Pytorch实现代码:https://github.com/MenghaoGuo/AutoDeeplab
以往的NAS算法都侧重于搜索cell的结构,即当搜索得到一种cell结构后只是简单地将固定数量的cell按链式结构连接起来组成最终的网络模型。AutoDeeplab则将如何cell的连接方式也纳入了搜索空间中,进一步扩大了网络结构的范围。
之前的大多数NAS算法都是基于image level的分类,例如DARTS,ENAS等都是在CIFAR10和ImageNet上做的实验,AutoDeeplab则是成功地将NAS应用到了目标检测和图像分割任务上。
cell level的结构搜索方式参考的是DARTS,细节可参阅论文笔记系列-DARTS: Differentiable Architecture Search。
搜索空间主要由如下8个operation组成:
一个cell的示意图如下(为方便说明每个子节点之间只有三种operation,不同颜色的连线代表不同操作),0表示第一个子节点,它会接收前两层的cell的输出作为输入;
下面我们先以1-2为例看节点之间的计算方式:
1子节点表示为$H^l_1$,1到2子节点之间的操作可以表示为:
$\overline{O}{1 \rightarrow 2}(H^l_1)=\sum{k=1}^3\alpha^k_{1 \rightarrow 2} O^k(H^l_1)$
其中$\alpha^k$表示第k个operation的概率,上图中一共有三种操作,所以最终的操作应该是三种操作的加权值,另外三个操作的和应该为1,所以通常需要使用softmax操作来实现。更一般化的表达方式如下:
$$
\begin{array}{l}{\qquad \overline{O}{j \rightarrow i}\left(H{j}^{l}\right)=\sum{O^{k} \in \mathcal{O}} \alpha{j \rightarrow i}^{k} O^{k}\left(H_{j}^{l}\right)} \
{\text { where }} {\qquad \begin{aligned} \sum{k=1}^{|\mathcal{O}|} \alpha{j \rightarrow i}^{k}=1 & \,\,\,\, \forall i, j \ \alpha_{j \rightarrow i}^{k} \geq 0 & \,\,\,\, \forall i, j, k \end{aligned}}\end{array}
$$
有了操作的表达式后,那么每个子节点的表达方式也就是对多个输入节点作加权求和,如下:
$$
H{i}^{l}=\sum{H{j}^{l} \in \mathcal{I}{i}^{l}} O{j \rightarrow i}\left(H{j}^{l}\right)
$$
上图左边画的是network-level,横向表示layer,纵向表示图像分辨率(2表示原图是特征图的2倍,其他同理)。
右边刚开始看的时候还以为就只是介绍了cell结构,但是结合代码后发现有个地方稍微有些不同,这个其实在后面的论文中也有介绍,但是当时没注意看,即每个节点的表达式如下:
$$
\begin{aligned}^{s} H^{l}=& \beta{\frac{\varepsilon}{2} \rightarrow s}^{l} \operatorname{Cell}\left(^{\frac{s}{2}} H^{l-1},^{s} H^{l-2} ; \alpha\right) \ &+\beta{s \rightarrow s}^{l} \operatorname{Cell}\left(^{s} H^{l-1},^{s} H^{l-2} ; \alpha\right) \ &+\beta_{2 s \rightarrow s}^{l} \operatorname{Cell}\left(^{2 s} H^{l-1},^{s} H^{l-2} ; \alpha\right) \end{aligned}
$$
其中
$$
\begin{array}{ll}{\beta{s \rightarrow \frac{s}{2}}^{l}+\beta{s \rightarrow s}^{l}+\beta_{s \rightarrow 2 s}^{l}=1} & {\forall s, l} \
{\beta{s \rightarrow \frac{s}{2}}^{l} \geq 0 \quad \beta{s \rightarrow s}^{l} \geq 0} & {\beta_{s \rightarrow 2 s}^{l} \geq 0 \quad \forall s, l}\end{array}
$$
上面的公式乍看会很懵,我们慢慢看:
<footer style="color:white;;background-color:rgb(24,24,24);padding:10px;border-radius:10px;"><br>
<h3 style="text-align:center;color:tomato;font-size:16px;" id="autoid-2-0-0"><br>
<b>MARSGGBO</b><b style="color:white;"><span style="font-size:25px;">♥</span>原创</b>
<b style="color:white;">
2018-10-29<p></p>
</b><p><b style="color:white;"></b>
</p></h3><br>
</footer>
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。