晓查 发自 凹非寺
量子位 报道 | 公众号 QbitAI
AlphaGo战胜了人类最强棋手，但前提是它先学会了人类棋谱，离不开人类指导。
接着谷歌又推出了AlphaGo Zero，只让AI知道围棋规则，从零开始学下棋，结果再次登上棋艺顶峰。
AI既然能从零学习围棋，是否可以从零开始摸索机器学习算法？当然可以，谷歌大脑团队最新的研究成果已经做到了。
谷歌将这种技术称之为AutoML-Zero，意为“从零开始的自动机器学习”，已经在GitHub开源，并在Arxiv上提交了论文。
而且这一研究还是来自谷歌大脑的Quoc V.Le大神之手。
AutoML-Zero仅使用基本数学运算为基础，从一段空程序开始，即可自动发现解决机器学习任务的计算机程序。
AutoML Zero能发现什么
AutoML是一种实现从数据集到机器学习模型的自动化方法，让你无需高深专业知识，就能自动部署ML模型。
虽说是自动，但现阶段的AutoML还要对搜索空间进行很大的限制，这使我们在使用AutoML的时候仍然需要一些专业知识去设计神经网络的层。
谷歌的目标是让AutoML可以走得更远，仅仅使用基本的数学运算作为构建块，就可以自动发现完整的机器学习算法，进一步降低机器学习的门槛。
尽管AutoML-Zero巨大的搜索空间充满挑战性，但进化搜索还是能发现具有梯度下降的线性回归算法、具有反向传播的二层神经网络。
值得注意的是，可以AutoML-Zero的进化过程也是一个不断“发明”的过程解释进化的算法，它已经找到了双线性交互、权重平均、归一化梯度、数据增强等技术，甚至在某些情况下还发现了类似Dropout的算法。
下面我们先来看看，AutoML在CIFAR-10的二元分类任务上是如何一步步进化的。它首先发现了线性回归，然后找到了损失函数、梯度下降。
随着训练的进行，出现了随机学习率、随机权重、激活函数ReLU、梯度归一化，最后得到了84.06 ± 0.10%正确率的终极算法。
只训练一个二元分类结果还不太具有说服力，作者又用3种极端情况考察了Auto ML。
首先，当样本数量很少的时候，在80个样本上运行100个epoch。AutoML竟然进化出另一种适应性算法，给输入数据加上了噪声，并开始使用Dropout来训练模型。
在快速训练的情况下，只有800个样本和10个epoch，结果导致学习率衰退反复出现，这
是一个我们在快速训练训练机器学习模型中常见的策略。
至于多类别的分类问题，作者使用了CIFAR-10数据集的所有10个类。AutoML进化算法有时会使用权重矩阵的变换平均值作为学习速率。甚至作者也不知道为什么这种机制会更有利于多类任务，虽然这种结果在统计学上是显著的。
上面的所有测试整个过程中，人类没有告诉程序任何先验的机器学习知识。
演示
现在谷歌将AutoML-Zero的程序提交到GitHub，普通电脑只需5分钟就能体验一下它的实际效果。
安装好Bazel后，将代码下载到本地，运行其中的demo程序：
gitclonehttps://github.com/google-research/google-research.git
cdgoogle-research/automl_zero
./run_demo.sh
?这个脚本在10个线性任务上运行进化搜索。每次实验后，它都会评估在100个新的线性任务中发现的最佳算法。一旦算法的适应度大于0.9999，就选择该算法作为最终结果，将代码打印在屏幕上。
在普通电脑上使用CPU在5分钟内就能发现类似于梯度下降进行线性回归的程序：
found:
defSetup():
s3=-0.520936
s2=s2*s3
s2=dot(v1,v1)
v2=s2*v1
s2=s3*s2
v1=s0*v2
s2=s0-s3
s2=-0.390138
v2=s2*v0
s1=dot(v1,v0)
defPredict():
s2=-0.178737
s1=dot(v1,v0)
defLearn():
s1=s1*s2
s3=s3*s2
s2=s0*s2
s1=s1-s2
v2=s1*v0
v1=v2+v1
v2=s3*v0
v1=v2+v1
由人工设计的ML算法是，有兴趣的话，你可以比较这两段程序的差异。
defSetup():
s2=0.001#Initlearningrate.
defPredict():#v0=features
s1=dot(v0,v1)#Applyweights
defLearn():#v0=features;s0=label
s3=s0-s1#Computeerror.
s4=s3*s1#Applylearningrate.
v2=v0*s4#Computegradient.
v1=v1+v2#Updateweights.
关于作者
这篇文章的四位作者分别是：Esteban Real、Chen Liang、David R. So以及谷歌大脑的大神Quoc V.Le。
前两位都是有物理背景的博士生。Esteban Real毕业于哈佛大学，拥有物理学士学位和神经科学博士学位。他的研究方向是视网膜的神经编码。
Chen Liang毕业于北京大学物理系，之后获得了西北大学的人工智能和机器学习博士学位，现在是谷歌大脑的一名研究员，研究方向是强化学习、NLP和AutoML。
传送门
论文地址：
https://arxiv.org/abs/2003.03384
GitHub地址：
https://github.com/google-research/google-research/tree/master/automl_zero
作者系网易新闻·网易号“各有态度”签约作者
本文首发于微信公众号：量子位。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。
