The Lottery Ticket Hypothesis: 寻找最优子网络结构

"The Lottery Ticket Hypothesis Finding Sparse, Trainable Neural Networks" 这篇文章提出了Lottery Ticket Hypothesis，认为较复杂的深度神经网络存在一个比较优化的稀疏子网络结构（称之为winning tickets），可应用于模型压缩。相比于原网络，稀疏子网络的参数量与复杂度要低许多，但推理精度基本相当。Lottery Ticket Hypothesis描述如下：

Lottery Ticket Hypothesis用符号方式描述如下：

其中剪枝获得的子网络从随机初始化开始训练，且初始化数值一一对应地取自原网络的初始化数值集合，即；另外，子网络训练达到收敛的迭代次数，不超过原网络所需的迭代次数。如果子网络的初始化数值不取自原网络，而是按新的随机初始化方式执行训练，通常不会达到原网络的推理精度，说明剪枝获得的子网络需要合适的初始化状态。子网络（winning ticket）的搜索步骤如下：

相比于上述one-shot方式的搜索方法，多次迭代方式能够获得更轻量的子网络结构（winning ticket），文章采用n次迭代，每次将剪枝率设置为。另外，结合drop-out策略，能够进一步提升效果。

文章最后在MNIST、CIFAR10数据集上，对全连接层网络与卷积网络做了实验验证。然而这些任务涉及的数据集都很小，设计的深度模型本身存在较大的参数冗余与过拟合倾向，因此可能不足以说明问题。不过正如文章所说，子网络的随机初始化方式对于理解与揭示深度学习的本质，或许是一个启发性的观点。另外，剪枝有助于搜索优化的网络结构。

Paper地址：https://arxiv.org/abs/1803.03635

GitHub地址：https://github.com/google-research/lottery-ticket-hypothesis