[优化算法]神经网络结构搜索(一)

一、概述

神经网络主要由两类数据构成:参数 (Parameters)和超参数 (Hyper-Parameters)。其中参数即需要从训练数据中学习,并进行更新的数据,如卷积核中的参数;超参数则分为两类:结构超参数 (Architecture)和算法超参数(Algorithm),其中结构超参数具体表现在一个神经网络有多少层、每层有多少卷积核、每个卷积核的尺寸等;算法超参数则体现在使用的迭代算法,如SGD或Adam。

以CNN为例,结构超参数可以分为以下三种:

①卷积层(Conv)的数量和全连接层(Dense)的数量

②每个卷积层中的卷积核数量、大小和步长

③每个全连接层的宽度

神经网络结构搜索 (Neural Architecture Search, NAS):指使用算法找到最优的神经网络结构超参数,是的模型在验证集上的精度最高。

搜索空间(Search space):搜索空间是一组包含所有神经网络可能结构的集合,是用户事先制定的。

通过NAS的选择,得出的搜索结果(结构超参数)如下所示:

二、随机搜索

通过不断重复:选择结构超参数 ->构建神经网络 ->进行验证。这三个步骤,选择验证结果中最佳的有种作为最佳结构超参数,这个过程是随机的,如下图所示。

随机搜索虽然实现简单,但是依旧存在以下问题

优化开销巨大:每次选择超参数后,需要单独进行建模,并从零开始对这个模型进行训练。

搜索空间巨大:由于各模块的组合多样性,NAS并不能完整的穷举整个搜索空间。

三、循环神经网络+强化学习

3.1 控制器RNN的构型

使用RNN生成一个CNN,可以分为以下几步:

①对于RNN的初始状态(全0)和输入(随机生成),通过RNN处理后输出一个向量,如下图。

②将输入一个softmax分类器,输出记作为第一层卷积核个数的概率预测(需要提前指定几个可选项),并使用随机选择 (random)或最大值选择 (argmax)选出一个值,将这个值记作one-hot向量 ,如下图;在这里模型预测的内容为卷积核个数,可选项为24,36,48,64这4个。

③利用嵌入层 (Embedding)将映射为一个稠密向量,再将向量作为状态,向量作为输入,使用RNN计算出向量;再将向量的拷贝作为下一时刻的状态,同时使用softmax分类器将映射为概率,进一步使用softmax选择一个值,记作one-hot向量。如下图;在这里模型预测的是卷积核尺寸,可选项为3x3,5x5,7x7这三个,需要注意的是,由于输出维度和任务均不相同,此处的softmax与步骤②并不复用

Ps.虽然这些softmax不能复用,但嵌入层在相同的任务 中是可以复用的。同时由于RNN要求输入向量的维度一致,所以映射后的向量的维度需要保持一致。

④接下来重复步骤③的操作,来预测卷积步长。如下图;

通过不断重复上述步骤,即可得到一个模型的所有结构超参数,以一个20层的模型为例,每三个超参数可以确定一个卷积层(卷积核个数,卷积核尺寸,步长),用来生成超参数的RNN被称为控制器RNN (Controller RNN)。

3.2训练控制器RNN

要训练一个控制器RNN需要以下几步,同时如下图所示:

①使用控制器RNN生成一组CNN的结构超参数。

②根据步骤①的结构超参数实例化一个CNN。

③使用数据集训练步骤②搭建的神经网络

④对步骤③训练好的数据集进行预测,得到平均准确率

⑤使用步骤④的平均准确率更新控制器RNN,控制器RNN更新的目标是让平均准确率更高。

实现上述步骤还存在一个问题:即目标函数 必须对于参数 可微 ,才可以将其计算为梯度 形式:。在上述问题中,目标函数为CNN的平均准确率,但优化参数是控制器RNN的参数,两者并不构成可微关系, 所以无法直接使用反向传播更新RNN。为了解决这个问题,引入强化学习 。强化学习并不要求之间可微,直接将不可微的目标作为环境奖励

3.3使用强化学习训练控制器RNN

对于整个强化学习而言:奖励 (Rewards)是CNN的平均准确率策略函数 (Policy Function)为控制器RNN ,使用策略梯度上升来更新策略函数。

对于策略函数而言,为策略函数输出的概率分布,为动作(离散的),为状态。

以第60步为例,前59步的奖励不可见,记作;第60步的奖励记作;将时刻的回报记作,故

通过上面的推导,第步的近似策略梯度函数 可以写作:

通过对策略梯度求和可以用来更新参数:,其中为手动设置的学习率参数。

相关推荐
Learn Beyond Limits几秒前
Clustering|聚类
人工智能·深度学习·神经网络·机器学习·ai·聚类·吴恩达
不枯石14 分钟前
Matlab通过GUI实现点云的均值滤波(附最简版)
开发语言·图像处理·算法·计算机视觉·matlab·均值算法
不枯石23 分钟前
Matlab通过GUI实现点云的双边(Bilateral)滤波(附最简版)
开发语言·图像处理·算法·计算机视觉·matlab
丁希希哇26 分钟前
【论文精读】CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer
人工智能·深度学习·transformer
LETTER•4 小时前
Llama 模型架构解析:从 Pre-RMSNorm 到 GQA 的技术演进
深度学习·语言模型·自然语言处理·llama
赋创小助手5 小时前
Supermicro NVIDIA Grace Superchip存储服务器超微ARS-121L-NE316R开箱评测
运维·服务器·人工智能·深度学习·机器学习·自然语言处理
千宇宙航6 小时前
闲庭信步使用图像验证平台加速FPGA的开发:第三十课——车牌识别的FPGA实现(2)实现车牌定位
图像处理·计算机视觉·fpga开发·车牌识别
三年呀7 小时前
量子机器学习深度探索:从原理到实践的全面指南
人工智能·深度学习·机器学习·量子计算
天涯路s7 小时前
OpenCV 特征检测与描述
人工智能·opencv·计算机视觉
飞翔的佩奇9 小时前
【完整源码+数据集+部署教程】鸡只与养殖场环境物品图像分割: yolov8-seg等50+全套改进创新点发刊_一键训练教程_Web前端展示
python·yolo·计算机视觉·数据集·yolov8·yolo11·鸡只与养殖场环境物品图像分割