一切皆是映射:元学习中的神经架构搜索(NAS)
作者:禅与计算机程序设计艺术 / Zen and the Art of Computer Programming
1. 背景介绍
1.1 问题的由来
随着深度学习在各个领域的广泛应用,如何设计高效、可扩展的神经网络架构成为了研究的热点问题。传统的神经网络架构设计主要依赖于人工经验,存在以下局限性:
- 人工经验依赖:依赖于设计者的经验,难以保证设计的网络架构在各个任务上都具有最优性能。
- 计算资源消耗:人工设计的网络架构往往复杂度高,计算资源消耗大,难以在资源受限的设备上运行。
- 缺乏普适性:针对特定任务设计的网络架构难以迁移到其他任务上,难以实现通用性。
为了解决上述问题,元学习(Meta-Learning)和神经架构搜索(Neural Architecture Search,NAS)应运而生。元学习通过学习如何学习,使得模型能够在新的任务上快速适应,而NAS则通过自动搜索最优的网络架构,实现模型的自动设计。
1.2 研究现状
近年来,NAS领域取得了显著的进展,涌现出许多高效、可扩展的NAS算法。根据搜索策略的不同,NAS算法主要分为以下几类:
- 基于强化学习(Reinforcement Learning,RL