谷歌大脑发布神经架构搜索新方法：提速1000倍

去年，谷歌大脑团队发布神经网络自动架构搜索（NAS）。这个方法理论上能够更好地、自动化地设计神经网络的架构。

尽管NAS表现出色，但却要耗费大量的计算资源。运行一次，可能需要450块GPU跑上3-4天，大约耗用32400-43200个GPU小时。

一旦投入不够，就得不到理想的结果。

显然大牛们不会坐视不理。一年后，谷歌大脑团队发布了他们最新的研究成果：ENAS，全称是：Efficient Neural Architecture Search。

谷歌大脑的团队成员发现，NAS的计算瓶颈在于训练子模型收敛时，只衡量准确率而丢掉了所有训练成的权重。

最新的研究，就是强制所有子模型共享权重，来提高NAS的效率。这个方法的复杂性在于，每个子模型的权重使用并不相同。

最终，谷歌大脑团队还是成功了。使用新方法后，仅用一块英伟达GTX 1080Ti显卡，就能在16个小时之内完成架构搜索。

与NAS相比，GPU时间耗用减少了1000倍以上。

这篇论文刚刚提交到arXiv上发表。作者包括：Hieu Pham、Melody Y. Guan、Barret Zoph、Quoc V. Le、Jeff Dean。

如果你对论文细节感兴趣，传送门在此：

https://arxiv.org/abs/1802.03268

另外，在ICLR 2018大会接收的论文中，也有一些算是类似方向的研究。如果你同样感兴趣，请收下这个来自谷歌大脑团队成员@hardmaru分享的传送门：

https://openreview.net/forum?id=rydeCEhs-

https://openreview.net/forum?id=BJQRKzbA-

“