概述
神经架构搜索（NAS）自动化神经网络结构的设计——让算法而不是人类来决定有多少层、什么操作以及它们如何连接。它将模型设计变成一个搜索问题，发现可以与手工制作的架构相媲美或击败的架构。
神经架构搜索位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
手动设计神经网络速度很慢并且依赖于专家的直觉。 NAS 通过在可能架构的定义空间中进行搜索来取代这种搜索，并以提出候选架构的策略和估计每个架构的好坏的方法为指导。早期的 NAS 使用强化学习或进化算法，训练数千个候选网络——众所周知，要花费数千个 GPU 天。这一突破使搜索变得更便宜：权重共享（包含所有候选的“超级网”）和 DARTS 等可微分方法，将离散选择放宽为连续选择，因此梯度下降可以一起优化架构和权重。 NAS 产生了高效的模型，例如 EfficientNet 和一些现已在生产中使用的移动优化网络。
技术洞察
NAS 具有三个组成部分：搜索空间（构建块及其连接方式）、搜索策略（强化学习、进化、随机搜索或基于梯度）和性能估计方法。单纯地训练每个候选者收敛的成本过高，因此 NAS 使用捷径：跨超网权重共享、低保真度代理（更少的 epoch、更小的数据）和学习的预测器。 DARTS 通过 softmax 加权混合对“此处进行哪个操作”进行连续离散选择，使用梯度进行优化，然后将结果离散化为最终架构。
掌握神经架构搜索
神经架构搜索（NAS）自动化神经网络结构的设计——让算法而不是人类来决定有多少层、什么操作以及它们如何连接。它将模型设计变成一个搜索问题，发现可以与手工制作的架构相媲美或击败的架构。神经架构搜索位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将神经架构搜索视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用神经架构搜索的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
Google 的 EfficientNet 系列，其复合规模架构以自动搜索为指导，以实现每浮点运算的高精度。
移动视觉模型（例如 MnasNet）在真实手机上以延迟的方式循环搜索设备上的速度。
硬件感知 NAS，可根据特定加速器的内存和计算限制定制网络。
AutoML 平台让非专家可以通过自动搜索架构来获得有竞争力的自定义模型。
实施模式
神经架构搜索实践
Google 的 EfficientNet 系列，其复合规模架构以自动搜索为指导，以实现每浮点运算的高精度。
Google 的 EfficientNet 系列，其复合规模架构以自动搜索为指导，以实现每 FLOP 的强大准确性。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
神经架构搜索实践
移动视觉模型（例如 MnasNet）在真实手机上以延迟的方式循环搜索设备上的速度。
移动视觉模型（例如 MnasNet）在真实手机上以延迟方式循环搜索设备上的速度。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
神经架构搜索实践
硬件感知 NAS，可根据特定加速器的内存和计算限制定制网络。
硬件感知 NAS，根据特定加速器的内存和计算限制定制网络当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
神经架构搜索实践
AutoML 平台让非专家可以通过自动搜索架构来获得有竞争力的自定义模型。
AutoML 平台让非专家可以通过自动搜索架构来获得有竞争力的自定义模型。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录神经架构搜索在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录神经架构搜索在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。