Keras 作者:Kaggle 冠軍隊伍最愛用我們的產品

2020-12-05 雷鋒網

雷鋒網(公眾號:雷鋒網) AI 科技評論按:近日,谷歌 AI 研究員、Keras 作者 Francois Chollet 在個人推特上發布一項關於 Kaggle 冠軍隊伍使用框架的調查結果,並對結果做了簡要點評。我們將原文編譯如下。

Kaggle 冠軍隊伍最愛使用的機器學習工具是哪些?為此,我們對 2016 年以來那些排名在前 5 的團隊進行了調查。第一個問題問的就是最愛使用哪些初級框架,很開心看到這些冠軍隊伍更青睞於 Keras。

第二個問題是關於二級框架的選擇,因為團隊的勝利一般離不開各種 ML 框架的集合。最終結果顯示, Sklearn 排名第一,這說明很多人都傾向於使用 sklearn ——雖然很多時候只是作為輔助框架,用於預處理或評分。

我們分別從 2018 年資料庫獲得 59 個數據點、2017 年資料庫獲得 48 個數據點、2016 年資料庫獲得 13 個數據點——這意味著數據非常新。這些有趣的結果隨之引出了一個問題:這純屬個人偏好嗎?還有沒有其他更多選擇?為此,我們試圖找到一個明確的模式。

贏得比賽或者發表論文很少是奔著成就最聰明或最好想法的目的。多數情況下,這是一場關於改進想法的遊戲。獲獎者是比其他人嘗試過更多東西的人,因而得以進一步完善最初想法。他們經歷更多的「進展循環」- 從一個想法開始、過渡到實施、再到可行結果。換句話說,獲勝隊伍能夠更快地完成這個循環罷了。

這也是 Keras 所能賦予你的優勢。

我們經常在探討如何遵循最佳用戶體驗進行 API 設計,使 Keras 更易於訪問與使用,並對初學者們產生幫助。在現實中,我們發現從優秀產品體驗中受益最多的並非初學者,而是世界上最優秀的那批從業者們。這是因為優秀的用戶體驗能夠有效減少設置新實驗所需的開銷(開發與認知層面的)。這也意味著,你能夠更快地進行迭代,並嘗試更多想法。最終,這將成為你贏得比賽或發表論文的方式。

我的總結是,Kaggle 冠軍隊伍之所以以壓倒性優勢選擇了 Keras,並非僅僅出於個人偏好,而是使用 Keras 能夠提高獲勝的機率。反之,那些採用快速實驗策略的人擁有更大的機率選擇 Keras。

雷鋒網 AI 科技評論雷鋒網                                  

雷鋒網原創文章,未經授權禁止轉載。詳情見轉載須知。

相關焦點

  • Kaggle Grandmaster 的 NLP 方法
    目前,他擔任挪威 Boost.a i 的首席數據科學家,這是一家「專門研究會話人工智慧(ai)的軟體公司」,但我對 Abhishek 印象最深的地方在於他的 Kaggle 影響力。我想看看 Abhishek 的經驗,了解任何關於 kaggle 的 NLP 問題。我選擇了 Abhishek 的 kernel。
  • Kaggle亞馬遜比賽冠軍專訪:利用標籤相關性來處理分類問題
    雷鋒網 AI科技評論消息,近日,Kaggle Blog上刊登了對「Planet: Understanding the Amazon from Space」比賽冠軍的專訪,在訪問中,我們了解到了冠軍選手bestfitting的一些基礎信息
  • 吸引7198 支隊伍參賽,看 Kaggle 信用預估比賽冠軍方案
    此次比賽的評測指標採用的是 AUC,要求參賽人員或隊伍對測試集的每個 SK_ID_CURR 預測 TARGET(償清貸款)的概率並以文件形式提交到 Kaggle 平臺。冠軍團隊成員之一 Bojan Tunguz 在 Kaggle 上發表了這支團隊的具體方案,以下是雷鋒 AI 科技評論對這一方案的編譯整理。
  • 揭穿AI競賽真實面目:各種冠軍模型根本沒用,Kaggle受益者挺身反駁
    缺乏大型、標記良好的數據集是構建有用的臨床AI的最大障礙,因此該數據集應該有所幫助。但是說數據集有用並不等於說競賽將產生好模型。因此,為了定義術語,讓我們假設一個好模型是指:一個可以在未見過的數據(模型不知道的情況)上檢測腦出血的模型。相反,一個糟糕的模型是,它不能在未見過的數據中檢測出腦出血。這些定義毫無爭議。
  • Keras vs PyTorch:誰是第一深度學習框架?
    兩大框架的連結:  Keras:https://github.com/keras-team/keras (https://keras.io/)  PyTorch:https://github.com/pytorch/pytorch  你想學習深度學習嗎?
  • Keras官方出調參工具了,然而Francois說先別急著用
    然而目前發布的版本還不成熟,Keras 作者 Franois Chollet 表示:大家先別用,API 還不穩定。Keras Tuner GitHub 地址:https://github.com/keras-team/keras-tuner早在上個月舉辦的谷歌 I/O 大會上,谷歌即展示了 Keras Tuner 的功能。
  • 手把手教你用 Keras 實現 LSTM 預測英語單詞發音
    原標題:手把手教你用 Keras 實現 LSTM 預測英語單詞發音 雷鋒網按:本文為 AI 研習社編譯的技術博客,原標題 Predicting English Pronunciations,作者 Ryan Epp。
  • 看我七十二變,Keras Image Data Augmentation 各...
    圖像深度學習任務中,面對小數據集,我們往往需要利用Image Data Augmentation圖像增廣技術來擴充我們的數據集,而keras的內置ImageDataGenerator很好地幫我們實現圖像增廣。但是面對ImageDataGenerator中眾多的參數,每個參數所得到的效果分別是怎樣的呢?
  • Keras和TensorFlow究竟哪個會更好?
    而基於 TensorFlow 基礎上構建的 Keras 提供了簡單易用的 API 接口,非常適合初學者使用。 2017 年 1 月,隨著 Keras 的作者、谷歌 AI 研究員 Francois Chollet 的一條消息的宣布,Keras 成為第一個被添加到 TensorFlow 核心的高級別框架,Keras 從此成為 Tensorflow 的默認 API。
  • 小白學CNN以及Keras的速成
    雖然說tensorflow已經是一個封裝好的框架,但是你發現你寫一個簡單的神經網絡也需要很多行才能夠寫完,這個時候,就有很多的第三方插架來幫助你寫網絡,也就是說你用tensorflow要寫10行,第三方插架幫你封裝了一個函數,就是把這10行集合在這個函數裡面,那麼你用1行,傳入相同的參數,就能夠達到10行相同的效果,如此簡便並且節約時間,可以幫助很快的實現我們的想法。
  • 使用TF2與Keras實現經典GNN的開源庫——Spektral
    以下是使用 Spektral 編寫的圖神經網絡在 MNIST 數據集上的訓練結果:驗證結果如下:我們將網絡權重可視化後,可得到下面這樣的效果:下圖展示了兩個圖卷積層的可視化效果。我們可以此來觀察圖神經網絡是否能夠學習到,與傳統卷積神經網絡類似的特徵。
  • Keras官方中文版文檔正式發布了
    Keras 官方文檔:https://keras.io/zh/Keras 第三方文檔:http://keras-cn.readthedocs.io/en/latest/以下我們將簡要介紹這次官方發布的 Keras 文檔。
  • Python學習120課 pandas簡介kaggle下載數據及pandas讀取外部數據
    numpy的基本的東西我們學習差不多了,後面具體應用中遇到問題具體分析,然後去深入了解遇到的新的知識點就行。現在我們開始學習pandas,pandas一般用的更多,pandas是基於numpy去寫的。pandas是一個專門做數據結構和數據分析的庫。
  • 用Keras和「直方圖均衡」為深度學習實現「圖像擴充」
    事實證明,最先進的卷積神經網絡在圖像識別方面的性能已經超過了人類水平。在本文中,我們將討論一些常見的、富有創意的方法,這些方法也是Keras深度學習庫為擴充圖像數據所提供的。之後我們將討論如何轉換keras預處理圖像文件,以啟用直方圖均衡法。我們將使用Keras附帶的cifar10數據集,但是為了使任務小到能夠順利在CPU上執行,我們將只會使用其中的貓和狗的圖像。首先,我們需要加載cifar10數據集並格式化其中的圖像,為卷積神經網絡做好準備。
  • Keras結合Keras後端搭建個性化神經網絡模型(不用原生Tensorflow)
    它幫我們實現了一系列經典的神經網絡層(全連接層、卷積層、循環層等),以及簡潔的迭代模型的接口,讓我們能在模型層面寫代碼,從而不用仔細考慮模型各層張量之間的數據流動。但是,當我們有了全新的想法,想要個性化模型層的實現,Keras的高級API是不能滿足這一要求的,而換成Tensorflow又要重新寫很多輪子,這時,Keras的後端就派上用場了。
  • Keras R語言接口正式發布,同時公開20個完整示例
    同時期,tensorflow作為下一代機器學習平臺,非常靈活,很適合產品部署。毫不驚訝地說,Keras和tensorflow正在逐漸超過其他深度學習框架。現在,你不需要糾結該選tensorflow或是Keras了。Keras的默認後端支持通過tensorflow工作流,實現tensorflow和Keras的無縫集成。
  • 我是如何成為Kaggle全網第一的?
    有一天,我收到了Boris的一封郵件,他是這一領域的專家,認為我們的技能可以實現互補。通常來說,我喜歡在比賽中單打獨鬥,但這一次,團隊合作似乎是更好的選擇。事實證明的確如此。起初,我們的方法存在很大分歧。我用的是特徵工程技術,而Boris則致力於創建描述符。
  • Keras 2發布:實現與TensorFlow的直接整合
    選自 The Keras Blog作者:Francois Chollet機器之心編譯參與:晏奇、黃小天、吳攀Keras 在 2015 年 3 月首次推出,現在用戶數量已經突破了 10 萬。其中有數百人為 Keras 代碼庫做出了貢獻,更有數千人為 Keras 社區做出了貢獻。
  • Kaggle座頭鯨識別落下帷幕,冠軍方案解讀
    點擊我愛計算機視覺標星,更快獲取CVML新技術本文經機器之心(微信公眾號:almosthuman2014)授權轉載,禁止二次轉載
  • 圖像分類入門,輕鬆拿下90%準確率|教你用Keras搞Fashion-MNIST
    在TensorFlow中,可以使用tf.keras函數來編寫Keras程序,這樣就能充分利用動態圖機制eager execution和tf.data函數。下面可能還會遇到其他深度學習名詞,我們就不提前介紹啦。