【SPOS】2019-arxiv-Single Path One-Shot Neural Architecture Search with Uniform Sampling-论文阅读
SPOS
2019-arxiv-Single Path One-Shot Neural Architecture Search with Uniform Sampling
来源：ChenBong 博客园
- Institute：MEGVII、THU、HKUST
- Author：Zichao Guo、Xiangyu Zhang、Jian Sun
- GitHub：
- Citation：116
Introduction
回顾
one-shot有种一步到位的意思，即只需要训练一个超网，在超网的基础上找到一个最佳子网。
而训练超网和搜索子网两个步骤可以同时进行，也可以分开进行；
因此One-shot NAS的两种思路：
- 训练超网权重 和 搜索子网结构参数，两个阶段一起进行（DARTS系列，Proxyless...）
- 训练超网权重 和 搜索子网结构参数，两个阶段分开进行（Understanding [2]，SMASH...）
本文的思路：训练 和 搜索两阶段分开进行：
构建一个简化的超网，在训练阶段，每次训练单条路径，减少权重耦合；在搜索阶段使用EA算法。
-
训练（超网）阶段：随机抽single path进行训练
-
搜索（子网）阶段：使用EA算法搜索满足特定限制（FLOPs，latency）的子网
训练，搜索两阶段思路清晰，简单有效；ablation study实验丰富。
Motivation
基于weight-sharing的NAS方法存在2个问题：
-
子网之间权重耦合的问题：子网的权重之间存在高度耦合，直接继承超网的权重，而且权重对子网仍然有效，没有理论依据
-
结构参数和网络权重耦合的问题：搜索空间松弛（离散化=>连续化，如DARTS系列）的基于梯度的方法中，结构参数（arch parameter）和网络权重（weight）联合优化，容易陷入“强化初始的选择“的局部最优当中去（初始选择敏感）；
如第一次随机选择/（梯度下降抽样）了某个子网，这个子网上路径上的权重会被训练，后续选择的过程中，这个子网路径上的性能表现更好，更容易被抽到（梯度下降最快），就陷入一直强化第一次选择的子网的过程，有的路径被一直训练，而有的路径没有得到充分训练。因此初始的随机选择对结果影响非常大，收敛后可能只是局部最优
一些one-shot工作* 不使用可微分方法联合优化结构参数（arch parameter）和网络权重（weight），解决了第二个问题，将“超网训练”和“结构搜索”两个过程分离开来。
但第一个问题仍然存在，即子网络之间参数耦合的问题。【ProxylessNAS】 等使用Path Dropout的超参数来减少路径之间的耦合，但实验结果对超参非常敏感，超参的选择困难且超网比较难训练。
*这里的one-shot指的是狭义上的one-shot，即不使用可微分方法的超网抽样子网的方法，如【Understanding One-Shot NAS】和SMASH，广义上DARTS系列使用可微分的方法也属于one-shot
Contribution
为了解决以上2个问题，
- 提出了一种简单的训练方式（single path），每个路径都会被等概率地充分训练，后续抽样的时候不同路径的训练程度都相同，来解决子网络权重耦合问题；
- 提出了有效的搜索方式（EA），将超网训练和子网搜索分离为2个单独的步骤，解耦网络权重与网络结构的关系，同时可以容易实现各种约束（FLOPs，latency），而且是hard约束（使用EA多次搜索，直到搜索到满足约束条件的子网），而不是soft约束（比如在loss上加latency损失项就属于soft约束，soft约束只能将网络大致限制在某个值，可以理解为多个损失项之间的权衡，如果一个网络acc loss 非常小，可以牺牲一点latency约束，所以不能实现精确的约束）。
Method
训练超网阶段
\(W_{\mathcal{A}}=\underset{W}{\operatorname{argmin}} \mathcal{L}_{\operatorname{train}}(\mathcal{N}(\mathcal{A}, W)) \qquad(6)\)
A代表超网的结构参数，W代表超网中所有的weights
\(W_{\mathcal{A}}=\underset{W}{\operatorname{argmin}} \mathbb{E}_{a \sim \Gamma(\mathcal{A})}\left[\mathcal{L}_{\operatorname{train}}(\mathcal{N}(a, W(a)))\right] \qquad (8)\)
\(\mathbb{E}_{a \sim \Gamma(\mathcal{A})}\) 表示a是在A中均匀采样
搜索子网阶段
\(a^{*}=\underset{a \in \mathcal{A}}{\operatorname{argmax}} \mathrm{ACC}_{\text {val }}\left(\mathcal{N}\left(a, W_{\mathcal{A}}(a)\right)\right) \qquad (7)\)
a表示子网的结构参数，a*表示最佳子网的结构参数
搜索最佳的子网（的结构参数）
搜索空间
搜索空间中的输入通道数，和输出通道数可以看做“最大通道数”，实际抽样到的子网的通道数是<=“最大通道数”的。
训练阶段，随机采样通道数
细节：如何选择通道数，每个layer预先设置有max c_in ，max c_out，kernel size*，因此这个layer的最大参数量为 kernel_size × max_c_in × max_c_out，每次抽样的c_in由上个layer的c_out决定，c_in在<=max_c_in的范围内随机抽样，可以看出，不同的iter中抽到的该层的通道数都不相同，而这些参数又是共享的，多次抽样下，（作者说）会很快收敛。
*如果 kernel 为3×3，那么这里的kernel size=9
训练阶段，采样混合精度
这部分不是很熟，先把结果放上来，后续再学习。
搜索阶段，使用EA算法
EA搜索与随机搜索的比较：
Experiments
实验配置
batch size 1024，8*1080ti
train supernet：120 epochs
retrain best arch：240 epochs
网络总体结构
整个网络共有20个choice blocks
总体结构如下表：
每个choice block有4种候选（分别是choice_3, choice_5, choice_7, choice_x），共有20个choice blocks，因此搜索空间一共是\(4^{20}\)
block search
由于之前大多数NAS的工作与手工设计网络的大小都在[300, 330]，因此我们将FLOPs限制在<=330M
说明：
1）第一部分：不同的choice_x block的FLOPs是不同的，因此我们调整（搜索？）不同的channels来满足FLOPs约束；全部使用单一种类的blocks（我的理解是，比如全部使用choice_3的block构建超网，训练超网，在超网中随机抽样出满足FLOPs约束的子网络，重新训练）
2）第二部分：在整个搜索空间（由4种block构建的spuernet）中随机搜索 和 在single path supernet中随机搜索；使用single path训练的spuer net搜索空间只比第一种略高。（我的理解是，第一种：由4种blocks构建的supernet，直接训练，然后随机搜索；第二种：由4种blocks构建的spuernet，使用single path训练，然后随机搜索）
3）第三部分：在使用single path训练过后的supernet中将随机搜索替换为EA搜索，效果比随机搜索高了0.5个点（74.3，这里的搜索在下文中被称为block search，我的理解是，这里搜索的子网每一层用的都是最大通道数）。
blocks and channels search
为了进一步提高acc，我们同时搜索 blcoks 和 channels：
这里有2种策略：
1）在best block search 的结果上，执行channels search
2）直接同时搜索 blocks 和 channels
实验表明，第一种稍微好一点
EA搜索有效性-应用在之前工作的搜索空间（spuernet）上
与其他SOTA的比较（使用与之前工作相同的搜索空间）：
将本文搜索阶段的EA算法应用在之前工作相同的超网上，搜到的结果比较好。这部分只能说明搜索阶段EA算法的有效性，无法说明训练阶段 single path 训练策略的有效性。
top-1 acc baseline列的数据中，左边是论文里报告的数据，括号里是作者自己复现的数据。
&&疑问：表格中是分别满足 FLOPs 和 latency 的约束，是不是无法同时满足FLOPs和latency的约束？
EA搜索有效性评估-Kendall Tau metric
Kendall Tau metric，它会评估搜索阶段（预测性能）与评估阶段（实际性能）模型性能的相关性，相关性越高则表示算法越有效，它的计算公式如下：
\(\tau=\frac{N_{C}-N_{D}}{N_{C}+N_{D}}\)
其中NC,ND分别表示 concordant and discordant pairs。τ的大小在-1到1之间：
- τ= 1：算法能很好地找到表现好的模型，即搜索阶段表现最好的模型在评估阶段也是最好的。
- τ= -1: 算法不能很好地找到表现好的模型，即搜索阶段表现最好的模型在评估阶段反而是最差的。
- τ=0：搜索阶段和评估阶段之间完全没有关系，基本上是随机搜索。
有一些工作认为性能差异只是搜索空间设计的不同，在相同的搜索空间上，有些NAS的搜索策略与随机搜索策略几乎没有区别。
因此我们在NAS-Bench-201的子集上进行搜索，使用Kendall Tau metric评估我们搜索算法的好坏。
NAS-Bench-201包含有1.5w个网络结构，并提供这些结构在cifar-10，cifar-100，ImageNet-16-120数据集上的（充分训练后的）真实性能。
NAS-Bench-201有搜索空间有5种操作：
- zeroize
- skip connection
- 1-by-1 convolution
- 3-by-3 convolution
- 3-by-3 average pooling
我们将：
删除1-by-1 conv 操作后的搜索空间叫做：Reduce-1
删除3-by-3 avg pool 操作后的搜索空间叫做：Reduce-2
两个操作都删除的搜索空间叫做：Reduce-3
在这3个搜索空间上搜索的结果：
根据Kendall Tau metric的定义，τ∈[-1, 1]，随机搜索τ=0，我们的结果>0，即正相关，但依然不够好，即正相关性不够
发现：越简单的搜索空间，我们的搜索算法正相关性越强
开销对比
训练超网阶段
搜索子网阶段
重训练最佳子网阶段
Conclusion
- 提出了之前NAS工作的2个缺点（子网络权重耦合，可微分的联合优化的导致的初始选择敏感、权重和结构参数耦合的问题）作为本文的出发点
- 提出了single path的训练方式，解决子网权重耦合的问题
- 不使用微分方法，使用EA的离散搜索，将训练超网（优化权重）和搜索子网（优化结构参数）两个阶段分开，降低权重与结构参数的耦合
- 可以搜索通道数+混合精度
- 搜索阶段的EA搜索算法有一定效果，但预测性能与实际性能的相关性还不够强，作者根据实验猜想搜素空间越简单，相关性会越强
Summary
文章思路比较清晰，提出NAS之前工作存在的问题，介绍了之前的工作，总结了NAS问题的框架，针对存在的问题，针对性提出解决方法，并实验验证。
训练超网阶段 Single Path 策略的有效性实验：
-
普通方法训练 + 随机搜索：73.7
-
Single Path 方法训练 + 随机搜索：73.8
-
Single Path 方法训练 + EA搜索block：74.3
-
Single Path 方法训练 + EA搜索block and channels：74.7
搜索阶段EA算法的有效性：
- 在之前工作的搜索空间（supernet）上使用EA搜索，比原结果好
- 在NAS-Bench-201的搜索空间上使用EA搜索，τ>0
主要实验放在证明搜索阶段EA搜索的有效性，而训练阶段 Single Path 方法有效性说服力不够强。
本文投了2020-ICLR，有一篇关于随机采样的文章在本文6周之前发布，本文有引用但正文未提到（作者称是并行的工作），reviewer 认为真正新颖的只有EA搜索的部分，结果好的原因可能是采用了好的pipleline，而不是方法的原因，因此给了Rreject（详见Refer-OpenReview）
Reference
NAS 学习笔记（八）- Single Path One-Shot NAS
论文笔记：Single Path One-Shot Neural Architecture Search with Uniform Sampling
