神经网络训练搜索

了解神经网络训练搜索

1 概述

神经网络训练搜索又名神经网络结构搜索 (Neural Architecture Search, NAS)，是自动机器学习 (Automated Machine Learning, AutoML) 的子领域。

神经网络训练搜索NAS本质上是优化问题，其目的是不通过人工，实现最优网络模型设计和选择自动化。使用者不需要具备丰富的专家经验，降低了网络模型设计难度和人力成本，有效保证业务应用效果的时延。

2 主要构成

NAS有三个基本要素：搜索空间、搜索策略和性能评估策略。

给定一个称为搜索空间的候选神经网络结构集合，用某种搜索策略从中搜索出最优网络结构。

神经网络结构的性能用某些指标如验证精度、计算开销等来度量，称为性能评估。

2.1 搜索空间

搜索空间可以看成是一个集合，集合中的每个元素代表一种候选网络结构。根据搜索空间的颗粒度不同，可以大概分成以下四类：

• Layer-based：关注的是每一层怎么设计。
• Block-based：关注的是每一块怎么设计，每个块中包含多个层，块里面每个层的设计是不一样的。
• Cell-based：关注的是每个cell怎么设计，每个cell中包含多个块，每个块的设计是不一样的。
• Topology-based：关注的是基本单元如何连接。

2.2 搜索策略

搜索策略主要包括强化学习（Reinforcement Learning）方法，梯度下降 (Gradient Descent) 方法，进化计算（Evolution Computation ) 方法等。

• 强化学习：基于强化学习方法，在搜索空间中采样后组成网络，对性能进行评估。
• 梯度下降：基于梯度下降的方法，关注基本单元的连接方式，将搜索问题建模为分类问题并进行梯度求解。
• 进化计算：基于进化计算的方法，让神经网络结构的集合基于适应度不断地被训练和突变（mutate），从而达到更好的验证指标。

2.3 性能评估策略

性能评估策略和搜索策略循环迭代，搜索策略搜索一次之后，由性能评估策略评估结果反馈给搜索策略，决定下一步往哪个方向搜索。

3 NAS的使用

平台中对NAS的使用分为四个步骤：

（1）创建神经网络搜索任务 确保已经准备好神经网络搜索训练数据，或前往“数据集管理”中标注数据完成数据准备，之后创建神经网络搜索任务。 （2）新建神经网络搜索运行 配置训练阶段和搜索阶段的参数，可以使用平台的默认参数，也可以手动配置，训练自己的神经网络子网模型。 首次创建任务时仅支持共同选择训练和搜索阶段，已训练出超网后可支持选择仅搜索阶段。

（3）通用模型使用子网模型 在通用模型创建训练任务，网络配置方式选择神经网络搜索，并选择已经训练好的子网模型。

（4）发布模型 完成训练后，可以发布训练好的模型到模型仓库。