論文作者來自阿卜杜拉國王科技大學的在讀博士生李國豪，本次分享的是KAUST與Intel ISL在 CVPR 2020 的工作：SGAS，一種基于貪心思想的CNN／GCN網(wǎng)絡(luò)結(jié)構(gòu)搜索算法。

本工作通過貪心（greedy）的搜索方式減輕了NAS中模型排名在搜索和最后評估不一致的問題。是一種更優(yōu)更快的網(wǎng)絡(luò)結(jié)構(gòu)搜索算法，并同時支持CNN和GCN的搜索。代碼已開源，想在圖像，點云，生物圖數(shù)據(jù)上做網(wǎng)絡(luò)結(jié)構(gòu)搜索的同學都可以試一試。

相關(guān)工作

網(wǎng)絡(luò)結(jié)構(gòu)搜索（NeuralArchitecture Search， 簡稱NAS） 是一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自動化設(shè)計的技術(shù)。NAS基于相應算法在特定的樣本集內(nèi)自動設(shè)計出高性能的網(wǎng)絡(luò)結(jié)構(gòu)。這些自動搜索出的網(wǎng)絡(luò)結(jié)構(gòu)在某些任務(wù)上已經(jīng)媲美或超過了人類專家手工設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)。

早期NAS的算法是基于強化學習（Zoph et al．［1］）或進化算法（Real et al．［2］）。這些算法計算成本高昂，阻礙了其廣泛應用。近來，Liu et al．［3］提出了一種高效的可微分的網(wǎng)絡(luò)結(jié)構(gòu)搜索算法：可微分網(wǎng)絡(luò)結(jié)構(gòu)搜索（Differentiable Architecture Search， 簡稱DARTS）。DARTS的提出使得網(wǎng)絡(luò)結(jié)構(gòu)搜索在單卡一天內(nèi)完成搜索。后續(xù)許多工作都基于DARTS基礎(chǔ)上進行改進，比如SNAS／FBNet／ProxylessNAS／P－DARTS／GDAS／MdeNAS／PC－DARTS／FairDARTS等等。

背景知識：DARTS

DARTS采用基于單元（Cell）的搜索方法進行網(wǎng)絡(luò)結(jié)構(gòu)搜索。Cell是一個網(wǎng)絡(luò)子模塊，可以自由堆疊多次形成卷積網(wǎng)絡(luò)。DARTS通過學習cell的結(jié)構(gòu)，完成對網(wǎng)絡(luò)的結(jié)構(gòu)搜索。Cell是由N個節(jié)點的有序序列組成的有向無環(huán)圖（如圖1）。Cell中每個節(jié)點x＾（i）是卷積網(wǎng)絡(luò)中的特征圖，每個有向邊（i，j）代表一種對x的運算o（i， j） （如3x3的卷積）。一個cell具有兩個輸入節(jié)點，一個輸出節(jié)點和多個中間結(jié)點。Cell的輸入節(jié)點被定義為前兩層的輸出。Cell的輸出是對所有中間節(jié)點進行歸約運算（例如concatenation）后的結(jié)果。每個中間節(jié)點由它之前結(jié)點經(jīng)過算子op變換后相加得到：

DARTS為了實現(xiàn)可微搜索，提出了搜索空間的continuousrelaxation機制，利用softmax函數(shù)來學習所有可能候選運算op的權(quán)重：

其中，＄mathcal（O）＄ 表示搜索空間中的候選運算（例如卷積，最大池化，零）等，零表示沒有運算（邊）。其中一對節(jié)點（i，j）之間的運算由向量lpha＿｛i， j｝參數(shù)化。運算的結(jié)果是每種可能運算結(jié)果的加權(quán)求和。向量lpha＿｛i， j｝的維度為搜索空間長度｜O｜。因而，DARTS將網(wǎng)絡(luò)結(jié)構(gòu)搜索的任務(wù)簡化為了學習一組連續(xù)變量lpha＝ ｛lpha（i， j）｝，如圖1所示。DARTS在搜索結(jié)束階段，通過argmax得到權(quán)重最大的候選運算op當作該邊的搜索結(jié)果：

圖1 DARTS的單元結(jié)構(gòu)以及網(wǎng)絡(luò)結(jié)構(gòu)搜索示意圖［3］