面试：你懂什么是分布式系统吗？Redis分布式锁都不会？>>> 
自动机器学习在过去的一年里呈爆发式的增长态势，一个又一个新的自动化学习框架的诞生让人眼花缭乱，目不暇接
为了方便持续关注该领域的动态，我在这里将目前发现和关注的框架再汇总一下，算是对之前的更新和补充：
有兴趣的话，大家可以了解下《开源自动机器学习盘点》以及《AutoML自动化机器学习技术深入》
以下排名，按github上的标星排名
Tpot
Tpot的增长势头很猛，眼睁睁从去年的2k多星增长到了5k多星，不仅是关注的人增加了，框架本身的迭代升级也很快
好消息是经过这一年多的努力，Tpot开始可以支持Xgboost了
坏消息是框架也越来越臃肿庞大，笔者尝试在16核32G上的服务器上跑了一些小任务，结果进程经常就莫名崩溃了
由此可见Tpot目前还缺乏稳定的运行机制，只能做一些小数据集的探索，对于打造自动化模型构建系统来说，还欠缺火候
AutoKeras
AutoKeras无疑是过去一年，AutoML领域增长最快的一套框架，从发布到现在短短1年多，便收集了5k+star
为什么会这么迅速的崛起，除了AutoKeras项目本身的快速迭代更新以外，更重要的是，它是继auto_ml（部分支持深度学习）之后，第一个完全自动化深度学习的框架。大家想必也知道，深度学习的超参数调整一般会比较耗时，AutoKeras抓住了发展时机，给出了一种自动调参的途径。
可能大家就很好奇，AutoKeras采取的是什么方法和手段进行参数调整呢？那就是NAS（neural architecture search），好像很高大上的名词，其实我们可以把它理解为一堆搜索策略的组合：随机搜索、网格搜索、贪婪搜索和贝叶斯优化，这方面的介绍文章也很多了，mark一下，不做深入介绍了
从目前采用的策略来看，也是一个PU beast，看着我可怜的几个CPU和GPU，想想还是算了，惹不起
h2o-3
知道h2o有几年了，但一直以为是一个类似于orange或SAS的机器学习平台，找了一下发现也有AutoML的部分，不过并没有开源，而且仅限于企业版，想要使用需要填写一个申请表格，这样就能得到一个license。唉，都什么年代了，还用老掉牙的商业策略诱惑，算了，pass
Featuretools
Featuretools不能算是一个自动机器学习框架，只是一个半自动的特征组合工具，而且组合特征之前必须先转换成它定义好的类型，心累。虽然关注的人不少，不过相信真正能在工作中用起来的并不多。好不容易算是一个填补自动化空缺的工具，却还是这么难用，唉，pass
auto-sklearn
auto-sklearn在之前的文章里也介绍过了，这一年多发展的不温不火，然而糟糕的是，目前更新频率好像越来越慢，有点要放弃的势头，所以在这里也不继续深入介绍了，pass
AdaNet
AdaNet给人眼前一亮的感觉，号称是tensorflow团队非官方的项目，一图胜千言，一看就懂
框架的亮点就在于 ANAS（渐进式的神经网络结构搜索），这个特征非常符合建模准则：奥卡姆剃刀、模型集成方法等，所以也是非常值得期待的，可以持续保持关注
（看来还是大公司靠谱）
可是，目前这个框架只能算是一种搜索算法，只能通过包的形式使用，还缺少一个工程化的壳子
NNI
这个世界上的软件项目，怎么能缺少微软呢，微软出品的这套NNI框架，也没让我失望，设计条理清晰，结构简单合理，只可惜不支持windows平台
可以继续保持关注，我也是醉了，怎么自己打自己脸，主推的机器学习框架竟然不支持自家最nb的产品
不过NII的确实值得想要打造自动化机器学习平台的朋友的关注，该框架目前已经集成了绝大多数调节器包括：
TPE, Random Search, Anneal, Naive Evolution, SMAC, Batch ,Grid Search, Hyperband, Network Morphism, ENAS, Metis Tuner,BOHB
NNI还在快速的迭代中。不得不说，想要做成事，还得靠大厂
PocketFlow
Tensorflow团队的自动化模型压缩框架，亮点也很多，顾名思义，是为移动设备准备的，暂不在本次考察考虑范围内，pass
darts
严格意义上来说，darts也只是一种算法框架，主要面向的是卷积和递归神经网络结构的搜索问题，所以它的命运很可能与Adanet类似是成熟后被集成到其他框架中去
TransmogrifAI
TransmogrifAI，对我而言，这个框架又是一个鸡肋般的存在，使用scala编写，运行在spark之上，想想就很“沉重”，更何况以一己之力去维护这么一堆生态圈上的各个系统，简直就是自杀行为，算了，pass，有兴趣的朋友可以去关注
大家可能会觉得我有点简单粗暴，但我只想表达一点个人的观点：只有足够轻量的东西才能快速迭代，现在的自动化机器学习技术远不算成熟，把不成熟的思想封装到厚重的盒子里，会是什么后果呢？
automl-gs
automl-gs，这个好，简单小巧，有点“沙漠之鹰”的味道，一键输入，一键输出，值得关注
相比其他框架，最大的亮点：0代码，哈哈，懒人们有福了，不过会不会有更大的坑埋在里面呢？自己探索去吧
Auto_ml
之前的文章里，我也介绍过这款框架，不过不幸的是，和auto-sklearn类似，这款框架也有走下坡路的趋势，更糟的是已经1年没更新了，所以只好忍痛 pass
Ludwig
Ludwig，uber推出的机器学习“盒子”，与nni类似，未来这两款盒子谁将成为主导，还说不好，只能都保持关注
综上，自动化机器学习领域正受到越来越多巨头的关注，深度学习自动化，以及机器学习工程化的东西也越来越多了
一个掌握机器学习技术的人，能够使用这些工具创造价值、产生生产力的可能性也越来越大
机器学习专家的极客时代就要到来，看来未来真的有点意思了！