Uber 宣布開源 Ludwig，一個基于 TensorFlow 的工具箱，該工具箱特點是不用寫代碼就能夠訓練和測試深度學習模型。

Uber 官方表示，對于AI開發者來說，Ludwig 可以幫助他們更好地理解深度學習方面的能力，并能夠推進模型快速迭代。另一方面，對于 AI 專家來說，Ludwig 可以簡化原型設計和數據處理過程，從而讓他們能夠專注于開發深度學習模型架構。

Ludwig 提供了一套 AI 架構，可以組合起來，為給定的用例創建端到端的模型。開始模型訓練，只需要一個表格數據文件（如 CSV）和一個 YAML 配置文件——用于指定數據文件中哪些列是輸入特征，哪些列是輸出目標變量。如果指定了多個輸出變量，Ludwig 將學會同時預測所有輸出。使用 Ludwig 訓練模型，在模型定義中可以包含附加信息，比如數據集中每個特征的預處理數據和模型訓練參數， 也能夠保存下來，可以在日后加載，對新數據進行預測。

對于 Ludwig 支持的數據類型（文本、圖像、類別等），其提供了一個將原始數據映射到張量的編碼器，以及將張量映射到原始數據的解碼器（張量是線性代數中使用的數據結構）。內置的組合器，能夠自動將所有輸入編碼器的張量組合在一起，對它們進行處理，并將其返回給輸入解碼器。

Uber 表示，通過組合這些特定于數據類型的組件，用戶可以將 Ludwig 用于各種任務。比如，組合文本編碼器和類別解碼器，就可以獲得一個文本分類器。

每種數據類型有多個編碼器和解碼器。例如，文本可以用卷積神經網絡（CNN），循環神經網絡（RNN）或其他編碼器編碼。用戶可以直接在模型定義文件中指定要使用的參數和超參數，而無需編寫單行代碼。

Ludwig 采用的這種靈活的編碼器-解碼器架構，即使是經驗較少的深度學習開發者，也能夠輕松地為不同的任務訓練模型。比如文本分類、目標分類、圖像字幕、序列標簽、回歸、語言建模、機器翻譯、時間序列預測和問答等等。

此外，Ludwig 還提供了各種工具，且能夠使用開源分布式培訓框架 Horovod。目前，Ludwig 有用于二進制值，浮點數，類別，離散序列，集合，袋（bag），圖像，文本和時間序列的編碼器和解碼器，并且支持選定的預訓練模型。未來將支持更多資料的種類。