作者丨江渚碧

学校丨武汉大学

研究方向丨智能计算

昨天，小米 AutoML 团队（初祥祥、张勃、李吉祥、李庆源、许瑞军等）发布最新成果 SCARLET，超过了 Google Brain 首席科学家 Quoc Le 和 Tan Mingxing 共同完成的 EfficientNet 同量级模型 （ICML 2019）。

SCARLET 论文探究了 One-shot 路线自动化神经网络搜索中没有被深入考察的可伸缩性问题，首次提出并证明线性等价变换可以使超网具备可伸缩功能。

论文发布的 SCARLET 系列模型超过当前大火的 EfficientNet，并且相比 EfficientNet 的纯强化路线相比用了更少的计算资源，更短的搜索时间。SCARLET 模型在 ImageNet 1k 分类任务中达到 76.9% 的 top-1 精度，目前是近 400 M FLOPs 量级的 SOTA。

至此，小米 AutoML 团队在短短两月间写就 FairNAS、MoGA、SCARLET 三部曲，依次超过 Google 顶级团队的 MnasNet、MobileNetV3、EfficientNet。

模型地址：

https://github.com/xiaomi-automl/SCARLET-NAS

One-shot路线之优劣

虽然 one-shot 由于权重共享，一次超网训练，评估子网时可以多次收益，足够快也足够有效。但相比 Google Brain 的 RL 路线（NASNet、MnasNet 等）或其他路线，one-shot 的灵活性大打折扣。其中一点就是不能自由伸缩。

一般地讲，更深的网络有更好的表征能力。但事实是，稍浅的网络能力也不是很弱，有时还反而更好。这就好比在矮个子有时也比高个子力量大，高度（深度）不是评判一个人力量的唯一标准。考虑到我们部署时的限制，我们不仅要小个子，还要发掘优秀的小个子。在太空任务中，矮个子杨利伟反而成了优势。

之前的 one-shot 方法比如 ProxylessNAS 曾引入了跳接 （skip connection）来给超网带来伸缩性，但由于没有展示中间结果，以及并没有展开理论探讨，跳接在什么程度上影响了超网训练和最后的模型搜索均难以评估。

引入恒等变换

恒等变换（Identity mapping，ID）即跳接，在当前层的可选择运算模块（Choice block）中加入这个操作，可以从上一层直接越过连到当前层的下一层，从而实现层数的压缩，听上去很靠谱，但当引入 ID 后 one-shot 超网训练如何呢？

根据 SCARLET 做的实验看，单单加上 ID 就直接导致了超网训练的大幅波动，在选择了 ID 的那条路径，模型能力迅速下降，严重影响了整个超网的参数更新。

增加线性等价变换

恒等变换能帮我们实现层数的压缩，但又是个捣乱分子。怎么解决呢？SCARLET 提出给这个捣乱分子进行一些教育改良，由于之前的 ID 并没有学习功能，只完成连接，那最常见的学习单元就是带参数的卷积层。但问题来了，加了卷积层的路径和原有路径有什么不同呢？我们最后采样的模型，能否取掉这个卷积层来完成层间的跳接，实现我们期待的压缩呢？

▲ Fig 2.  线性等价变换示意图

幸运地是，加了线性的卷积层（即不含激活单元）的采样模型在表征能力上是和原有网络是等价的。SCARLET 对此进行了分情形的严格证明。在下一层运算单元是 FC 或 Conv 的情况下，给捣乱分子 ID 配备了学习单元 Conv 以后，表征能力并没有改变。这样的改良文中称作线性等价变换（Linearly Equivalent Transformation, LET）。

所以超网训练过程要开启 LET 来补足别的 block 都在学习，ID 不学习的弱点，而训练结束后，去掉 LET 完成瘦身，本文叫做 SCARLET，扼要概括了本次的方法创新（SCAlable supeRnet with Linearly Equivalent Transformation）。

▲ Fig 3.  情形一，线性等价变换前后表征能力等价的证明

加入了 LET 之后，超网训练就平和了许多。训练过程的模型采样来看，没有开 LET 前主要分布在两个区域，而开启之后，都集中在得分比较高的这个区间。

▲ Fig 4.  引入 LET 前后超网训练对比

与当前最好模型对比

从表中看出，SCARLET 这次打的是 EfficientNet 同量级模型 B0，SCARLET-A、B 均用了明显更少的 FLOPs，大幅超过或齐平 B0。而 SCARLET-C 又是超过了自己三部曲第一部中提出的 SOTA 模型 FairNAS-A。

▲ Fig 5. 当前 SOTA 模型在 ImageNet 数据集上的对比

模型结构分析

▲ Fig 6. SCARLET A，B，C 模型

与以往发布的 FairNAS 和 MoGA 模型不同，这次系列模型中有了更浅的层级，这也呼应了本次方法的要点，就是要找出浅一点但也很不错的模型，展示了超网的可伸缩性。

参考文献

Chu et al., FairNAS: Rethinking Evaluation Fairness of Weight Sharing Neural Architecture Search

https://arxiv.org/abs/1907.01845

Chu et al., MoGA: Searching Beyond MobileNetV3

https://arxiv.org/abs/1908.01314

Chu et al., ScarletNAS: Bridging the Gap Between Scalability and Fairness in Neural Architecture Search

https://arxiv.org/abs/1908.06022

Zoph et al. Learning Transferable Architectures for Scalable Image Recognition

https://arxiv.org/pdf/1707.07012

Cai et al: ProxylessNAS: Direct Neural Architecture Search on Target Task and Hardware

https://arxiv.org/abs/1812.00332

Tan et al., MnasNet: Platform-Aware Neural Architecture Search for Mobile

https://arxiv.org/abs/1807.11626

点击以下标题查看更多往期内容：

• KDD Cup 2019 AutoML Track冠军团队技术分享

• 神经网络架构搜索（NAS）综述 | 附资料推荐

• 小米拍照黑科技：基于NAS的图像超分辨率算法

• 深度解读：小米AI实验室最新成果FairNAS

• 自动机器学习（AutoML）最新综述

• MoGA：超过MobileNetV3的移动端GPU敏感型搜索

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

? 来稿标准：

• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）

• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接

• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志

? 投稿邮箱：

• 投稿邮箱：hr@paperweekly.site

• 所有文章配图，请单独在附件中发送

• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通

?

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

▽ 点击 | 阅读原文 | 下载论文 & 源码