推出 AutoML-Zero：不断进化的学习型代码

文 / 高级软件工程师 Esteban Real 和软件工程师 Chen Liang，Google Research

得益于专家学者的多年研究和深度神经网络等 ML 算法，机器学习 (ML) 近来取得巨大成功。这些研究驱动着 AutoML，AutoML 旨在实现 ML 算法设计自动化。到目前为止，AutoML 始终专注于通过结合复杂的手工设计组件构建解决方案。一个典型的例子是 神经架构搜索，在此子领域中可以从复杂层（例如卷积、批次标准化和 dropout）自动构建神经网络，这也是许多研究的主题。

在 AutoML 中，使用这些手工设计组件的另一种方法是从头开始搜索整个算法。这很有挑战性，需要探索广阔而稀疏的搜索空间，同时又具有巨大的潜在收益 - 因为这种方法不偏向于已知结果，并且有可能发现更好的新 ML 架构。

这就好像建房子，如果一切都是从零开始，会比采用预制房屋拥有更高的灵活性或改进的可能性。然而，实现这种房屋设计可能更加困难，因为整屋的预制设计组合直观易选，砖块和灰泥的组合方法却多种多样。

因此，算法从零开始学习的早期研究主要集中在算法的某一方面，以减少搜索空间和所需的计算量（例如学习规则）。这从 90 年代初以来就未再予以更多探讨。直至现在。

我们即将在 ICML 2020 上发表的最新论文 (AutoML-Zero: Evolving Machine Learning Algorithms From Scratch) 将研究扩展到进化 AutoML，证明了从头开始进化 ML 算法是能够成功的。我们提出的方法称为 AutoML-Zero：它从空程序开始，仅使用基本的数学运算作为构建块，应用进化方法自动寻找完整 ML 算法代码。在给定小的图像分类问题的情况下，我们的方法重新发现了基本的 ML 技术，例如带有反向传播、线性回归的 2 层神经网络，这些技术是研究人员多年来的发明成果。此结果证明了：未来自动发现更多新颖 ML 算法以解决更棘手问题的可行性。

• 论文
  https://arxiv.org/abs/2003.03384

从零开始进化的学习算法

我们使用 经典进化方法 (Evolutionary Methods) 的变体搜索算法空间。自 80 年代以来，这些方法已被证实对发现计算机程序非常实用。它们的简单性和可扩展性，尤其适合于发现学习算法。

在我们的研究中，首先使用空程序初始化种群。并在重复周期中不断进化，产生越来越好的学习算法。每个周期中，两个（或多个）随机模型展开竞争，最准确的模型成为 父模型 (Parent)。父模型自我克隆，产生子模型，子模型将发生 变异。也就是说子模型代码被随机修改，这可能意味着在代码中任意插入、删除或修改一行。然后在图像分类任务上评估变异算法。

使用空程序初始化种群：多代以后，我们看到了一个更进化的种群，它的两种算法相互竞争。最准确的获胜，产生一个子代。多代之后，最终种群包含了高度准确的分类器

探索困难的搜索空间

与许多既往 AutoML 工作相比，我们的 AutoML-Zero 设置使搜索空间非常稀疏 - 精确的算法可能过于稀少，以至于 1012 个候选对象中只选 1 个。这是由于提供给算法的构建粒度仅包括基本运算（如变量赋值、加法和矩阵乘法）。在这种环境下，随机搜索无法在合理时间内找到解法，然而根据我们的测量，进化的速度将快数万倍。

我们将搜索分布到偶尔交换算法的多台机器（类似于现实生活中的迁移），并构建了小型代理分类任务，使用高度优化的代码评估每个子算法。

• 代码
  https://github.com/google-research/google-research/tree/master/automl_zero#automl-zero

尽管稀疏，但随着时间推移，进化搜索发现了更为复杂和有效的技术。

最初，出现了最简单的算法，具有硬编码权重的线性模型。接着，发现了随机梯度下降法 (SGD) 来学习权重，此时梯度本身并非构建块。虽然一开始存在缺陷，但 SGD 很快得到修正，展开了一系列对预测和学习算法的改进。在我们的场景中，学习过程中发现了一些已知对研究界有用的概念。最后，我们的方法设法构建了一个模型，该模型优于具有同等复杂性的手工设计。

进化实验的进展：随着时间推移（从左到右），我们看到算法变得越来越复杂和准确

进化算法

上图包括我们方法中产生的最佳进化算法。这一最终算法包括数据增强噪声注入、双线性模型、梯度归一化和权重平均等技术，相对于基线的改进也转移到了搜索期间未使用的数据集。我们的论文描述了进化代码不同行实现这些技术的方式，并通过消融研究验证了它们的价值。

通过更多的实验，我们表明可以通过控制“栖息地”（The Habitat，即进化过程评估算法适用性的任务）来引导进化搜索。例如，当我们减少数据量时，就会出现有噪声的 ReLU，这有助于正则化。或者，当减少训练步数时，我们会看到出现学习率衰减，从而加快收敛速度。诸如此类的针对性发现很重要 - 虽然自动工具发明机能造出锤子或针就算不错，但如果给它钉子它能造出一把锤子，给它线头它能造出一根针，岂不是很棒？打个比方，在我们的工作中，存在较少数据（“钉子”）时，会发现有噪声的 ReLU（“锤子”），而缺乏训练步骤时，学习率就会衰减。

结论

我们目前仍处于初级工作阶段。我们还没有进化出根本性的新算法，但好消息是，进化出的算法可以超越搜索空间内存在的简单神经网络。目前，搜索过程需要大量计算。*未来几年，随着可用硬件规模的扩大以及搜索方法效率的提升，搜索空间可能更具包容性，搜索结果也会有所改善。我们将进一步加深对 AutoML-Zero 的理解，探索新型机器学习算法。

致谢

我们要感谢合著者 David R. So 和 Quoc V. Le，以及在项目和论文写作期间通过讨论帮助过我们的许多人士，包括 Samy Bengio、Vincent Vanhoucke、Doug Eck、Charles Sutton、Yanping Huang、Jacques Pienaar、Jeff Dean，特别是 Gabriel Bender、Hanxiao Liu、Rishabh Singh、Chiyuan Zhang 和 Hieu Pham。我们还要特别感谢 Tom Small 为本文提供动画。

*实验用电量（运行于 2019 年）与可再生能源购买量相匹配。↩

更多 AI 相关阅读：

• ARCore HDR 光估测深度解析

• 利用 AI 评估灾害损失，为救援工作助力

• ARCore Depth API 深度解析：算法原理及开发细节

• 智能织物也会机器学习？你的可穿戴设备体验可以更进一层