作者丨江渚碧

學校丨武漢大學

研究方向丨智能計算

昨天，小米 AutoML 團隊（初祥祥、張勃、李吉祥、李慶源、許瑞軍等）發布最新成果 SCARLET，超過了 Google Brain 首席科學家 Quoc Le 和 Tan Mingxing 共同完成的 EfficientNet 同量級模型 （ICML 2019）。

SCARLET 論文探究了 One-shot 路線自動化神經網絡搜索中沒有被深入考察的可伸縮性問題，首次提出并證明線性等價變換可以使超網具備可伸縮功能。

論文發布的 SCARLET 系列模型超過當前大火的 EfficientNet，并且相比 EfficientNet 的純強化路線相比用了更少的計算資源，更短的搜索時間。SCARLET 模型在 ImageNet 1k 分類任務中達到 76.9% 的 top-1 精度，目前是近 400 M FLOPs 量級的 SOTA。

至此，小米 AutoML 團隊在短短兩月間寫就 FairNAS、MoGA、SCARLET 三部曲，依次超過 Google 頂級團隊的 MnasNet、MobileNetV3、EfficientNet。

模型地址：

https://github.com/xiaomi-automl/SCARLET-NAS

One-shot路線之優劣

雖然 one-shot 由于權重共享，一次超網訓練，評估子網時可以多次收益，足夠快也足夠有效。但相比 Google Brain 的 RL 路線（NASNet、MnasNet 等）或其他路線，one-shot 的靈活性大打折扣。其中一點就是不能自由伸縮。

一般地講，更深的網絡有更好的表征能力。但事實是，稍淺的網絡能力也不是很弱，有時還反而更好。這就好比在矮個子有時也比高個子力量大，高度（深度）不是評判一個人力量的唯一標準。考慮到我們部署時的限制，我們不僅要小個子，還要發掘優秀的小個子。在太空任務中，矮個子楊利偉反而成了優勢。?

之前的 one-shot 方法比如 ProxylessNAS 曾引入了跳接 （skip connection）來給超網帶來伸縮性，但由于沒有展示中間結果，以及并沒有展開理論探討，跳接在什么程度上影響了超網訓練和最后的模型搜索均難以評估。

引入恒等變換

恒等變換（Identity mapping，ID）即跳接，在當前層的可選擇運算模塊（Choice block）中加入這個操作，可以從上一層直接越過連到當前層的下一層，從而實現層數的壓縮，聽上去很靠譜，但當引入 ID 后 one-shot 超網訓練如何呢？

根據 SCARLET 做的實驗看，單單加上 ID 就直接導致了超網訓練的大幅波動，在選擇了 ID 的那條路徑，模型能力迅速下降，嚴重影響了整個超網的參數更新。

增加線性等價變換

恒等變換能幫我們實現層數的壓縮，但又是個搗亂分子。怎么解決呢？SCARLET 提出給這個搗亂分子進行一些教育改良，由于之前的 ID 并沒有學習功能，只完成連接，那最常見的學習單元就是帶參數的卷積層。但問題來了，加了卷積層的路徑和原有路徑有什么不同呢？我們最后采樣的模型，能否取掉這個卷積層來完成層間的跳接，實現我們期待的壓縮呢？?

▲?Fig 2. ?線性等價變換示意圖

幸運地是，加了線性的卷積層（即不含激活單元）的采樣模型在表征能力上是和原有網絡是等價的。SCARLET 對此進行了分情形的嚴格證明。在下一層運算單元是 FC 或 Conv 的情況下，給搗亂分子 ID 配備了學習單元 Conv 以后，表征能力并沒有改變。這樣的改良文中稱作線性等價變換（Linearly Equivalent Transformation, LET）。

所以超網訓練過程要開啟 LET 來補足別的 block 都在學習，ID 不學習的弱點，而訓練結束后，去掉 LET 完成瘦身，本文叫做 SCARLET，扼要概括了本次的方法創新（SCAlable supeRnet with Linearly Equivalent Transformation）。

▲?Fig 3.??情形一，線性等價變換前后表征能力等價的證明

加入了 LET 之后，超網訓練就平和了許多。訓練過程的模型采樣來看，沒有開 LET 前主要分布在兩個區域，而開啟之后，都集中在得分比較高的這個區間。

▲?Fig 4.??引入 LET 前后超網訓練對比

與當前最好模型對比

從表中看出，SCARLET 這次打的是 EfficientNet 同量級模型 B0，SCARLET-A、B 均用了明顯更少的 FLOPs，大幅超過或齊平 B0。而 SCARLET-C 又是超過了自己三部曲第一部中提出的 SOTA 模型 FairNAS-A。

▲?Fig 5. 當前 SOTA 模型在 ImageNet 數據集上的對比

模型結構分析

▲?Fig 6.?SCARLET A，B，C 模型

與以往發布的 FairNAS 和 MoGA 模型不同，這次系列模型中有了更淺的層級，這也呼應了本次方法的要點，就是要找出淺一點但也很不錯的模型，展示了超網的可伸縮性。?

參考文獻

Chu et al., FairNAS: Rethinking Evaluation Fairness of Weight Sharing Neural Architecture Search?

https://arxiv.org/abs/1907.01845?

Chu et al., MoGA: Searching Beyond MobileNetV3?

https://arxiv.org/abs/1908.01314?

Chu et al., ScarletNAS: Bridging the Gap Between Scalability and Fairness in Neural Architecture Search?

https://arxiv.org/abs/1908.06022?

Zoph et al. Learning Transferable Architectures for Scalable Image Recognition?

https://arxiv.org/pdf/1707.07012?

Cai et al: ProxylessNAS: Direct Neural Architecture Search on Target Task and Hardware?

https://arxiv.org/abs/1812.00332?

Tan et al., MnasNet: Platform-Aware Neural Architecture Search for Mobile?

https://arxiv.org/abs/1807.11626

點擊以下標題查看更多往期內容：?

• KDD Cup 2019 AutoML Track冠軍團隊技術分享

• 神經網絡架構搜索（NAS）綜述 | 附資料推薦

• 小米拍照黑科技：基于NAS的圖像超分辨率算法

• 深度解讀：小米AI實驗室最新成果FairNAS

• 自動機器學習（AutoML）最新綜述

• MoGA：超過MobileNetV3的移動端GPU敏感型搜索

#投 稿 通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

??來稿標準：

? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

?

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 下載論文 & 源碼

總結

以上是生活随笔為你收集整理的发布可伸缩超网SCARLET，小米AutoML团队NAS三部曲杀青的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。