给神经网络加一个按钮，AI将适用于所有人 _神经网络

文章插图

使用来自google Research的NASBench进行神经架构搜索 - 我们是否可以自动设计网络架构，而不是依赖专家经验和知识？
动机
神经结构架构搜索（NAS）的最新进展需要巨大的计算资源，这使得难以重现实验并对无法进行大规模计算的研究人员施加限制。神经架构搜索（NAS）被引入用于自动化人工神经网络（ANN）的设计。

搜索空间定义了可以设计和优化的ANN类型。
搜索策略定义了用于搜索空间的方法。
绩效评估策略从一个可能的人工神经网络的设计（不需要构建和训练）来评估其性能

文章插图
Jeff Dean的幻灯片显示神经架构搜索可以尝试20种不同的模型来找到最准确的
此文的结构如下：

陈述NAS及其在不同领域的优势和应用。
用简单的代码示例总结Google研究论文NASBench -101 。
举一个用pytorch进行高效神经网络搜索的例子。

神经架构搜索（NAS）应用程序

设计有辨别力的深度学习模型，如图像分类、对象检测和语义分割。
搜索生成模型，或者特别是基于自动编码器的通用样式转移，缺乏系统的探索。
结合不同输入类型（即RGB和光流）的抽象表示和基于视频的CNN架构的分辨率。这有助于允许不同类型或信息源彼此交互，通过增加一组过度连接的架构及其连接权重学习。

NASBench-101的演变
在图像分类领域，研究已经产生了许多将神经网络层组合成独特架构的方法，例如初始模块、残差连接或密集连接。这使得研究更多地研究神经架构搜索（NAS），并发现新架构作为一个优化问题，不仅是图像分类领域，还有其他领域，如序列建模。
由于大量的训练时间和不同的搜索空间的不同训练程序， NASBench-101 ，谷歌研究引入了第一个NAS架构数据集，以满足上述目的

利用图同构来识别423k独特的卷积体系结构。
列出他们的评估指标，包括运行时和准确性。
通过查询预先计算的数据集，可以在几毫秒内轻松评估各种模型的质量。

NASBench通常由一个表格数据集组成，该数据集将卷积神经网络架构映射到他们在CIFAR-10上经过训练和评估的性能。所有网络共享相同的网络“骨架” ，神经网络操作的唯一变化以任意图形结构连接。下面的3个数字从左到右表示如下：

具有多达9个顶点和7个边的有向非循环图，每个顶点处的操作是“3x3卷积”、“1x1卷积”和“3x3最大池化” 。
数据集中的类似初始的单元格。
高级概述每个模块的内部过滤器数量。

文章插图

文章插图

体系架构

NASBench架构选择很大程度上取决于网络的性能。对于网络的每个所选层，该算法对该延迟预测模型上的架构进行采样。研究发现，用1×1卷积或3×3最大池操作替换3×3卷积通常导致绝对最终验证准确度分别下降1.16％和1.99％。这也反映在训练时间的相对变化上，下降了14.11％和9.84％。尽管3×3最大池是无参数的，但是它在训练时间上比1×1卷积高5.04％，并且平均绝对验证准确度低0.81％。
选择正确的网络取决于评估神经网络的深度与宽度的准确性。随着网络越来越广，网络的训练时间增加，但有一个例外：宽度1网络是最昂贵的。这是因为所有宽度为1的网络都是简单的前馈网络而没有分支，因此激活映射永远不会通过其信道维度进行分割。

NAS旨在使用HPO（超参数优化）找到最佳神经网络架构，该架构涉及通过执行粗网格搜索来找到最佳的鲁棒训练超参数集。HPO通过调整各种数值神经网络训练参数（例如，学习速率）以及分类选择（例如，优化器类型）来操作以优化训练过程。