Ludwig是一个建立在TensorFlow之上的工具箱，它允许用户在不需要编写代码的情况下训练和测试深度学习模型！
简单到什么程度？令人发指！
用户只需要提供一个包含数据的CSV文件，一个列表作为输入，一个列表作为输出，Ludwig就将为你完成其余的工作：训练、测试、可视化、分布式训练等等。
安装Ludwig就这样简单：
训练模型就一行命令：
模型预测也就一个命令：
可视化也只需一行：
当然，对于熟悉Python的用户，Ludwig也提供了非常简单易用的API：
可视化工具允许你分析模型的训练和测试性能，并对它们进行比较。
Ludwig在构建时考虑了可扩展性原则，很容易添加对新数据类型和新模型体系结构的支持。
工程人员可以使用它快速训练和测试深度学习模型，研究人员也可以使用它来获得强有力的基线版本，并方便进行对比，并通过执行标准数据预处理和可视化来确保模型可比性。
打个比方！TensorFlow提供了建筑房屋的积木，Ludwig提供的则是一栋栋的房子，你来决定建造怎样的城市！！
该工具箱的核心设计原则是:
无需编码:不需要编码技能来训练模型也不需要编码用它进行预测。
通用性:一种新的基于数据类型的深度学习模型设计方法，使该工具可以跨许多不同的应用领域使用。这点无比强大！
灵活性:经验丰富的用户对模型构建和训练可进行有效的控制，而新手会容易上手。
可扩展性:易于添加新的模型体系结构和新的特征数据类型。
可理解性:深度学习模型内部通常被认为是黑匣子，但是该库提供标准的可视化来理解它们的性能并比较它们的预测。
开源: Apache许可证2.0
使用该库的简单独到之处在于，你只需要关注于数据CVS文件和配置文件YAML！
Ludwig提供了不少计算机视觉、自然语言处理、机器学习热门应用的例子，让我们一起来领略使用一行命令我们能做什么吧！下面图中表格即为CVS数据文件示例，表格下为调用例子实验的命令。
图像分类：
视觉问答：
孪生网络One-shot学习：
图像描述：
机器翻译：
自然语言理解：
命名实体识别：
文本分类：
多任务学习：
多标签分类：
电影评分预测（机器学习回归预测）：
时间序列预测：
Kaggle泰坦尼克入门：幸存者预测
语义分析：
对话机器人：
无需编程、一行命令使用深度学习解决实际问题！关键是还在Uber的生产环境经过工程验证！这样的好工具，你想不想试一下呢？
开源地址：
https://github.com/uber/ludwig
文档及示例：
https://uber.github.io/ludwig/