机器学习论文笔记(六)HIERARCHICAL REPRESENTATIONS FOR EFFICIENT ARCHITECTURE SEARCH

机器学习论文笔记(六)

标签(空格分隔): 陈扬

  • 机器学习论文笔记(六)
    • 分层表示高效的架构搜索(HIERARCHICAL REPRESENTATIONS FOR EFFICIENT ARCHITECTURE SEARCH
      • 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
    • 总结:



又是选错了,ICLR2018的文章,只能开荒了

github:https://github.com/markdtw/awesome-architecture-search (还没开源代码)
arxiv:https://arxiv.org/abs/1711.00436
简介: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 。

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。
2)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。
3)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……)。

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。

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)。

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。

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。

进化

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

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)

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。

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10*200*24*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。

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……

你可能感兴趣的:(论文笔记,日记)