谷歌最近公布了一个开源的“模型搜寻”（Model Search）平台，能够帮忙钻研人员高效主动地开发机器学习模型。
谷歌示意，Model Search 不专一于某一特定畛域，可能找到适宜数据集和问题的模型体系结构，同时最大水平地缩小编码工夫和计算资源。
基于 TensorFlow 机器学习框架，由多种算法组成
AI 模型的胜利通常取决于它在各种工作负载下的性能。然而，设计一个可能很好地概括的模型是极具挑战性的。近年来，AutoML 算法开始呈现，帮忙钻研人员在不须要手动试验的状况下找到正确的模型。然而，通常状况下，这些算法是计算量大的，须要数千个模型来训练。
Model Search 基于谷歌的 TensorFlow 机器学习框架，能够在单台机器或多台机器上运行，由多个培训器、搜索算法、转移学习算法和存储评估模型的数据库组成。它以一种自适应和异步的形式运行人工智能模型的培训和评估试验，这样所有的培训者都能够分享从他们的试验中取得的常识，同时独立进行每个试验。在每个循环的开始，搜索算法查找所有已实现的试验，并决定下一步尝试什么，而后它“变异”到目前为止找到的最好的架构之一，并将失去的模型返回给训练器。
Model Search 玮钻研人员提供灵便、畛域不可知的机器学习模型发现框架
为了进一步提高效率和准确性，模型搜寻在试验中引入迁徙学习。例如，它应用常识提取和权重分担，这疏导了一些变量的模型从以前的训练模型。这使得更快的培训和更宽泛的发现更多更好的架构的机会成为可能。
在模型搜寻运行之后，用户能够比拟搜寻过程中发现的许多模型。此外，他们能够创立本人的搜寻空间来定制模型中的架构元素。
谷歌示意，在一次外部试验中，模型搜寻通过起码的迭代改良了生产模型，特地是在关键词辨认和语言辨认方面。它还设法找到了一个架构适宜的图像分类的重大摸索 CIFAR-10 开源成像数据集。
谷歌钻研工程师 Hanna Mazzawi 和钻研科学家 Xavi Gonzalvo 在一篇博客文章中写道，“咱们心愿模型搜寻将为钻研人员提供一个灵便的、畛域不可知的机器学习模型发现框架。通过建设特定畛域以前的常识，咱们置信，当提供由规范构建块组成的搜寻空间时，这个框架足够弱小，能够建设具备最先进性能的模型，用于钻研深刻的问题。”