DARTS:基于梯度下降的经典网络搜索方法,开启端到端的网络搜索 | ICLR 2019

VincentLee
DARTS是很经典的NAS方法,它的出现打破了以往的离散的网络搜索模式,能够进行end-to-end的网络搜索。由于DARTS是基于梯度进行网络更新的,所以更新的方向比较准确,搜索时间相当于之前的方法有很大的提升,CIFAR-10的搜索仅需要4GPU days。

来源:晓飞的算法工程笔记 公众号

论文: DARTS: Differentiable Architecture Search

Introduction


  目前流行的神经网络搜索方法大都是对离散的候选网络进行选择,而DARTS则是对连续的搜索空间进行搜索,并根据验证集的表现使用梯度下降进行网络结构优化,论文的主要贡献如下:

  • 基于bilevel优化提出创新的gradient-based神经网络搜索方法DARTS,适用于卷积结构和循环结构。
  • 通过实验表明gradient-based结构搜索方法在CIFAR-10和PTB数据集上都有很好的竞争力。
  • 搜索性能很强,仅需要少量GPU days,主要得益于gradient-based优化模式。
  • 通过DARTS在CIFAR-10和PTB上学习到的网络能够转移到大数据集ImageNet和WikiText-2上。

Differentiable Architecture Search


Search Space

  DARTS的整体搜索框架跟NASNet等方法一样,通过搜索计算单元(cell)的作为网络的基础结构,然后堆叠成卷积网络或者循环网络。计算单元是个有向无环图,包含$N$个节点的有序序列,每个节点$x^{(i)}$代表网络的中间信息(如卷积网络的特征图),边代表对$x^{(i)}$的操作$o^{(i,j)}$。每个计算单元有两个输入和一个输出,对于卷积单元,输入为前两层的计算单元的输出,对于循环网络,输入则为当前step的输入和前一个step的状态,两者的输出均为将中间节点的所有输出进行合并操作。每个中间节点的计算基于前面所有的节点:

  这里包含一个特殊的zero操作,用来指定两个节点间没有连接。DARTS将计算单元的学习转换为边操作的学习,整体搜索框架跟NASNet等方法一样,本文主要集中在DARTS如何进行gradient-based的搜索。

Continuous Relaxation and Optimization

  让$O$为候选操作集,每个操作代表应用于$x^{(i)}$的函数$o(\cdot)$,为了让搜索空间连续化,将原本的离散操作选择转换为所有操作的softmax加权输出:

  节点$(i,j)$间的操作的混合权重表示为维度$|O|$的向量$\alpha^{(i,j)}$,整个架构搜索则简化为学习连续的值$\alpha=\{\alpha^{(i, j)}\}$,如图1所示。在搜索的最后,每个节点选择概率最大的操作$o^{(i,j)}=argmax_{o\in O}\alpha^{(i,j)}_o$代替$\bar{o}^{(i,j)}$,构建出最终的网络。
  在简化后,DARTS目标是够同时学习网络结构$\alpha$和所有的操作权值$w$。对比之前的方法,DARTS能够根据验证集损失使用梯度下降进行结构优化。定义$\mathcal{L}_{train}$和$\mathcal{L}_{val}$为训练和验证集损失,损失由网络结构$\alpha$和网络权值$w$共同决定,搜索的最终目的是找到最优的$\alpha^{*}$来最小化验证集损失$\mathcal{L}_{val}(w^{*}, \alpha^{*})$,其中网络权值$w^{*}$则是通过最小化训练损失$w^{*}=argmin_w \mathcal{L}_{train}(w, \alpha^{*})$获得。这意味着DARTS是个bilevel优化问题,使用验证集优化网络结构,使用训练集优化网络权重,$\alpha$为上级变量,$w$为下级变量:

Approximate Architecture Gradient

  公式3计算网络结构梯度的开销是很大的,主要在于公式4的内层优化,即每次结构的修改都需要重新训练得到网络的最优权重。为了简化这一操作,论文提出了提出了简单的近似的改进:

  $w$表示当前的网络权重,$\xi$是内层优化单次更新的学习率,整体的思想是在网络结构改变后,通过单次训练step优化$w$来逼近$w^{(*)}(\alpha)$,而不是公式3那样需要完整地训练直到收敛。实际当权值$w$为内层优化的局部最优解时($\nabla_{w}\mathcal{L}_{train}(w, \alpha)=0$),公式6等同于公式5$\nabla_{\alpha}\mathcal{L}_{val}(w, \alpha)$。

  迭代的过程如算法1,交替更新网络结构和网络权重,每次的更新都仅使用少量的数据。根据链式法则,公式6可以展开为:

  $w^{'}=w - \xi \nabla_w \mathcal{L}_{train}(w, \alpha)$,上述的式子的第二项计算的开销很大,论文使用有限差分来近似计算,这是论文很关键的一步。$\epsilon$为小标量,$w^{\pm}=w\pm \epsilon \nabla_{w^{'}} \mathcal{L}_{val}(w^{'}, \alpha)$,得到:

  计算最终的差分需要两次正向+反向计算,计算复杂度从$O(|\alpha| |w|)$简化为$O(|\alpha|+|w|)$。

  • First-order Approximation

      当$\xi=0$时,公式7的二阶导会消失,梯度由$\nabla_{\alpha}\mathcal{L}(w, \alpha)$决定,即认为当前权值总是最优的,直接通过网络结构修改来优化验证集损失。$\xi=0$能加速搜索的过程,但也可能会带来较差的表现。当$\xi=0$时,论文称之为一阶近似,当$\xi > 0$时,论文称之为二阶近似。

Deriving Discrete Architectures

  在构建最终的网络结构时,每个节点选取来自不同节点的top-k个响应最强的非zero操作,响应强度通过$\frac{exp(\alpha^{(i,j)_o})}{\sum_{o^{'}\in O}exp(\alpha^{(i,j)}_{o^{'}})}$计算。为了让搜索的网络性能更好,卷积单元设置$k=2$,循环单元设置$k=1$。过滤zero操作主要让每个节点有足够多的输入,这样才能与当前的SOTA模型进行公平比较。

Experiments and Results

  搜索耗时,其中run代表多次搜索取最好的结果。

  搜索到的结构。

  CIFAR-10上的性能对比。

  PTB上的性能对比。

  迁移到ImageNet上的性能对比。

Conclustion


  DARTS是很经典的NAS方法,它的出现打破了以往的离散的网络搜索模式,能够进行end-to-end的网络搜索。由于DARTS是基于梯度进行网络更新的,所以更新的方向比较准确,搜索时间相当于之前的方法有很大的提升,CIFAR-10的搜索仅需要4GPU days。



如果本文对你有帮助,麻烦点个赞或在看呗~
更多内容请关注 微信公众号【晓飞的算法工程笔记】

work-life balance.

阅读 285

晓飞的算法工程笔记
业余时间写写文章,更多内容关注公众号 【晓飞的算法工程笔记】~
83 声望
10 粉丝
0 条评论
你知道吗?

83 声望
10 粉丝
文章目录
宣传栏