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。
