前言

AutoML 想要滿足普羅大眾的夢想，不用學習一堆的演算法，只要你指定工作類別，它就幫你找到最佳模型及最佳參數，當然包括預測結果，哇，這麼神，不一探究竟怎麼可以。

AutoKeras 就是以 Keras 風格撰寫的 AutoML 套件，目前提供三類功能：

1. 影像分類與迴歸(Image Classification and Regression)
2. 文字分類與迴歸(Text Classification and Regression)
3. 結構化資料分類與迴歸(Structured Data Classification and Regression)：即一般的表格資料，如 CSV、Excel、資料庫...等二維表格資料。

近期還會擴充 Time Series Forcasting, Object Detection, Image Segmentation 相關功能。

AutoKeras 撰寫非常簡單，我們就來玩玩看吧。

讓我們開始吧

1. 安裝很簡單，執行下列指令即可：

pip install git+https://github.com/keras-team/keras-tuner.git@1.0.2rc2
pip install autokeras

2. 簡單測試【手寫阿拉伯數字】辨識。

• 複製第三篇範例 03_01_MNIST.ipynb，另存為 30_01_AutoKeras_MNIST.ipynb。
• 載入MNIST資料集後，特徵縮放、One-hot encoding、指定損失函數、優化器、效能衡量指標通通都不需要，直接訓練即可，程式碼如下：

import tensorflow as tf
mnist = tf.keras.datasets.mnist

# 匯入 MNIST 手寫阿拉伯數字 訓練資料
(x_train, y_train),(x_test, y_test) = mnist.load_data()

import autokeras as ak

# 初始化影像分類器(image classifier)
clf = ak.ImageClassifier(
    overwrite=True,
    max_trials=1)
# 訓練模型
clf.fit(x_train, y_train, epochs=10)

執行後，會出現採用的最佳參數如下：

它會進行很多次實驗(Trials)，所以要稍等一下，訓練結果如下，準確度接近99%，比我們自己建立模型稍高：

• 評估：準確度也很高，連很潦草的第9筆也辨識正確。

# 預測
predicted_y = model.predict(x_test)

# 評估，打分數
print(model.evaluate(x_test, y_test))

圖一. 很潦草的第9筆，正確答案為 5

• 使用自己寫的數字測試一下，哇，全對。

# 使用小畫家，寫0~9，實際測試看看
from skimage import io
from skimage.transform import resize
import numpy as np

X_ALL = np.empty((0, 28, 28))
for i in range(10): 
    image1 = io.imread(f'./myDigits/{i}.png', as_gray=True)
    #image1 = Image.open(uploaded_file).convert('LA')
    image_resized = resize(image1, (28, 28), anti_aliasing=True)    
    X1 = image_resized.reshape(1, 28, 28) #/ 255
    # 反轉顏色
    # 顏色0為白色，與RGB顏色不同，(0,0,0) 為黑色。
    # 還原特徵縮放
    X1 = (np.abs(1-X1) * 255).astype(int)
    X_ALL = np.concatenate([X_ALL, X1])
predictions = model.predict(X_ALL)
print(predictions)

圖二. 用小畫家寫的數字 0~9

Fashion MNIST 辨識

再測試女士10種配件(Fashion MNIST)，程式檔為 30_02_AutoKeras_Fashion_MNIST.ipynb，結果與自建的模型差不多，準確度接近91%，另外從網路上下載一些圖片如下，結果只有涼鞋辨識錯誤。

圖三. 網路上下載的圖片

圖四. 測試結果

其他廠商的發展

不只 AutoKeras，其實其他雲端廠商也在戮力發展 AutoML，畢竟不是每個人都有大量的時間及數理能力學習AI，如果能夠降低學習的門檻，對AI發展絕對是正面的。

目前微軟的 ML.NET、Tensorflow 的 Estimators 都有類似的作法，未來精彩可期，不過，也不要過於期待，真正要作的好，關鍵還是在找到真正影響辨識的因子，還是需要領域專家(Domain Expert)的判斷以及資料科學家(Data Scientist)的實驗與驗證。

結論

以上只是針對 AutoKeras 作很簡單的測試，【官網】還有更多的範例有待努力閱讀，最後，借用AI廠商講的話作為結束。

AI只會取代不懂AI的員工，懂得運用AI的員工永遠不會被取代。

雖然是第二次完賽，還是有莫大的壓力，要好好療養一陣子了。

本篇範例包括 30_01_AutoKeras_MNIST.ipynb、30_02_AutoKeras_Fashion_MNIST.ipynb 以及 test_data 目錄，可自【這裡】下載。