亚马逊网络服务最近推出了一个开源库，使开发人员只需几行代码即可在图像、文本或表格数据上实现深度学习模型。
AutoGluon 旨在成为一个易于使用且易于扩展的 AutoML 工具包，适合机器学习初学者和专家。它只需几行即可对深度学习模型进行原型设计;自动超参数调优、模型选择和数据处理;以及自动利用SOTA深度学习模型。AutoGluon框架还可以帮助研究人员定制和改进他们现有的定制模型和数据管道。
传统上，开发人员通过在训练过程中手动定义神经网络并指定超参数来训练深度学习模型。旨在实现SOTA性能的研究人员必须投入大量时间决定最有效的参数更新以最大程度地减少错误，选择层数以及它们应该如何连接，确定如何最好地分类和格式化数据，等等。
AutoGluon旨在消除这种繁琐的流程，并为开发人员提供真正的免提体验。导入 AutoGluon 包后，开发人员只需指定感兴趣的任务，加载相应的数据集，最后让 AutoGluon 在数千种不同的超参数配置下快速自动训练多个模型，然后返回最佳模型。
AutoGluon的应用之一是图像中的物体检测，通过边界框内的目标识别和定位来实现。AutoGluon Tabular的作者Nick Erickson和他的同事使用AutoGluon在使用VOC数据集的摩托车类别生成的小型玩具数据集上训练对象检测器。任务是在给定的图片中定位摩托车。通过对fit（）的一次调用并使用predict（）来测试模型，AutoGluon能够生成相当准确的可视化图像（如下所示）。
AutoGluon项目在GitHub上。