Tìm kiếm kiến trúc thần kinh
Tìm kiếm Kiến trúc Thần kinh (NAS) tự động hóa việc thiết kế các cấu trúc mạng thần kinh - cho phép các thuật toán, chứ không phải con người, quyết định số lượng lớp, hoạt động nào và cách chúng kết nối.
Tổng quan
It turns model design into a search problem, discovering architectures that can rival or beat hand-crafted ones.
Lặn sâu
Việc thiết kế mạng lưới thần kinh bằng tay rất chậm và phụ thuộc vào trực giác của chuyên gia. NAS thay thế điều đó bằng việc tìm kiếm trên một không gian xác định các kiến trúc có thể có, được hướng dẫn bởi một chiến lược đề xuất các ứng cử viên và cách ước tính mức độ tốt của từng kiến trúc. NAS ban đầu sử dụng thuật toán tiến hóa hoặc học tăng cường, đào tạo hàng nghìn mạng ứng viên — tiêu tốn hàng nghìn ngày GPU. Bước đột phá này làm cho hoạt động tìm kiếm trở nên rẻ hơn: chia sẻ trọng lượng (một 'siêu mạng' chứa tất cả các ứng cử viên) và các phương pháp khác biệt như DARTS, giúp chuyển các lựa chọn riêng biệt thành các lựa chọn liên tục để giảm độ dốc có thể tối ưu hóa kiến trúc và trọng số cùng nhau. NAS đã tạo ra các mô hình hiệu quả như EffientNet và một số mạng được tối ưu hóa cho thiết bị di động hiện được sử dụng trong sản xuất.
Hiểu biết kỹ thuật
NAS có ba thành phần: không gian tìm kiếm (các khối xây dựng và cách chúng có thể kết nối), chiến lược tìm kiếm (học tăng cường, tiến hóa, tìm kiếm ngẫu nhiên hoặc dựa trên độ dốc) và phương pháp ước tính hiệu suất. Việc đào tạo từng ứng viên một cách ngây thơ để hội tụ là cực kỳ tốn kém, vì vậy NAS sử dụng các phím tắt: chia sẻ trọng lượng trên một siêu mạng, proxy có độ chính xác thấp (ít kỷ nguyên hơn, dữ liệu nhỏ hơn) và các dự đoán đã học. DARTS đưa ra lựa chọn riêng biệt về 'thao tác nào diễn ra ở đây' liên tục thông qua các hỗn hợp có trọng số softmax, tối ưu hóa với độ dốc, sau đó phân tách kết quả thành kiến trúc cuối cùng.
Tác động chiến lược
Quyết định rõ ràng hơn
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Chi phí và ngân sách
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Nhóm và quy trình làm việc
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Tương lai của kiến trúc thần kinh Tìm kiếm
NAS đang mở rộng từ các mục tiêu chỉ có độ chính xác sang tìm kiếm đa mục tiêu, nhận biết phần cứng nhằm tối ưu hóa độ trễ, năng lượng và bộ nhớ cho các chip cụ thể — rất quan trọng đối với AI biên và AI di động. Các proxy không tốn chi phí xếp hạng kiến trúc mà không cần đào tạo đang tăng tốc độ tìm kiếm một cách đáng kể. Khi máy biến áp chiếm ưu thế, NAS đang được áp dụng cho các mẫu chú ý, độ rộng lớp và toàn bộ cấu hình LLM, đồng thời đang hợp nhất với các quy trình máy học tự động. Biên giới là cùng nhau thiết kế các mô hình và phần cứng, với các vòng tìm kiếm tự động thích ứng với các ràng buộc triển khai.
Triển khai trong thế giới thực
Dòng sản phẩm EfficiencyNet của Google có kiến trúc quy mô phức hợp được hướng dẫn bằng tính năng tìm kiếm tự động để có độ chính xác cao trên mỗi FLOP.
Các mô hình thị giác di động (chẳng hạn như MnasNet) đã tìm kiếm với độ trễ trên điện thoại thực trong vòng lặp để biết tốc độ trên thiết bị.
NAS nhận biết phần cứng điều chỉnh mạng theo giới hạn tính toán và bộ nhớ của bộ tăng tốc cụ thể.
Nền tảng AutoML cho phép những người không phải là chuyên gia có được mô hình tùy chỉnh cạnh tranh bằng cách tự động tìm kiếm kiến trúc.
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Tài liệu nơi Tìm kiếm kiến trúc thần kinh hữu ích và nơi các phương pháp đơn giản hơn sẽ tốt hơn.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Neural Architecture Search quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Mạng lưới thần kinh đồ thị
Câu hỏi thường gặp
What is Neural Architecture Search?
Tìm kiếm Kiến trúc Thần kinh (NAS) tự động hóa việc thiết kế các cấu trúc mạng thần kinh - cho phép các thuật toán, chứ không phải con người, quyết định số lượng lớp, hoạt động nào và cách chúng kết nối. Nó biến thiết kế mô hình thành một vấn đề tìm kiếm, khám phá những kiến trúc có thể cạnh tranh hoặc đánh bại những kiến trúc được làm thủ công.
Tìm kiếm kiến trúc thần kinh tự động hóa những gì?
NAS tự động hóa việc chọn lớp, hoạt động và kết nối - chính kiến trúc - thay vì chỉ dựa vào thiết kế của con người.
Ba thành phần nào xác định một phương thức NAS?
NAS được đóng khung như một không gian tìm kiếm, một chiến lược tìm kiếm để khám phá nó và một cách để ước tính hiệu suất của từng ứng viên.
Tại sao NAS dựa trên học tập tăng cường sớm lại bị chỉ trích?
Việc đào tạo hàng nghìn mạng ứng viên khiến NAS thời kỳ đầu tốn rất nhiều chi phí tính toán, thúc đẩy các phương pháp rẻ hơn.
DARTS sử dụng thủ thuật quan trọng nào để giúp tìm kiếm hiệu quả?
DARTS (Tìm kiếm Kiến trúc Khác biệt) biến các lựa chọn hoạt động rời rạc thành một hỗn hợp liên tục, có trọng số softmax để áp dụng giảm độ dốc.
'Siêu mạng' trong NAS chia sẻ trọng lượng là gì?
Một siêu mạng bao gồm mọi kiến trúc ứng viên và chia sẻ trọng số giữa chúng, vì vậy các ứng viên không cần phải được đào tạo từ đầu.