实战：开发可供100，000多人观看的一个机器学习主题演示！

点击上方关注，AllinAI中国作者：KimberlyCook你是否在CloudNext'18会议主题演讲期间错过了AutoML公告和机器学习演示？在这篇文章中，我将概述所发布的AutoML产品以及在主题演讲中的演示。我还将分享关于构建演示过程的一些见解，以便你可以将它应用到自己的演示中。什么是AutoML？

AutoML目前有3种版本可供选择，所有这些版本都在下一个测试版中推出：愿景：构建根据数据集中的图像训练的图像分类模型，以便对图像中的云计算类型进行分类。自然语言：构建自定义文本分类模型，将句子和文本文档分类到自己的类别中。翻译：构建特定领域的翻译模型，以改进针对特定行业术语和语言细微差别的翻译。在主题演讲中，展示了AutoMLVision和NL的演示。

训练模型就像按下按钮一样简单：

评估模型并生成预测训练模型后，你可以查看一些常用的机器学习指标来评估其准确性。我最喜欢的是混淆矩阵，它显示了模型能够正确分类的测试集中的图像百分比。在理想情况下，可以在左上角看到一条强大的对角线，如下所示：

你可以单击任何方块以查看模型发现混淆的图像。接下来是最好的部分——对生成模型之前未见过的图像进行预测。你可能已经注意到LeafSnap数据集中的叶子图像非常均匀：它们都是在白色实验室背景下拍摄的。由于这是整个"世界"我们的模型都经过了训练，我们不应期望它能够很好地分类具有繁杂背景的树叶图像。

以下是你使用curl向自定义模型发出请求的方法：

AutoML自然语言演示来自Vision的相同数据集选择标准也适用于自然语言（NL）。我正在寻找一个特定于数据集，以至于你无法获取文本并通过CloudNLAPI的内容分类方法运行它（在很多情况下，这种方法非常好）。我还需要按数据集许可证进行过滤。

为了训练模型，你只需按一下按钮！请注意，训练自然语言（NL）模型的时间目前比演示要长得多。我发现自然语言（NL）模型大约需要3到4个小时的训练（完成后你会收到一封电子邮件）。评估模型并生成预测为了评估单标签自然语言（NL）模型的准确性，我们还可以查看混淆矩阵：

在这里，我们还看到左上角有一个醒目的对角线，这意味着我们的模型正确地对大部分测试数据进行了分类。现在是生成对文本输入预测的时候了，其模型以前没见过：在此示例中，我们的模型预测了正确的"实验室设备"类别，对此特定文本输入的置信度为98％：我的学生需要为我们的小丑鱼水产养殖项目提供水族馆照明。与AutoMLVision一样，我们可以访问自定义API端点以生成预测：