本文為 AI 研習社編譯的技術部落格，原标題 ：
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 | 鳳梨妹
原文連結：
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絡架構？這個決定取決于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絡（RNN）節點的輸入？這些決定對架構的成功至關重要。如果你既是神經網絡模組化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尋（NAS），這是一種自動的過程，另一個機器學習算法根據以往觀察到的架構和他們的表現，來指導建立更好的架構。多虧了NAS，我們可以發現在被廣泛使用的公開資料集，比如 ImageNet, 上表現最好的神經網絡架構，且不需要人工幹預。
然而現存的自動設計神經網絡架構的方法 -- 通常基于增強學習或者進化算法 -- 需要在指數級增長的離散空間中做搜尋，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，基于連續空間内的優化。有了我們的新方法，叫做 神經架構優化 （NAO），我們利用基于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 神經資訊處理系統會議 （NeurIPS)
NAO的關鍵元件
驅動NAO進行在連續空間中基于梯度的優化，是靠以下三個元件：
一個把離散的神經網絡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，并産生一個數值作為架構的表現 （比如，準确率）
一個把連續值向量恢複成網絡架構的解碼器
這三個元件是一起訓練的。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，隻要步長夠小，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
有有限的資源達到好的結果
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絡（CNN）架構在CIFAR-10圖檔分類資料集上的表現，這些架構由不同 NAS 算法生成。從表中我們可以看出，用NAO發現的網絡得到了最低的錯誤率。另外，将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尋速度提升。權重共享可以降低網絡架構搜尋的計算成本，它通過讓多種網絡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個小時内得到了一個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絡。
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，而且隻用有限的計算資源。
通過在連續空間上的優化，NAO得到了更好的結果，相比于現有的NAS方法，他們直接在離散架構空間中搜尋。至于未來的應用，我們計劃用NAO來為其它重要的AI任務搜尋架構，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
想要繼續檢視該篇文章相關連結和參考文獻？
長按連結點選打開或點選【神經架構優化（NAO）：新的神經架構搜尋（NAS）算法】：
https://ai.yanxishe.com/page/TextTranslation/1335
AI研習社每日更新精彩内容，觀看更多精彩内容：雷鋒網(公衆号：雷鋒網)雷鋒網雷鋒網
五個很厲害的 CNN 架構
一文帶你讀懂計算機視覺
用Pytorch做深度學習（第一部分）
Python進階技巧：用一行代碼減少一半記憶體占用
等你來譯：
(Python)3D人臉處理工具face3d
25個能放到資料湖中的語音研究資料集
如何在資料科學面試中脫穎而出
Apache Spark SQL以及DataFrame的基本概念，架構以及使用案例