NAS最近也很火，正好看到了這篇論文，解讀一下，這篇論文是基于DAG（directed acyclic graph）的，DAG包含了上億的 sub-graphs， 為了防止全部遍歷這些模型，這篇論文設(shè)計了一種全新的采樣器，這種采樣器叫做Gradient-based search suing differential Architecture Sampler(GDAS)，該采樣器可以自行學(xué)習(xí)和優(yōu)化，在這個的基礎(chǔ)上，在CIFAR-10上通過4 GPU hours就能找到一個最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。

目前主流的NAS一般是基于進(jìn)化算法(EA)和強(qiáng)化學(xué)習(xí)（RL）來做的。EA通過權(quán)衡validation accuracy來決定是否需要移除一個模型，RL則是validation accuracy作為獎勵來優(yōu)化模型生成。作者認(rèn)為這兩種方法都很消耗計算資源。作者這篇論文中設(shè)計的GDAS方法可以在一個單v100 GPU上，用四小時搜索到一個優(yōu)秀模型。

GDAS

這個采用了搜索robust neural cell來替代搜索整個網(wǎng)絡(luò)。如下圖，不同的操作（操作用箭頭表示）會計算出不同的中間結(jié)果（中間結(jié)果用cycle表示），前面的中間結(jié)果會加起來闖到后面。

在優(yōu)化速度上，傳統(tǒng)的DAG存在一些問題：基于RL和EA的方法，需要獲得反饋都需要很長一段時間。而這篇論文提出的GDAS方法能夠利用梯度下降去做優(yōu)化,具體怎么梯的下面會說到。此外，使用GDAS的方法可以sample出sub-graph，這意味著計算量要比DAG的方法小很多。

絕大多數(shù)的NAS方法可以歸為兩類：Macro search和micro search

Macro search

顧名思義，實(shí)際上算法的目的是想要發(fā)現(xiàn)一個完整的網(wǎng)絡(luò)結(jié)構(gòu)。因此多會采用強(qiáng)化學(xué)習(xí)的方式?，F(xiàn)有的方法很多都是使用Q-learning的方法來學(xué)習(xí)的。那么會存在的問題是，需要搜索的網(wǎng)絡(luò)數(shù)量會呈指數(shù)級增長。最后導(dǎo)致的結(jié)果就是網(wǎng)絡(luò)會更淺。

Micro Search

這種不是搜索整個神經(jīng)網(wǎng)絡(luò)，而是搜索neural cells的方式。找到指定的neural cells后，再去堆疊。這種設(shè)計方式雖然能夠設(shè)計更深的網(wǎng)絡(luò)，但是依舊要消耗很長時間，比如100GPU days，超長。這篇文章就是在消耗上面做優(yōu)化。

算法原理

DAG的搜索空間

前面也說了DAG是通過搜索所謂的neural cell而不是搜索整個網(wǎng)絡(luò)。每個cell由多個節(jié)點(diǎn)和節(jié)點(diǎn)間的激活函數(shù)構(gòu)成。節(jié)點(diǎn)我們用來表示，節(jié)點(diǎn)的計算如下圖。每個節(jié)點(diǎn)有其余兩個節(jié)點(diǎn)（下面公式中的節(jié)點(diǎn)i和節(jié)點(diǎn)j)來生成，而中間會從一個函數(shù)集合中去sample函數(shù)出來， 這個F數(shù)據(jù)集的組成是1)恒等映射 2)歸零 3)3x3 depthwise分離卷積 4)3x3 dilated depthwise 分離卷積 5)5x5 depthwise分離卷積 6)5x5 dilated depthwise 分離卷積。7）3x3平均池化 8) 3 x 3 最大池化。

那么生成節(jié)點(diǎn)I后，再去生成對應(yīng)的cell。我們將cell的節(jié)點(diǎn)數(shù)記為B，以B=4為例，該cell實(shí)際上會包括7個節(jié)點(diǎn)，是前面兩層的cell的輸出（實(shí)際上也就是上面公式中的k和j)，而則是我們(1)中計算出來的結(jié)果。也就是該cell的output tensor實(shí)際上是四個節(jié)點(diǎn)的output的聯(lián)結(jié)。

將cell組裝為網(wǎng)絡(luò)

剛剛上面的這種叫做normal cell,作者還設(shè)計了一個reduction cell, 用于下采樣。這個reduction cell就是手動設(shè)計的了，沒有像normal cell那樣復(fù)雜。normal cell 的步長為1，reduction cell步長為2， 最后的網(wǎng)絡(luò)實(shí)際上就是由這些cell組裝起來的。如下圖：

搜索模型參數(shù)

搭建的工作如上面所示，好像也還好，就像搭積木，這篇論文我覺得創(chuàng)新的地方在于它的搜索方法，特別是通過梯度下降的方式來更新參數(shù)，很棒。具體的搜索參數(shù)環(huán)節(jié)，它是這么做的：

首先我們的優(yōu)化目標(biāo)和手工設(shè)計的網(wǎng)絡(luò)別無二致，都是最大釋然估計：

而上式中的Pr，實(shí)際上可寫成：

這個實(shí)際上是node i和node j的函數(shù)分布，k則是F的基數(shù)。而Node可以表示為：

是從中sample出來的，而

這個實(shí)際上是node i和node j的函數(shù)分布，k則是F的基數(shù)。而Node可以表示為：

其中是從離散分布中間sample出來的函數(shù)。這里問題來了，如果直接去優(yōu)化Pr，這里由于I是來自于一個離散分布，沒法對離散分布使用梯度下降方法。這里，作者使用了Gumbel-Max trick來解決離散分布中采樣不可微的問題，具體可以看這個問題下的回答

如何理解Gumbel-Max trick？

TL;DR: Gumbel Trick 是一種從離散分布取樣的方法，它的形式可以允許我們定義一種可微分的，離散分布的近似取樣，這種取樣方式不像「干脆以各類概率值的概率向量替代取樣」這么粗糙，也不像直接取樣一樣不可導(dǎo)（因此沒辦法應(yīng)對可能的 bp ）。

于是這里將這個離散分布不可微的問題做了轉(zhuǎn)移，同時對應(yīng)的優(yōu)化目標(biāo)變?yōu)椋?/p>

這里有個的參數(shù)，可以控制的相似程度。注意在前向傳播中我們使用的是等式(5)， 而在反向傳播中，使用的是等式(7)。結(jié)合以上內(nèi)容，我們模型的loss是：

我們將最后學(xué)習(xí)到的網(wǎng)絡(luò)結(jié)構(gòu)稱為A，每一個節(jié)點(diǎn)由前面T個節(jié)點(diǎn)連接而來，在CNN中，我們把T設(shè)為2， 在RNN中，T設(shè)為1

在參數(shù)上，作者使用了SGD，學(xué)習(xí)率從0.025逐漸降到1e-3，使用的是cosine schedule。具體的參數(shù)和function F 設(shè)計上，可以去看看原論文。

總的來說，我覺得這篇論文最大的創(chuàng)新點(diǎn)是使用Gumbel-Max trick來使得搜索過程可微分，當(dāng)然它中間也使用了一些手動設(shè)計的模塊（如reduction cell），所以速度會比其余的NAS更快，之前我也沒有接觸過NAS， 看完這篇論文后對現(xiàn)在的NAS常用的方法以及未來NAS發(fā)展的趨勢還是有了更深的理解，推薦看看原文。