谷歌的TF-Coder工具使机器学习模型设计自动化

Google的AI研究部门之一Google Brain的研究人员开发了一种自动化工具，用于在TensorFlow等机器学习框架中进行编程。他们说，在某些具有挑战性的开发任务上，它的性能要比人类好，要花几秒钟才能解决使人类程序员花费数分钟甚至数小时才能解决的问题。

新兴的AI技术已在计算机视觉，音频处理，自然语言处理和机器人技术方面取得了突破。机器学习框架(例如TensorFlow，Facebook的PyTorch和MXNet)发挥了重要作用，使研究人员能够开发和完善新模型。但是，尽管这些框架简化了AI模型的迭代和训练，但它们具有陡峭的学习曲线，因为张量计算的范例与传统编程完全不同。(张量是代数对象，描述了与向量空间相关的事物集之间的关系，它们是机器学习中的一种方便的数据格式。)大多数模型都需要各种张量操纵来进行数据处理或清除，自定义损失函数。

研究人员的TF-Coder工具旨在从输入和输出示例以及自然语言描述中合成张量操纵程序。每操作权重允许TF-Coder以增加复杂性的顺序枚举TensorFlow表达式，而新颖的基于类型和基于值的过滤系统则处理TensorFlow库施加的约束。一个单独的框架结合了来自多个独立机器学习模型的预测，这些模型根据输入和输出张量的特征以及任务的自然语言描述来选择要在操作搜索期间进行优先级排序的操作。这有助于定制搜索以适合手头的特定合成任务。

TF-Coder在TensorFlow中考虑了500个中的134个张量操纵操作，包括重塑，过滤器，聚合，地图，索引，切片，分组，排序和数学运算。它能够处理涉及四个或五个不同操作的组成以及包含十个或更多组件的数据结构的问题，这些错误的余地很小，因为形状和数据类型必须始终兼容。

共同作者说，在实验中，TF-Coder在问答网站StackOverflow的一系列实际问题上实现了“超人”性能。评估了来自StackOverflow和生产环境中的70个实际的张量转换任务，TF-Coder成功地将解决方案平均合成了63个任务，平均在17秒内完成了操作，从而使合成时间“显着”缩短了(平均加快了35.4%)。使用模型。值得注意的是，TF-Coder还提供了合著者声称比TensorFlow专家编写的解决方案“更简单”和“更优雅”的解决方案-两种解决方案比最佳手写解决方案所需的操作更少。

“我们相信TF-Coder可以帮助机器学习初学者和经验丰富的从业人员编写深度学习管道中常见的棘手的张量转换程序，”合著者写了一篇描述TF-Coder的预印本。“也许从这项工作中学到的最重要的教训仅仅是以下事实：经过充分优化的枚举搜索可以在几秒钟内成功解决现实世界中的张量操纵问题，即使是人类程序员难以在几分钟之内解决的问题。”

中国联通：已累计开通5G基站33.2万站 到今年年底预计超过38万个

饿了么现已入驻1000所高校食堂 校园内平均20分钟送达

谷歌在西雅图附近规划新园区 在亚马逊和微软总部所在地扩大触角

我国国家顶级域名“.CN”数量超过2300万个 IPv6规模化部署提速

邬贺铨：截至8月我国IPv6活跃用户达3.65亿 占互联网用户之比达40.32%

苹果、谷歌、英特尔等公司已经加入行业组织美国“6G联盟”

微软今天正式终止Win7嵌入式系统支持 花钱可买三年补丁

OPPO将发布首款概念级应用OPPO CybeReal 针对AR领域