近年来机器学习有了大幅增长，自动化机器学习也有很大需求。本文将从传统机器学习和深度学习两个角度介绍。
传统机器学习AutoML
CASH
AutoML的范围很广，可以包括从自动数据分析，自动特征工程，自动缩放，自动正则化，自动特征选择，自动模型选择，自动超参数优化等等。目前的研究方向，主要集中在CASH[1]，既Combined Algorithm Selection and Hyperparameter Optimization。
CASH问题最早由Auto-Weka[1]的作者Thornton提出，他同时提出了用贝叶斯优化 [2] 解决。
贝叶斯优化
在介绍贝叶斯优化之前，先回顾一下有哪些找极值的方法。最简单的当然是网格搜索和随机搜索。任何学过机器学习的人，都应该知道梯度下降。那么为什么这里不用梯度下降，而用贝叶斯优化呢？因为梯度下降要求目标函数是凸函数，可微分。我们并不知道机器学习算法的超参数是不是这样的函数，所以，我们用了更加通用的贝叶斯优化。他的好处是，不需要凸函数，不需要可微分。
贝叶斯优化我们把我们要研究的这个黑盒函数叫做目标函数Objective Function。因为目标函数的开销大，我们要给他找一个近似函数，这个函数叫代理函数Surrogate Function。代理函数会计算出一条平均值曲线和对应的标准差（Standard Deviation）。有个代理函数，我们就可以找到一下个探索点。这个过程，用一个获取函数Acquisition Function里实现。
贝叶斯优化，是在一个特定的搜索空间search space展开的。
整个过程如下：
- 在搜索空间中，选几个初始点X
- 用目标函数计算初始点X对应的解y
- 更新代理函数
- 通过acquisition function获得下一个样本点。
- Goto 2
中英文流程图如下：
下面是一个具体的例子：
假如我们有如下的目标函数：
我们计算了x=0和1时的两个值，代理用他们拟合了平均值和方差如下：
上图中的蓝色线段为我们的目标函数，绿色的是通过代理函数拟合的平均值，绿色虚线是平均值减去或者加上标准差。或者说，代理函数认为真实函数的值的范围在绿色虚线范围内。
这时，我们可以根据代理函数提供的信息，去寻找下一个点。这里，我们的代理函数用的算法是UCB (Upper Confidence Bound)，他找下一个点的方法是找平均值和标准差的和。这里我们忽略beta，或者说我们让beta等于1。
这时，我们看到，最大值出现在5.5附近。我们用这个x，带入目标函数，求得对应的y。这样，我们就有了三个样本点了。这时，我们继续。
我们看到，经过4次迭代，贝叶斯优化已经很接近最大值了。
比起其他的优化方法，贝叶斯优化掉用目标函数次数比较少。而我们知道，机器学习拟合函数（fit）是一个开销比较大的函数，如果是深度学习，那就更大了。
比起梯度下降，贝叶斯优化不容易陷入局部最优解。
Auto-Sklearn
Auto-Sklearn[3]继承了Auto-Weka的贝叶斯优化，并在贝叶斯优化的基础上，提出了两个新的改进。
一个改进是meta-learning，Auto-Sklearn通过机器学习的方法，根据数据集的大小，数据集的目标等特征可以大致估计出应该选择的超参数。这样可以减小超参数的搜索空间，从而提高了效率。
另一个改进是ensemble learning，通过ensemble，可以提高准确率。
笔者安装了Auto-Sklearn，并用我们最常见的，Kaggle中的泰坦尼克和波斯顿房价做了实验，实验用的CPU是一块i7。两个数据库，都跑了一个小时。成绩score分布是0.76和0.85。这个表现，一般对准确率要求没那么高的场景，应该可以应付了。
Auto-Skleran并不会处理任何的字符行的特征。所以，只能自行删除泰坦尼克里面的名字，船票等字符型特征。登船地点，性别也只能自行OneHot，或者转成布尔型。
示例代码：
import autosklearn.classification
cls = autosklearn.classification.AutoSklearnClassifier()
cls.fit(X_train, y_train)
predictions = cls.predict(X_test)
官网：
https://automl.github.io/auto-sklearn/master/
深度学习AutoML
原生NAS
Neural Architecture Search[4]是现在深度学习自动化的主要研究方向。原生的NAS用字符串表示深度模型，这样，就把深度学习模型里层（Layer）的预测，转化成了一个RNN的问题。NAS把这个RNN叫做控制器Controller。通过强化学习，控制器不断的调整自己的参数。
这样，就可以训练出串联模型了。
那么，如果模型有分叉怎么办呢？
NAS的办法是，训练N-1个二分类，用来预测当前层（第N层），分别和前面的（N-1）成的哪个层相连接。
NAS发现了很多新的结构，比如：
上图中的第一个为原始的LSTM，后面两个为NAS发现的。
NAS家族
NAS出现以后，不同的学者提出了很多不同的NAS。香港浸会大学的he xin[5]等人对其进行了总结。这些新的NAS用了不同的控制器算法，有网格搜索、随机搜索、强化学习、遗传算法（EA）、贝叶斯优化、梯度下降等。在提高效率方面，也想出了Low Fidelity, Transfer Learning, Surrogate, Early Stopping等方法。
Low Fidelity是指减少深度学习的数据量，使其更快收敛。Transfer Learning迁移学习保留了之前的层的参数，只训练新加入的层。Surrogate是指用代理函数。Early Stopping提前结束训练，也可以节省计算资源。
下图是各种NAS的比较：
Network Morphism
在NAS的时候，我们会不断的尝试新的网络结构。如果，我们可以让新的网络从已经训练过的网络学习参数，就可以大大的节省时间了。
Network Morphism[6]很好的解决了这个问题。NM有人翻译成网络变形，也有翻译成网络态射的。网络变形把父网络的知识迁移到子网络，这样，子网络可以达到高于或者等于父网络的表现。
他主要包括线性变化，非线性变化，宽带变化，Kernal变化，子网变化等。
线性变化
网络从第l-1层到第l+1层，线性变化的时候，其实就是乘了矩阵G。那么，我们把G分解成Fl和Fl+1就完成了变形。
非线性变化
非线性变化，无法像线性变化一样处理。在两个激活函数（φ）中间直接插入一个激活函数肯定不行。所以，有了一个Parametric Activation Function，或者叫P激活函数。
他的思路是，a的初始值是1，这样一开始P激活就退化成了Identity矩阵了。以后a的值会被训练出来。
宽度独立变化
带浪线的是子网的函数，经过一系列变化，可以得到
这时，我们只要让乘式两边其一为0，另一个为随机值即可。
Kernal独立变化
Kernal变化比较简单，只需要做Padding。
子网变化
子网变化分为两步，第一步是不断的执行线性或者非线性变化，插入新的层。第二步产生分支，既把G等分。
AutoKeras
AutoKeras是一款基于Keras的开源的AutoML框架。他采用了贝叶斯优化和网络变形等技术。目前，他支持CNN，RNN和简单的深度学习模型的搜索。
只需要四行代码，就可以自动搜索出一个神经网络。
import autokeras as ak
clf = ak.ImageClassifier()
clf.fit(x_train, y_train)
results = clf.predict(x_test)
具体可以参考其官网：
https://autokeras.com/
运用场景
AutoML针对的是比较成熟的人工智能解决方案。这时，调参和神经网络的结构已经有了成熟的解决方案。这些场景包括传统的机器学习，图像识别，目标检测，文本识别等。
对于语音等不成熟的人工智能解决方案，还无法使用AutoML。
参考
[1] C. Thornton, F. Hutter, H. Hoos, and K. Leyton-Brown. Auto-WEKA: combined selection and hyperparameter optimization of classification algorithms. In Proc. of KDD’13, pages 847–855, 2013.
[2] E. Brochu, V. Cora, and N. de Freitas. A tutorial on Bayesian optimization of expensive cost functions, with application to active user modeling and hierarchical reinforcement learning. CoRR, abs/1012.2599, 2010.
[3] Efficient and Robust Automated Machine Learning, Feurer et al., Advances in Neural Information Processing Systems 28 (NIPS 2015).
[4] Zoph, Barret, and Quoc V. Le. “Neural Architecture Search with Reinforcement Learning.” arXiv: Learning (2016).
[5] He, Xin, Kaiyong Zhao, and Xiaowen Chu. “AutoML: A Survey of the State-of-the-Art…” arXiv: Learning (2019).
[6] Wei, Tao, et al. “Network morphism.” international conference on machine learning (2016): 564-572.