【CVPR2020】可微分的NAS方法汇总

关注上方“深度学习技术前沿”，选择“星标公众号”，

资源干货，第一时间送达！

作者：yanwan

知乎链接：https://zhuanlan.zhihu.com/p/145560220

本文仅供学习参考，如有侵权，请联系删除！

深度学习解决了特征工程和权重优化的问题，

而神经网络架构搜索解决另一个问题——网络架构自动化。

NAS在优化的过程中，考量的因素有： mAP，memory，size，flops，lantency，带宽，平台等等。

例如，在一些移动端的硬件设备上面不支持对 depthwise conv的优化，比如说Edge TPU，高通 DSPs，那么实际跑出来的速度会比普通的 conv 要慢。因此需要考虑到了不同的平台（CPU, EdgeTPU, DSP，IPU）的影响。

NAS主要有进化算法、强化学习和微分三种主要的搜索方法。

虽然强化学习、进化算法可以搜索一个好的网络架构，但会耗费大量的计算资源，不经济也不环保。

而可微分的NAS方法能够以更少的成本达到SOTA，因此，获得了很多的关注。

---

Differentiable NAS

DNAS经典的算法就是大名鼎鼎的DARTS，通常可以描述为一个“双层”优化的问题：

其中，a是架构的参数，w 是 a 对应的模型权重。a利用 validation data 来进行更新，w利用 training data 来进行更新。

DARTS 算法有一个严重的问题，就是当搜索轮数过大时，搜索出的架构中会包含很多的 skip-connect，从而性能会变得很差。我们把这个现象叫做 Collapse of DARTS。

DARTS 发生 Collapse 背后的原因是在两层优化中，a和 w 的更新过程存在先合作（cooperation）后竞争（competition）的问题。

在刚开始更新的时候，alpha 和 w 是一起被优化，从而 alpha 和 w 都是越变越好。

渐渐地，两者开始变成竞争关系，由于 w 在竞争中比 alpha 更有优势（比如，w 的参数量大于 alpha 的参数量），alpha 开始被抑制，因此网络架构出现了先变好后变差的结果。

因此，DARTS+ 提出了early stop的策略：

早停准则1：当一个 normal cell 中出现两个及两个以上的 skip-connect 的时候，停止搜索。

早停准则2：当各个可学习算子的架构排序足够稳定（比如 10 个 epoch 保持不变）的时候，停止搜索过。

---

#CVPR2020# FBNetV2：Differentiable Neural Architecture Search for Spatial and Channel Dimensions

• 代码地址: https://github.com/facebookresearch/mobile-vision

• 论文地址: https://arxiv.org/abs/2004.05565

在几乎不引入显存和计算量代价的情况下，FBNetV2的搜索空间相比于 FBNet 提升了将近10e14 倍，搜到了一个和 EfficientNet B0 精度接近，但是 FLOPs 小了 20% 的网络结构。

本文指出DNAS的方法有两个缺点：

（1）搜索空间比 RL，EAs方法的搜索空间要小。由于DNAS的 super graph 以及 featuremap 存在 GPU 上，显存的限制就使得 DNAS系列方法的搜索空间要小；

（2）搜索代价会随着选择增加而线性增长。增加 super graph一个新的搜索维度，搜索代价都会大幅增长，制约了搜索空间容量。

改进方向就是：使用 Channel Masking 和 Resolution Subsampling 提升搜索空间。

Channel Masking

之前的 DNAS 系列方法就是把不同的选项融进 supergraph，而作者为了减少搜索 channel 时候的计算量，构造了 channel masking的机制，把不同 channel 的最终输出，表征为和一个 mask 相乘的形式。

如上图所示，右边那个灰色的长方体表示一个 shape 为 (c, h, w) 的 tensor，和左边的 mask 向量 M 相乘的结果，M是和对应的 Gumbel Softmax 的系数的乘积和。通过调节左边的 m，就能得到等价的不同 channel 的结果。掩码乘法使用权重共享近似，可加快channel搜索速度。

Resolution Subsampling

X是网络的中间输出特征映射。使用最近邻从X进行子采样，再将A列中蓝色像素处的值组合为特征映射B。接下来运行F操作。最后，C中的每个值都放回D中的一个更大的特征映射。

通过上述的Channel masking 和 Resolution subsampling 机制，FBNet V2的搜索空间就可以在 channel 和 spatial 维度搜索了。最后的实验结果如下

---

#CVPR2020# MiLeNAS: Efficient Neural Architecture Search via Mixed-Level Reformulation

• 论文地址：https://arxiv.org/abs/2003.12238
  

• 代码地址：https://github.com/chaoyanghe/MiLeNAS

针对神经结构方法搜索的双层优化，未能收敛到最优解这一问题，本文提出了一个混合级别的有效的优化方法MiLeNAS。结果表明，即使在Mixed-Level Reformulation上使用简单的一阶方法，MiLeNAS也可以为NAS问题实现更低的验证错误。

此外，MiLeNAS提出了一个框架超过了DARTS，它通过基于模型大小的搜索和early stop策略仅需5h完成网络的搜索。

Mixed level Reformulation

单层优化，可能导致对a的过度拟合。因为α完全取决于训练数据，而训练集合测试集之间是存在差异的。

因此在综合了单层和双层优化后，选取一个折中方案，最终mixed-level优化变公式：

Beyond the DARTS Framework

Gradient-based Search Spaces

MiLeNAS分别对mixed-operation search space和sampling search space进行了评估，证明了MiLeNAS的适应性。

Model Size-based Searching

在一次运行中搜索不同模型大小的最优结构。具体地说，在搜索过程中，每一个epoch，我们跟踪模型大小和它的最佳验证精度，然后评估每一个epoch中最优架构的模型。

其优点是只需一个运行就可以得到多个不同参数大小的体系结构。

实验结果如下，可见精度和速度都有提升。

---

推荐阅读

（点击标题可跳转阅读）

• Yolov3&Yolov4核心基础知识完整讲解

• 【目标检测基础积累】常用的评价指标

• 超越MobileNetV3！Facebook提出更轻更快的FBNetV2

• 【AAAI 2020】NAS+目标检测：SM-NAS 论文解读

• 谷歌 NAS + 目标检测：SpineNet论文详解

• 【汇总】一大波CVPR2020开源项目重磅来袭！
  

重磅！DLer-NAS交流群已成立！

欢迎各位Cver加入NAS微信交流群，本群旨在交流模型压缩/量化/剪枝、NAS、迁移学习、自监督学习、无监督学习、元学习等内容。欢迎对这些研究方向感兴趣的小伙伴加群一起交流学习！

加群请备注：研究方向+学校/公司+昵称（如NAS+上交+小明）

???? 长按识别添加，邀请您进群！