折交叉驗證，數(shù)據(jù)被隨機分成 k 個分區(qū)（折疊）。每個折疊一次用作驗證數(shù)據(jù)集，而其余的 （Out-Of-Fold – OOF） 用于訓練。模型使用 OOF 訓練集進行訓練并使用驗證集進行評估，從而產(chǎn)生 k 個模型精度測量值。 AutoGluon 不是確定最佳模型并丟棄其余模型，而是將所有模型打包并從訓練期間未看到的分區(qū)上的每個模型獲得 OOF 預(yù)測。這為每個模型創(chuàng)建了 k 折預(yù)測，用作下一層的元特征。

圖 12 ： k 折整體裝袋。

為了進一步提高預(yù)測精度和減少過度擬合， AutoGluon 表格 在訓練數(shù)據(jù)的 n 個不同的隨機分區(qū)上重復(fù) k 次裝袋過程，平均重復(fù)袋子上的所有 OOF 預(yù)測。在調(diào)用 fit （）函數(shù)時，通過估計在指定的時間限制內(nèi)可以完成多少輪來選擇 n 。

為什么 AutoGluon 需要 GPU 加速

多層堆棧集成提高了精度，然而，這意味著要訓練數(shù)百個模型，這比基本的 ML 用例需要更多的計算密集型任務(wù)，并且比加權(quán)集成要貴 10 到 20 倍。 在過去，復(fù)雜性和計算需求使得多層堆棧集成很難在許多生產(chǎn)用例和大型數(shù)據(jù)集上實現(xiàn)。對于 AutoGluon 和 NVIDIA GPU 計算 ，情況不再如此。

在體系結(jié)構(gòu)上， CPU 由幾個內(nèi)核組成，這些內(nèi)核有大量的高速緩存，一次可以處理幾個軟件線程。相反， GPU 由數(shù)百個內(nèi)核組成 可以同時處理數(shù)千個線程。 GPU 的性能超過 20 倍 在 ML 工作流程中比 CPU 更快，并徹底改變了深度學習領(lǐng)域。

圖 13 ： CPU 由幾個核組成，而 GPU 則由幾百個核組成。

NVIDIA 開發(fā)了 RAPIDS ——一個開源的數(shù)據(jù)分析和機器學習加速平臺，用于在 GPUs 中完全執(zhí)行端到端的數(shù)據(jù)科學培訓管道。它依賴于 NVIDIA ? ［［ZCK0 號］? 用于低級計算優(yōu)化的原語，但通過用戶友好的 Python 接口（如 pandas 和 sciketlearnapi ）公開了 GPU 并行性和高內(nèi)存帶寬。

使用 RAPIDS 的 cuML ， 流行的機器學習算法，比如隨機森林， XGBoost 和其他許多產(chǎn)品都支持單 GPU 和大型數(shù)據(jù)中心部署。對于大型數(shù)據(jù)集，這些基于 GPU 的實現(xiàn)可以加快機器學習模型的訓練速度—通過 在隨機森林的情況下高達 45 倍 ，超過 100x 支持向量機 和 k 近鄰最高可達 600 倍 。這些加速可以將夜間作業(yè)轉(zhuǎn)換為交互式作業(yè)，允許探索更大的數(shù)據(jù)集，并且可以在以前訓練單個模型所需的時間內(nèi)嘗試幾十種模型變體。

圖 14 ：帶有 GPU 和 RAPIDS 的數(shù)據(jù)科學管道。

AutoGluon 的 最新版本 通過與 RAPIDS 集成，充分利用了 NVIDIA GPU 計算的潛力。通過這些集成， AutoGluon 能夠在 GPU 上訓練流行的 ml 算法并提高性能， 使更廣泛的受眾能夠訪問高性能的 AutoML 。

AutoGluon + RAPIDS 基準

對于 1 。 15 億行航空公司數(shù)據(jù)集 用于梯度增壓機 （ GBM ） 基準測試套件 ， AutoGluon + RAPIDS 的訓練速度比 cpu 上的 AutoGluon 快 25 倍，準確率為 81 。 92% ，比 XGBoost 基線高 7% 。 GPU 更喜歡更長的培訓時間，因為固定的啟動成本變得不那么重要。

圖 15 ： AutoGluon + RAPIDS 比 CPU 上的 AutoGluon 加速訓練 25 倍，準確率為 81 。 92% 。

為了獲得 81 。 92% 的準確率， gpu 上的 AutoGluon + RAPIDS 訓練時間為 4 小時，而 cpu 為 4 。 5 天。

圖 16 ： GPU 上的 AutoGluon + RAPIDS 訓練時間為 4 小時，而 CPU 為 4 。 5 天。

GPU 上的 AutoGluon + RAPIDS 不僅速度更快，而且成本更低，? 盡可能多的 CPU 訓練到相同的精度（ AWS EC2 定價： p3 。 2XL $ 0 。 9180 /小時， m5 。 2XL $ 0 。 1480 /小時）。

圖 17 ： GPU 上的 AutoGluon + RAPIDS 成本更低，? 盡可能多的 CPU 訓練到同樣的精度。

開始吧

要開始使用 AutoGluon 和 RAPIDS ：

啟動 帶 p3 。 2XL 的 AWS EC2 實例 GPU

為 CUDA 選擇深度學習 AMI

安裝 RAPIDS

安裝 AutoGluon 表格

試試這個 AutoGluon + RAPIDS Python 筆記本使用來自 Otto 集團產(chǎn)品分類挑戰(zhàn)賽的數(shù)據(jù)

AutoGluon 網(wǎng)站 為開發(fā)人員提供了大量的教程，幫助他們利用機器學習來處理表格、文本和圖像數(shù)據(jù)（包括分類/回歸等基本任務(wù)，以及對象檢測等更高級的任務(wù)）。

Conclusion

AutoGluon AutoML 工具箱使培訓和部署尖端技術(shù)變得很容易 復(fù)雜業(yè)務(wù)問題的精確機器學習模型。此外， AutoGluon 與 RAPIDS 的集成充分利用了 NVIDIA GPU 計算的潛力，使復(fù)雜模型的訓練速度提高了 40 倍，預(yù)測速度提高了 10 倍。

關(guān)于作者

Nick Becker 是 NVIDIA 的 RAPIDS 團隊的高級軟件工程師和數(shù)據(jù)科學家，他致力于構(gòu)建 GPU 加速的數(shù)據(jù)科學產(chǎn)品。尼克有技術(shù)和政府方面的專業(yè)背景。在 NVIDIA 之前，他曾在數(shù)據(jù)科學初創(chuàng)公司 Enigma Technologies 工作。在《謎》之前，他曾在美國中央銀行聯(lián)邦儲備理事會（ Federal Reserve Board of Governors ）進行經(jīng)濟學研究和預(yù)測。

Nick Erickson 是 Amazon 網(wǎng)絡(luò)服務(wù)人工智能的高級數(shù)據(jù)科學家。他是開源 AutoML 框架 autoglion 的主要開發(fā)人員和合著者。尼克正在尋求推進對人工智能的科學理解，并利用不斷增長的計算能力來創(chuàng)建有利于社會的強大的自適應(yīng)程序。

審核編輯：郭婷