NASNet:Learning Transferable Architectures for Scalable Image Recognition 学习可伸缩的图像识别的可转移架构

1,说明

    神经网络图像分类模型的建立通常需要大量的结构工程。此篇论文研究了一种在感兴趣的数据集上直接学习模型体系结构的方法.由于这种方法在数据集较大时开销较大，因此作者建议在小数据集上搜索架构构建块，然后将该块转移到更大的数据集。 这项工作的关键贡献是一个新的搜索空间(称之为“NASNet搜索空间”)的设计，它支持可转移性。实验中，在CIFAR-10数据集上搜索最佳的卷积层(或“单元”)，然后将这个单元应用于ImageNet数据集，方法是将这个单元的更多副本堆叠在一起，每个副本都有自己的参数，从而设计一个卷积架构，论文将其命名为“NASNet架构”。

2，搜索空间示例

网络架构由两种cell组成，Normal Cell (NCell) 和Reduction Cell (RCell)。

搜索方式是：首先搜索cell结构 然后将多个cell堆叠在一起构成网络。

更多详细信息请查看原论文：

论文：Learning Transferable Architectures for Scalable Image Recognition
链接：https://arxiv.org/abs/1707.07012

这里有一篇博客，对该论文解释得非常不错：https://blog.csdn.net/u014380165/article/details/78525687