神经架构优化(NAO)：新的神经架构搜索(NAS)算法

如果你是一名实践者，你可能发现自己经常会遇到同一个关键问题：我应该为现在的任务选择哪种架构？这个决定取决于多种因素以及很多其他问题的答案。我应该给这一层选择什么操作----卷积，深度可分卷积，或者较大池化？卷积层应该选多大的核？3*3 还是 1*1 ? 还有哪个节点该拿来作为循环神经网络（RNN）节点的输入？这些决定对架构的成功至关重要。如果你既是神经网络建模也是手头特定任务的专家，你可能很容易找到答案。但如果你在某一方面的经验有限呢？

 

这种情况下，你可能会尝试神经架构搜索（NAS），这是一种自动的过程，另一个根据以往观察到的架构和他们的表现，来指导创建更好的架构。多亏了NAS，我们可以发现在被广泛使用的公开数据集，比如 ImageNet, 上表现较好的神经网络架构，且不需要人工干预。

 

然而现存的自动设计神经网络架构的方法 -- 通常基于增强学习或者进化算法 -- 需要在指数级增长的离散空间中做搜索，我的同伴和我在微软亚洲研究院机器学习组 设计了一种简化的，更有效的方法，基于连续空间内的优化。有了我们的新方法，叫做 神经架构优化 （NAO），我们利用基于梯度的方法在更紧密的空间中做优化。这项工作参加了今年的 神经信息处理系统会议 （NeurIPS)

 

NAO的关键组件

驱动NAO进行在连续空间中基于梯度的优化，是靠以下三个组件：

 

一个把离散的神经网络架构转化为连续值向量的编码器，也叫嵌入模型

 

一个结果预估函数，它把向量作为输入，并产生一个数值作为架构的表现 （比如，准确率）

 

一个把连续值向量恢复成网络架构的解码器

 

这三个组件是一起训练的。我们完成训练后，从一个架构x 开始，我们用编码器E把x 转化为向量表示 ex , 再通过结果预估函数f给的梯度方向，把ex 转化为新的嵌入 ex` （如绿线表示）。既然我们在做梯度上升，只要步长够小，我们就能保证 f(ex`) >= f(ex)。最后，我们用decoder D把ex`转化为离散的架构 x`。这样，我们得到了一个可能更好的架构 x`.通过不断这样更新架构。我们得到了最终的架构，它应该有较好的表现。

 

 

 图1： NAO的流程

 

有有限的资源达到好的结果

我们做了后续的实验来验证NAO自动发现较好神经架构的有效性。表1（如下）展示了不同卷积神经网络（CNN）架构在CIFAR-10图片分类数据集上的表现，这些架构由不同 NAS 算法生成。从表中我们可以看出，用NAO发现的网络得到了较低的错误率。另外，将NAO和权重共享机制结合起来（叫做 NAO-WS），我们得到了显著的搜索速度提升。权重共享可以降低网络架构搜索的计算成本，它通过让多种网络结构共用同一份参数来做到。在我们的实验中，我们用一块图像处理器（GPU），在7个小时内得到了一个CNN架构，达到了3.53的错误率。通过权重共享，我们不必从头训练其它不同的神经网络。

 

表2（如下）总结了PTB语言模型的结果。越低的Perplexity表示更好的表现。又一次，我们用NAO来找到的RNN架构取得了好结果，而且只用有限的计算资源。

 

通过在连续空间上的优化，NAO得到了更好的结果，相比于现有的NAS方法，他们直接在离散架构空间中搜索。至于未来的应用，我们计划用NAO来为其它重要的AI任务搜索架构，比如神经机器翻译。同样重要的，更简单高效的自动神经架构设计，可以使机器学习技术为各阶段的人所用。

 

 

 

表1：CIFAR-10分类结果

 

 

表2：PTB语言模型结果

 

声明：文章收集于网络，如有侵权，请联系小编及时处理，谢谢！