神經架構優化(NAO)：新的神經架構搜索(NAS)演算法

本文為 AI 研習社編譯的技術博客，原標題 ：

Discovering the best neural architectures in the continuous space | Microsoft Research

作者 | Fei Tian

翻譯 | 孫稚昊2

校對 | 醬番梨 整理 | 菠蘿妹

原文鏈接：

https://www.microsoft.com/en-us/research/blog/discovering-the-best-neural-architectures-in-the-continuous-space/

如果你是一名深度學習實踐者，你可能發現自己經常會遇到同一個關鍵問題：我應該為現在的任務選擇哪種神經網路架構？這個決定取決於多種因素以及很多其他問題的答案。我應該給這一層選擇什麼操作----卷積，深度可分卷積，或者最大池化？卷積層應該選多大的核？3*3 還是 1*1 ? 還有哪個節點該拿來作為循環神經網路（RNN）節點的輸入？這些決定對架構的成功至關重要。如果你既是神經網路建模也是手頭特定任務的專家，你可能很容易找到答案。但如果你在某一方面的經驗有限呢？

這種情況下，你可能會嘗試神經架構搜索（NAS），這是一種自動的過程，另一個機器學習演算法根據以往觀察到的架構和他們的表現，來指導創建更好的架構。多虧了NAS，我們可以發現在被廣泛使用的公開數據集，比如 ImageNet, 上表現最好的神經網路架構，且不需要人工干預。

然而現存的自動設計神經網路架構的方法 -- 通常基於增強學習或者進化演算法 -- 需要在指數級增長的離散空間中做搜索，我的同伴和我在微軟亞洲研究院機器學習組 設計了一種簡化的，更有效的方法，基於連續空間內的優化。有了我們的新方法，叫做 神經架構優化 （NAO），我們利用基於梯度的方法在更緊密的空間中做優化。這項工作參加了今年的 神經信息處理系統會議 （NeurIPS)

驅動NAO進行在連續空間中基於梯度的優化，是靠以下三個組件：

• 一個把離散的神經網路架構轉化為連續值向量的編碼器，也叫嵌入模型

• 一個結果預估函數，它把向量作為輸入，併產生一個數值作為架構的表現 （比如，準確率）

• 一個把連續值向量恢復成網路架構的解碼器

• 這三個組件是一起訓練的。我們完成訓練後，從一個架構x 開始，我們用編碼器E把x 轉化為向量表示 ex , 再通過結果預估函數f給的梯度方向，把ex 轉化為新的嵌入 ex` （如綠線表示）。既然我們在做梯度上升，只要步長夠小，我們就能保證 f(ex`) >= f(ex)。最後，我們用decoder D把ex`轉化為離散的架構 x`。這樣，我們得到了一個可能更好的架構 x`.通過不斷這樣更新架構。我們得到了最終的架構，它應該有最好的表現。

圖1： NAO的流程

我們做了後續的實驗來驗證NAO自動發現最好神經架構的有效性。表1（如下）展示了不同卷積神經網路（CNN）架構在CIFAR-10圖片分類數據集上的表現，這些架構由不同 NAS 演算法生成。從表中我們可以看出，用NAO發現的網路得到了最低的錯誤率。另外，將NAO和權重共享機制結合起來（叫做 NAO-WS），我們得到了顯著的搜索速度提升。權重共享可以降低網路架構搜索的計算成本，它通過讓多種網路結構共用同一份參數來做到。在我們的實驗中，我們用一塊圖像處理器（GPU），在7個小時內得到了一個CNN架構，達到了3.53的錯誤率。通過權重共享，我們不必從頭訓練其它不同的神經網路。

表2（如下）總結了PTB語言模型的結果。越低的Perplexity表示更好的表現。又一次，我們用NAO來找到的RNN架構取得了好結果，而且只用有限的計算資源。

通過在連續空間上的優化，NAO得到了更好的結果，相比於現有的NAS方法，他們直接在離散架構空間中搜索。至於未來的應用，我們計劃用NAO來為其它重要的AI任務搜索架構，比如神經機器翻譯。同樣重要的，更簡單高效的自動神經架構設計，可以使機器學習技術為各階段的人所用。

表1：CIFAR-10分類結果

表2：PTB語言模型結果

想要繼續查看該篇文章相關鏈接和參考文獻？

長按鏈接點擊打開或點擊【神經架構優化（NAO）：新的神經架構搜索（NAS）演算法】：

https://ai.yanxishe.com/page/TextTranslation/1335

AI研習社每日更新精彩內容，觀看更多精彩內容：雷鋒網雷鋒網雷鋒網

一文帶你讀懂計算機視覺

等你來譯：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！