文/编辑 | 言有三
自动化机器学习技术是非常重要的基础研究,也是如今深度学习模型优化中的热点方向,我们开辟了一个专栏,专门讲解AutoML在深度学习模型优化中的一些重要思路,本次来给大家进行总结。
AutoML与数据增强
大家都知道数据增强很重要,是深度学习必备良药,写论文刷比赛提指标的大杀器。如果让模型针对具体的任务自动学习数据增强策略,理论上会更加智能,这便是基于AutoML的数据增强技术。
AutoML与激活函数
激活机制是一个网络非线性表达能力的来源,早期研究人员已经设计出了不少的激活函数,从Sigmoid到ReLU系列。随着AutoML技术的发展,现在研究人员开始使用搜索技术来进行设计。
AutoML与归一化机制
数据经过归一化和标准化后可以加快梯度下降的求解速度,这是Batch Normalization等技术非常流行的原因,它使得可以使用更大的学习率更稳定地进行梯度传播,甚至增加网络的泛化能力。使用AutoML技术可以让不同的网络层学习到最适合该层的归一化机制,从而提升模型能力。
AutoML与优化方法
要成功训练一个深度学习模型,正确的优化策略是非常重要的,如果使用不当结果会产生很大的差异,使用AutoML技术可以对优化方法进行搜索。
AutoML与优化目标
一个有效的损失函数在深度学习任务中起了关键作用,然而损失函数都是人为设定,不仅需要有经验的人员进行反复尝试,也只能获得次优的方案,如果可以让模型自动对优化目标进行学习,将有望以更低的成本学习到更优的模型。
AutoML与模型剪枝
模型剪枝是非常重要的模型压缩技巧,并且拥有比较复杂的剪枝策略,那么是否也可以使用AutoML技术来优化呢?
AutoML与模型量化
模型量化也是非常重要的模型压缩技巧,网络各层也可以配置不同的量化策略,那么是否也可以使用AutoML技术来优化呢?
AutoML与模型蒸馏
模型蒸馏也是非常重要的模型压缩技巧,拥有各种各样的设计策略,那么是否也可以使用AutoML技术来优化呢?
强化学习与NAS
强化学习是一种经典的方法,Google在2017年利用强化学习进行最佳模型架构的搜索,引爆了自动设计网络模型(Neural Architecture Search,简称NAS)的研究热潮。
进化算法与NAS
进化算法是一类算法的统称,是模拟自然选择和遗传等生物进化机制的一种搜索算法,也可以用于模型结构搜索优化。
可微分架构与NAS
可微分架构可以在连续的参数空间中进行搜索,这样带来的好处就是可以通过梯度下降算法直接进行优化,是比较高效的搜索NAS方法。
AutoML平台和项目
自从Google提出AutoML那天起,工业界和学术界就已经迅速跟进了,经过了几年的发展,那么现在工业界都有了哪些AutoML平台呢?又有哪些开源项目值得关注?