【AttentiveNAS】2021-CVPR-AttentiveNAS Improving Neural Architecture Search via Attentive Sampling-论文阅读
AttentiveNAS
2021-CVPR-AttentiveNAS Improving Neural Architecture Search via Attentive Sampling
来源：ChenBong 博客园
- Institute：Facebook，University of Texas
- Author：Dilin Wang，Meng Li，Chengyue Gong，Vikas Chandra1
- GitHub：https://github.com/facebookresearch/AttentiveNAS 26+
- Citation： /
Introduction
基于共享参数的超网训练的one-shot nas方法，每个batch采样的时候不是随机采样，而是采样pareto最优和最差的子网进行训练。超网训练完毕后，无需重训可以同时获得多个flops规模下的高性能模型。
Motivation
传统的基于超网的nas，训练超网阶段：随机采样；搜索子网阶段：搜索pareto最优的子网；训练阶段和超网阶段的目标存在gap，即训练超网阶段没有把大部分训练资源集中在pareto最优的子网上，导致搜索阶段搜索到子网后还需要retrain。
本文就是在训练超网阶段就识别出pareto最优和最差的子网进行训练，对pareto最差的子网也训练的动机是：pareto最差网络，可以视为性能下限 / 训练最不充分的样本 / 困难样本，提高下限对所有子网的性能提升都有帮助。
Contribution
- 提出了一种新的采样策略，重点采样pareto最优和最差的子网
- 提出高效的采样方法
- sota
Method
传统超网nas
训练超网阶段
优化目标：
搜索子网阶段
AttentiveNAS
训练超网阶段
\(\pi_{(\tau)}\) 是 FLOPs 服从的分布（按照超网中不同子网的FLOPs分布进行采样/训练 &&有什么好处？）
\(\pi_{(\alpha | \tau)}\) 是在FLOPs 为 \(\tau\) 的条件下，子网结构服从的均匀分布
但AttentiveNAS的优化目标是那些属于pareto最优或最差集合的子网结构，因此优化目标变为：
其中 \(\gamma(\alpha)\) 是一个指示函数，当 \(\alpha\) 属于最优/最差时， \(\gamma(\alpha)\) =1
实际的做法：每个batch，对于n个目标 FLOPs \(\{\tau_o\}\) ，在每个目标FLOPs约束下均匀采样k个（若k=1，就退化成随机采样）子网，选择k个子网中pareto最好/最差的1个进行训练：
如何判断 \(\alpha\) 属于最优/最差集合？指示函数 \(\gamma(\alpha)\) ：对k个子网使用性能评估器 \(P(\alpha)\) 进行评估，性能最高的认为是pareto最优集合；性能最差的认为是pareto最差集合
搜索子网阶段
进化算法
Experiments
训练超网的细节
如何获得子网 FLOPs 的先验分布？
从超网中随机采样m（\(m>10^6\)）个子网，统计它们的FLOPs，将采样频率近似为将概率：
这里的 \(\tau=\tau_o\) 是有一个容忍度 \(t=25M\) FLOPs 的
如何获得子网在 \(FLOPs =\tau_o\) 约束下的分布？
在 \(FLOPs =\tau_o\) 的约束下，子网 \(α = [o_1, ..., o_d] ∈ R^d\) 的分布近似为 一个连乘积：
由于每一维都是独立采样的，因此其中每一项都可以用采样频率近似概率：
性能评估器 \(P(\alpha)\)
2种类型：
- Minibatch-loss as performance estimator： \(P(α) = −L(W_α; D_{val})\)
- Accuracy predictor as performance estimator：训练一个精度预测器， \(P(\alpha)=acc_{predict}\) ，增加的开销小于总开销的10%
采样结果分析
采样集合 - 每个batch采样子网的个数k （评估器类型）
箱式图：可以体现数据分布的5个特征（最大最小值，中位数，第1/3四分位数）
- 只训练worstup可以提高下限
- 使用 acc predictor 作为评估器时，只训练worstup比只训练bestup效果更好，甚至WorstUp-1M (acc) 完全超过了 BestUp-1M (acc)，这个观察挑战了那些更多关注在优化最佳结构的nas方法（DARTS）
- WorstUp-3 (loss) 和 BestUp-3 (loss) 都比 baseline（均匀采样）有提升，说明了优化最好/最差子网的有效性 （&&这里为什么换成loss作为评估器？）
- 只训练 bestup 在中等规模的FLOPs约束（500-700M）下更有效
与SOTA的比较
Conclusion
Summary
pros：
- motivation明确（和greednas相同），但实现的方式更简洁，直接修改采样概率
- 采样概率考虑到FLOPs先验、子网分布先验等，求先验分布的方式很简洁，直接通过采样来近似
- 只优化pareto最差的网络也有很好的效果，挑战了之前的的一些只优化pareto最优的方法（greednas，DARTS）
cons：
- 2种评估器（acc predictor/loss）的区别没有做具体的分析
- 为什么只训练pareto最优的子网在中等规模的FLOPs（500-700M）下更有效没有做具体的分析
