论文精读:Neural Architecture Search without Training

Posted 夏小悠

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了论文精读:Neural Architecture Search without Training相关的知识,希望对你有一定的参考价值。

文章目录

1. Abstract

  手工设计深度神经网络所花费的时间和精力是巨大的,这推动了神经架构搜索(Neural Architecture Search,NAS)技术的发展,以实现自动化设计。然而,NAS算法往往速度慢且成本昂贵;它们需要训练大量的候选网络,以便为搜索过程提供信息。如果我们能够从网络的初始状态部分预测其训练的精度,这一问题就可以得到缓解。
  在这项工作中,作者测验了未经训练的网络中数据点之间的激活重叠,并激励如何能够给出有效表明网络训练性能的度量。作者将这种方法整合到一个简单的算法中,该算法允许我们在几秒钟内在单个GPU上搜索强大的网络,而无需任何训练,并在NAS-Bench-101NAS-Bench-201NATS BenchNDS(Network Design Spaces)上验证了其有效性。
  最终,作者的算法能够在30s内在NAS-Bench-201搜索空间上搜索到精度为92.81%的网络,比传统NAS方法快了几个数量级。

  Paper:https://arxiv.org/abs/2006.04647
  Code:https://github.com/BayesWatch/nas-without-training

2. Background

TimePaperAuthorMethod[Dis]advantages
2017Neural architecture search with reinforcement learningZoph & Le作者使用RNN控制器来生成候选网络,并对候选网络进行训练,使用强化学习更新控制器,以提高其生成的候选网络的质量控制器每次的输出结构都要进行训练,成本较高,作者使用800个GPU在CIFAR10数据集上训练了28天;缺乏灵活性,最终获得的网络是固定的,不能扩展,即不能用于移动设备或其他数据集
2018Learning transferable architectures for scalable image recognitionZoph et al.在神经单元块上搜索,而不是在整个架构上搜索。即作者搜索一个标准单元和一个简化单元(合并池)进行CIFAR10分类,然后将其用作ImageNet分类的更大网络的单元块在数量上更加灵活,单元块可以根据预算进行调整;500个GPU训练了4天
2018Efficient neural architecture search via parameter sharingPham et al.允许候选网络共享权重,以便进行联合训练降低了搜索的计算成本,使用单个GPU在CIFAR10数据集上运行了半天
2020Evaluating the search phase of neural architecture searchYu et al.证明了共享权重方法抑制了对最佳网络结构的搜索,使随机搜索成为一种极其有效的NAS基线/

  对于一些从业者来说,NAS仍然很慢。在硬件感知设置中,能够快速(即以秒为单位)执行NAS将非常有用,在该设置中,每个设备和任务通常需要单独搜索。

TimePaperAuthorMethod[Dis]advantages
2019FBNet: Hardwareaware efficient convnet design via differentiable neural architecture searchWu et al.//
2019MnasNet: Platform-aware neural architecture search for mobileTan et al.//

  评估NAS算法有效性的主要障碍是搜索空间(所有可能网络的集合)太大,无法进行详尽的评估。下面介绍几个常用的benchmarks

BenchmarksIntroduction
NAS-Bench 101包含423624个神经网络,在CIFAR10数据集上经过了108epoch的训练,使用了三种不同的初始化
NAS-Bench 201包含15625个神经网络,CIFAR10/CIFAR100/ImageNet-16-120数据集上训练了多次
NATS-Bench有两种搜索空间:拓扑搜索空间NATS-Bench TSS,包含15625个神经网络,也就是NAS-Bench 201;大小搜索空间NATS-Bench SSS,包含32768个神经网络,这些网络之间的cells通道数不同。

3. Method

3.1 score

  作者的目标是设计一种方法,在初始化时对网络架构进行评分,以表示其最终训练的精度,这样就可以使用成本低廉的计算方法来代替NAS算法中昂贵的训练步骤。
  给定一个具有修正线性单元(rectified linear units, RELU)的神经网络,我们可以在每层的每个RELU单元上确定一个关于该单元是未激活(值为负,因此乘以零)还是已激活(在这种情况下,其值乘以一)的二进制指标。固定这些指标变量,现在网络由线性算子局部定义,该算子通过将散布在每个层上的线性映射(the linear maps)与二进制校正单元(the binary rectification units)相乘而获得。
  mini-batch data X = x i i = 1 N X = \\x_i\\_i=1^N X=xii=1N可以通过神经网络映射为 f ( x i ) f(x_i) f(xi) f f f x x xRELU单元的指示变量形成一个定义线性区域(the linear region)的二进制码 c i c_i ci。与两个输入相关联的二进制码越相似,网络学习分离这些输入就越具有挑战性,当两个输入具有相同的二进制码时,它们位于网络的相同线性区域内,因此特别难以分离。相反,当输入被很好地区分时,学习应该更容易。下图可视化了ReLU单元的二进制激活码对应的线性区域:


  其中,1. 每个ReLU节点 A i A_i Ai将输入拆分为激活区域(>0)和非激活区域,我们将激活区域标记为1,非激活区域标记为02. 与每个节点 A i A_i Ai相关联的激活和非激活区域相交,具有相同激活模式的输入空间(input space)区域是共线的(co-linear)3. 下一层的ReLU节点 B B B将空间进一步划分为激活区域和非激活区域;4. 给定节点上的每个线性区域都可以由其前面的所有ReLU节点的激活模式唯一定义。
  作者用汉明距离(Hamming distance) d H ( c i , c j ) d_H(c_i, c_j) dH(ci,cj)来衡量两个输入(未训练网络的输入二进制码)的不相似程度(也可以说是相似性程度),因此可以通过计算核矩阵(kernel matrix) K H K_H KH来测验整个小批量数据的二进制码之间的对应关系:
K H = ( N A − d H ( c 1 , c 1 ) … N A − d H ( c 1 , c N ) ⋮ ⋱ ⋮ N A − d H ( c N , c 1 ) … N A − d H ( c N , c N ) ) K_H = \\beginpmatrix N_A-d_H(c_1, c_1) & \\dots & N_A-d_H(c_1, c_N) \\\\ \\vdots & \\ddots & \\vdots \\\\ N_A-d_H(c_N, c_1) & \\dots & N_A-d_H(c_N, c_N) \\endpmatrix KH=NAdH(c1,c1)NAdH(cN,c1)NAdH(c1,cN)NAdH(cN,cN)  其中, N A N_A NA是网络中RELU单元的数量, N N Nmini-batch的大小,这里是128

  这一点理解有些别扭,核矩阵 K H K_H KH衡量的是不同数据输入的相似性程度,相似性程度越低, K H K_H KH越接近于对角线。

  高性能网络具有较少的非对角元素和较高的相似性(如下图),可以利用这一观察结果来预测未经训练的网络的最终性能,作者使用以下公式来评估模型的性能:
s = l o g ∣ K H ∣ s=log |K_H| s=logKH   K H K_H KH越接近于对角线(最好只有对角线,也就是相似性越低,即不相似性越高), s s s越高,表示训练后的模型精度更高。

  举个简单的栗子:
    假设 K H = ( a b c d ) K_H = \\beginpmatrix a & b \\\\ c & d \\endpmatrix KH=(acbd),则 ∣ K H ∣ = ∣ a b c d ∣ = a d − b c |K_H| = \\beginvmatrix a & b \\\\ c & d \\endvmatrix=ad-bc KH=acbd=adbc,当b=c=0时, ∣ K H ∣ |K_H| KH有最大值,即 K H = ( a 0 0 d ) K_H = \\beginpmatrix a & 0 \\\\ 0 & d \\endpmatrix KH=(a00d),此时 K H K_H KH是一个对角矩阵,也就是只有主对角线元素有值,其它位置均为0。此时的 K H K_H KH表示的相似性程度最低,相应的 s c o r e score 以上是关于论文精读:Neural Architecture Search without Training的主要内容,如果未能解决你的问题,请参考以下文章

推荐系统论文精读系列(十四)--Information Fusion-Based Deep Neural Attentive Matrix Factorization Recommendation

论文解读:DTMT: A Novel Deep Transition Architecture for Neural Machine Translation

ENAS2018-arxiv-Efficient Neural Architecture Search via Parameter Sharing-论文阅读

告别炼丹,Google Brain提出强化学习助力Neural Architecture Search | ICLR2017

论文阅读 Hybrid Recurrent Neural Network Architecture-Based Intention Recognition for Human-Robot

神经网络结构搜索(Neural Architecture search)