神经架构搜索(NAS)被广泛用于在大量候选架构中自动设计性能最佳的神经网络。为了减少搜索时间,零样本NAS旨在设计无需训练的代理,可以预测给定架构的测试性能。然而,正如最近所示,迄今为止提出的零样本代理中,没有一个实际上可以比简单代理更好地持续工作,即网络参数的数量(#Params)。为改善这种状况,作为主要的理论贡献,本文首先揭示了不同样本的一些特定梯度属性如何影响神经网络的收敛速度和泛化能力。基于这种理论分析,本文提出了一种新的零样本代理ZiCo,这是第一个始终比#Params工作得更好的代理。实验表明,ZiCo在几个流行的nas基准(NASBench101, NATSBench-SSS/TSS, TransNASBench-101)上的工作性能优于最先进的(SOTA)代理,适用于多种应用(例如,图像分类/重建和像素级预测)。通过ZiCo找到的最优架构与通过单次和多次NAS方法找到的架构一样具有竞争力,但搜索时间要少得多。例如,基于zico的NAS可以在0.4 GPU天内,在ImageNet上4.5亿、6亿和1亿FLOPs的推理预算下找到最优的体系结构,测试精度分别为78.1%、79.4%和80.4%。

成为VIP会员查看完整内容
6

相关内容

【NeurIPS 2021】基于潜在空间能量模型的可控和组分生成
专知会员服务
16+阅读 · 2021年10月23日
专知会员服务
31+阅读 · 2021年7月2日
【NeurIPS 2020 】神经网络结构生成优化
专知会员服务
20+阅读 · 2020年10月24日
《神经架构搜索NAS》最新进展综述
专知会员服务
55+阅读 · 2020年8月12日
【CVPR2020】用多样性最大化克服单样本NAS中的多模型遗忘
专知会员服务
53+阅读 · 2019年12月22日
【NeurIPS 2019】7篇自动化神经网络搜索(NAS)论文简读
中国人工智能学会
15+阅读 · 2019年9月13日
【迁移学习】迁移学习在图像分类中的简单应用策略
TensorFlow图像分类教程
机器学习研究会
33+阅读 · 2017年12月29日
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
8+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
28+阅读 · 2022年3月28日
Arxiv
11+阅读 · 2020年12月2日
Arxiv
22+阅读 · 2018年8月30日
VIP会员
相关VIP内容
【NeurIPS 2021】基于潜在空间能量模型的可控和组分生成
专知会员服务
16+阅读 · 2021年10月23日
专知会员服务
31+阅读 · 2021年7月2日
【NeurIPS 2020 】神经网络结构生成优化
专知会员服务
20+阅读 · 2020年10月24日
《神经架构搜索NAS》最新进展综述
专知会员服务
55+阅读 · 2020年8月12日
【CVPR2020】用多样性最大化克服单样本NAS中的多模型遗忘
专知会员服务
53+阅读 · 2019年12月22日
相关基金
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
8+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员