Uber 宣布开源 Ludwig ，一个基于 TensorFlow 的 工具 箱，该工具箱特点是不用写代码就能够训练和测试深度学习模型。
Uber 官方表示，对于AI开发者来说，Ludwig 可以帮助他们更好地理解深度学习方面的能力，并能够推进模型快速迭代。另一方面，对于 AI 专家来说，Ludwig 可以简化原型设计和数据处理过程，从而让他们能够专注于开发深度学习模型架构。
Ludwig 提供了一套 AI 架构，可以组合起来，为给定的用例创建端到端的模型。开始模型训练，只需要一个表格数据文件（如 CSV）和一个 YAML 配置文件——用于指定数据文件中哪些列是输入特征，哪些列是输出目标变量。如果指定了多个输出变量，Ludwig 将学会同时预测所有输出。使用 Ludwig 训练模型，在模型定义中可以包含附加信息，比如数据集中每个特征的预处理数据和模型训练参数， 也能够保存下来，可以在日后加载，对新数据进行预测。
对于 Ludwig 支持的数据类型（文本、图像、类别等），其提供了一个将原始数据映射到张量的编码器，以及将张量映射到原始数据的解码器（张量是线性代数中使用的数据结构）。内置的组合器，能够自动将所有输入编码器的张量组合在一起，对它们进行处理，并将其返回给输入解码器。
Uber 表示，通过组合这些特定于数据类型的组件，用户可以将 Ludwig 用于各种任务。比如，组合文本编码器和类别解码器，就可以获得一个文本分类器。
每种数据类型有多个编码器和解码器。例如，文本可以用卷积神经网络（CNN），循环神经网络（RNN）或其他编码器编码。用户可以直接在模型定义文件中指定要使用的参数和超参数，而无需编写单行代码。
Ludwig 采用的这种灵活的编码器-解码器架构，即使是经验较少的深度学习开发者，也能够轻松地为不同的任务训练模型。比如文本分类、目标分类、图像字幕、序列标签、回归、语言建模、机器翻译、时间序列预测和问答等等。
此外，Ludwig 还提供了各种工具，且能够使用开源分布式培训框架 Horovod。目前，Ludwig 有用于二进制值，浮点数，类别，离散序列，集合，袋（bag），图像，文本和时间序列的编码器和解码器，并且支持选定的预训练模型。未来将支持更多资料的种类。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
测试驱动开发的艺术
Lasse Koskela / 李贝 / 人民邮电出版社 / 20101023 / 59.00元
在传统的软件开发中，开发人员对于代码是否正确心中无底，一切依赖于后期的测试环节。极限编程反其道而行之，主张采用测试驱动开发（TDD）的方法，即通过测试定义所要开发的功能的接口，然后实现功能的开发过程。TDD通过不断地测试推动代码的开发，既简化了代码，又保证了软件质量。 本书采用“手把手”的教学方式，通过大量实例来解释TDD，还专门用几章的篇幅来讲解如何为难于测试的技术编写单元测试。全书内容循......一起来看看 《测试驱动开发的艺术》 这本书的介绍吧!
