我了解AutoKeras ImageClassifier的功能（https://autokeras.com/image_classifier/）
clf = ImageClassifier(verbose=True, augment=False)
clf.fit(x_train, y_train, time_limit=12 * 60 * 60)
clf.final_fit(x_train, y_train, x_test, y_test, retrain=True)
y = clf.evaluate(x_test, y_test)
但是我无法理解AutoModel类（https://autokeras.com/auto_model/）的功能，或者它与ImageClassifier有何不同
autokeras.auto_model.AutoModel(
inputs,
outputs,
name="auto_model",
max_trials=100,
directory=None,
objective="val_loss",
tuner="greedy",
seed=None)
参数输入和输出的说明
输入：HyperNode实例的列表。 AutoModel的输入节点。
输出：或HyperHead实例的列表。 AutoModel的输出头。
什么是HyperNode实例？
同样，什么是GraphAutoModel类？ （https://autokeras.com/graph_auto_model/）
autokeras.auto_model.GraphAutoModel(
inputs,
outputs,
name="graph_auto_model",
max_trials=100,
directory=None,
objective="val_loss",
tuner="greedy",
seed=None)
文档阅读
由HyperBlocks图定义的HyperModel。 GraphAutoModel是HyperModel的子类。除了HyperModel属性外，它还具有用于调整HyperModel的调谐器。用户可以以与Keras模型类似的方式使用它，因为它还具有fit（）和predict（）方法。
什么是HyperBlocks？
如果Image Classifier自动执行HyperParameter Tuning，则GraphAutoModel的用途是什么？
链接到任何文档/资源，以更好地理解AutoModel和GraphAutoModel受到赞赏。
最佳答案
最近与autokeras合作过，我可以分享我的一点知识。Task API
当执行经典的任务（例如图像分类/回归，文本分类/回归...）时，您可以使用自动keras提供的最简单的API，称为Task API：ImageClassifier，ImageRegressor，TextClassifier，TextRegressor ，...在这种情况下，您只有一个输入（图像，文本或表格数据，...）和一个输出（分类，回归）。Automodel
但是，当您遇到例如需要多个输入/输出体系结构的任务时，则不能直接使用Task API，这就是Automodel与I/O API一起起作用的地方。您可以查看提供的示例in the documentation，其中有两个输入（图像和结构化数据）和两个输出（分类和回归）GraphAutoModel
GraphAutomodel的工作方式类似于keras功能API。它组装了不同的块（卷积，LSTM，GRU等），并使用该块创建模型，然后它将根据您提供的这种架构寻找最佳的超参数。例如，假设我要使用时间序列作为输入数据来执行二进制分类任务。
首先让我们生成一个玩具数据集：
import numpy as np
import autokeras as ak
x = np.random.randn(100, 7, 3)
y = np.random.choice([0, 1], size=100, p=[0.5, 0.5])
在此，x是一个100个样本的时间序列，每个样本都是一个长度为7且特征维为3的序列。相应的目标变量y是二进制（0，1）。
使用GraphAutomodel，我可以使用所谓的
HyperBlocks指定所需的体系结构。有很多块：转换，RNN，密集，... check the full list here。就我而言，我想使用RNN块来创建模型，因为我有时间序列数据：
input_layer = ak.Input()
rnn_layer = ak.RNNBlock(layer_type="lstm")(input_layer)
dense_layer = ak.DenseBlock()(rnn_layer)
output_layer = ak.ClassificationHead(num_classes=2)(dense_layer)
automodel = ak.GraphAutoModel(input_layer, output_layer, max_trials=2, seed=123)
automodel.fit(x, y, validation_split=0.2, epochs=2, batch_size=32)
（如果您不熟悉上述定义模型的样式，则应查看keras功能API文档）。
因此，在此示例中，我具有更大的灵活性来创建要使用的体系结构骨架：LSTM块，然后是密集层，然后是分类层，但是我没有指定任何超参数，（lstm层数，密层，lstm层的大小，密层的大小，激活函数，退出，batchnorm等），Autokeras会根据我提供的架构（骨架）自动进行超参数调整。
关于machine-learning - Autokeras Auto Model和GraphAutoModel所需的说明，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/59301161/