机器学习论文笔记—如何利用高效的搜索算法来搜索网络的拓扑结构



转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com

AIQ 机器学习大数据 知乎专栏 点击关注

作者: 陈  扬            

编辑:赵一帆           

简   介

分层表示高效的架构搜索 (HIERARCHICAL REPRESENTATIONS FOR EFFICIENT ARCHITECTURE SEARCH) 这篇文章讲的是如何利用高效的搜索算法来搜索网络的拓扑结构。用一个简单但功能强大的演化算法。 这个方法可以发现具有卓越性能的新架构。它这篇文章很大程度上借鉴了 GECNN 的一些东西,或者说,我之前写了 GECNN 的论文笔记,里面也是讲演化算法的:https://zhuanlan.zhihu.com/p/36758195

github:https://github.com/markdtw/awesome-architecture-search(还没开源代码)

arxiv:https://arxiv.org/abs/1711.00436

章节目录

  • 优点摘要

  • 抛砖

  • 引玉

  • 定义部分

  • 元操作

  • 进化

  • 初始化

  • 算法

  • 训练结果

01

优点摘要

  1. 通过分层图学习的方法,大大减少了冗余的搜索空间

  2. 引入分层表示来描述神经网络体系结构。

  3. 通过堆叠简单的基元(比如 conv,maxpooling),实现了复杂的结构,使用简单的随机搜索,也可以获得用于图像分类的竞争架构,这体现了 搜索空间构建的重要性。

  4. 可以通过跳跃链接实现 resnet,densenet 等深层次的网络(为 resnet 引用都快破万了,你现在用不上残差块的思想你好意思发论文吗……)。

02

抛砖

首先一个问题,我们为什么要想办法设计出一个自动生成的网络架构,因为我最近发现一个问题啊,你一个神经网络特别那种实验室做出来的,效果估计也就是退 cifar-10 啊,mnist 这些效果好一点点,但是一碰到真实环境,效果就菜的一批(可能会),可能这种机器生成的神经网络效果不一定有专业人员做的好,但是他在针对其他真实条件下的数据集,他的效果可能会反超那些定下来的网络结构,因为这个东西他上自适应调整的。

03

引玉

这篇文章,他提出来用邻接矩阵去表示一个有向无环图,然后用点表示 feature map, 用边表示一种操作(其实就只有 conv, max_pooling, average-pooling, identity, 开心不,意外不)。

04

定义部分

我们先定义一个邻接矩阵,然后 leval-1 的矩阵的值的意思就是集合 option{}。
The architecture is obtained by assembling operations o according to the adjacency matrix G:
结构 = assemble(G, o)
mrge 是合并

o1(1) 在这里是 1 _1 的卷积,o2(1) 是 3 _3 的卷积,o3(1) 是 3_3 的最大池化(不是 2 _2 因为他要保证 feature map 一样大 ),他们统称为元操作(相当于 tf.nn 里面一个函数啊)。

我大概画一下 leval-2
G1(2)=[0 3 2;
            0 0 1;
            0 0 1]
然后我们把这个生成的子图当成一个新的子图 ,是不是很 6所以我们就这样定义了一个 level-2 的子图了,接下来我们如法炮制的搞出了 3 个 leval-2 的子图,just like this:你发现了吗,每一层的 piont 的个数是一样的,是固定的,这个就是他这个算法不太好的地方一

然后我们就得到了一个 level-3 的网络结构(简直就是 insecption 加 resnet 的样子)到此为止,我们就算是搞出来一种可以表示这个网络的方法了。

05

元操作

作者在实验中发现啊,3*3 的 conv 只要搞多几次,就可有搞出很大的感受野什么的,所以他就搞的元操作其实很少(6):

• 1 × 1 convolution of C channels(调整特征图的维度)
• 3 × 3 depthwise convolution(不解释了吧)
• 3 × 3 separable convolution of C channels 
• 3 × 3 max-pooling(最大池化)
• 3 × 3 average-pooling (平均池化)
• identity

对于每一个 feature map,他都用了 RELU 激活函数和批次正则化(-.-)。channels 固定为常数 C(可以通过 1*1 卷积)。
如果 option(i,j)==0 的话就说明 i,j 之间没有边。
concat 就是之间把 feature map 加到一起。

06

进化

首先,我们要实现 3 个基本操作:增加 add,修改 alter,删除 remove。 

07

初始化

  1. 创建很小的元操作的 DNA(类似 GECNN 上面有链接),为每个 DNA 创建一个映射,相当于是下一层的元操作

  2. 通过大量随机突变产生变异样本(类似蒙特卡洛方法随机)

**
**

08

算法

异步锦标赛进化(相当于生物学里面的达尔文进化论) 

part 1:

part 2:

什么是锦标赛算法?

假设种群规模为 n,该法的步骤为:

  1. 随机产生 n 个个体作为第一代(其实这步准确的说不是属于选择操作的,但每个算子并没有绝对的界限,这个是在选择操作之前的必做之事)  。

  2. 从这 n 个个体中随机(注意是随机)选择 k(k< n)个个体,k 的取值小,效率就高(节省运行时间),但不宜太小,一般取为 n/2(取整)。

  3. 从这 k 个个体中选择最大的一个个体(涉及到排序的方法),作为下一代 n 个个体中的一个个体 。

  4. 重复 2-4 步,至得到新的 n 个个体。

  5. 进行这新的 n 个个体之间的交叉操作。 

09

****训练结果

  1. 对于不同大小的数据集,我们要输入不同大小的 level 层数和节点 k 数,总共最多会产生 k^l 个 feature map,所以初始化的时候应该是有非常多的 0 元素才对(猜测)。 

  2. 随机梯度下降,学习率的调整细节等……不想说了

我个人认为的改进点:可以看得出这个架构其实不是线性的,网络是可以比较复杂的,肯定是有 resnet 在里面的,应该是越深层越适应大的训练集,不过从我的实际工作来看,最好是再加一个网络结构预判器,因为针对点多且深的网络结构来说,没有做够的 resnet 到了深层肯定会梯度爆炸或者消失,那种明显不合格的网络是可以被检查出来的,可以极大的减少冗余计算,因为越好的网络训练应该是越快的,反而是大部分都是垃圾结构牺牲了大部分的时间(二八定律),具体是实现方法我自己留着发论文了。

具体的训练细节太复杂了,DEEPMIND 也没开源代码,我就不好瞎说了。

在 CIFAR-10 上的训练效果

我想吐槽的是:

真的好有钱啊,200 个 p100,我算了一下在阿里云上面竞价的话要 1020024*1.5=7200RMB,🙂🙂🙂🙂🙂🙂😊

说实话这个效果来说还是非常值这个价的,在 CIFAR-10 上这个被 p 过几百万次的数据集上还能和那些老 p 客难分伯仲,要是换的真实数据集的话效果应该会跟好一些吧。

10

总结

目前网络结构生成的两种方法强化学习和演化学习都在发 paper,从难度来说我其实更喜欢演化学习,因为治疗都是现成的,但是长远的看我觉得强化学习会赢,这个元学习也一直是我觉得很有意思的一个方向,可能是迈向强人工智能的一个阶梯吧,百尺竿头更进一步。

题外话,这个全屏模式啊,一不小心就搞到 1 点了,哎明天上课是不是又要迟到了……

**** 

END


更多高质资源 尽在AIQ 机器学习大数据 知乎专栏 点击关注

转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com