当前位置： 首页 > news >正文

PyTorch深度学习框架60天进阶学习计划 - 第46天：自动化模型设计（一）

news 来源：原创 2025/4/20 5:58:13

PyTorch深度学习框架60天进阶学习计划 - 第46天：自动化模型设计（一）

第一部分：使用ENAS算法生成图像分类网络

大家好！欢迎来到我们PyTorch深度学习框架60天进阶学习计划的第46天。今天我们要深入探讨一个话题——使用高效神经架构搜索(Efficient Neural Architecture Search, ENAS)算法来自动设计图像分类网络。

1. ENAS简介

ENAS是由谷歌大脑团队在2018年提出的一种高效神经架构搜索方法。与传统NAS和DARTS相比，ENAS的主要创新在于引入了参数共享机制，大大提高了搜索效率。

ENAS的核心思想是：将整个搜索空间视为一个超大的计算图(supergraph)，所有可能的模型架构都是这个超图的子图。通过让不同的子网络共享参数，ENAS避免了为每个候选架构单独训练的巨大计算开销。

与DARTS相比，ENAS的主要区别在于：DARTS使用可微分放松使得架构可以用梯度下降优化，而ENAS使用强化学习来学习如何从超图中采样高性能架构。

2. ENAS算法原理

ENAS算法由两个交替进行的步骤组成：

  1. 子模型采样与训练：使用控制器(Controller)从搜索空间中采样子模型架构，然后训练这些子模型。
  2. 控制器更新：基于子模型的性能，使用策略梯度(Policy Gradient)方法更新控制器，使其更有可能采样出高性能的架构。

这个过程可以形象地比作"建筑师(控制器)"和"工人(子模型训练)"的协作：建筑师提供设计图纸，工人根据图纸建造并给出反馈，建筑师根据反馈改进设计图纸。

3. ENAS搜索空间

ENAS的搜索空间通常是一个有向无环图(DAG)，节点表示特征图，边表示操作。对于卷积网络，常见的候选操作包括：

操作类型描述PyTorch实现
3x3 标准卷积基本卷积操作nn.Conv2d(C, C, 3, padding=1)
5x5 标准卷积更大感受野的卷积nn.Conv2d(C, C, 5, padding=2)
3x3 深度可分离卷积参数更少的卷积SepConv(C, C, 3, 1)
5x5 深度可分离卷积更大感受野的深度可分离卷积SepConv(C, C, 5, 2)
3x3 最大池化特征下采样nn.MaxPool2d(3, stride=1, padding=1)
3x3 平均池化另一种下采样方式nn.AvgPool2d(3, stride=1, padding=1)
恒等映射直接连接Identity()

4. ENAS的控制器设计

ENAS控制器通常是一个循环神经网络(RNN)，特别是LSTM，它学习生成网络架构。控制器根据当前状态输出每一步的动作概率，然后根据这些概率采样一个动作(比如选择哪种操作)。

以下是控制器的基本设计：

import torch
import torch.nn as nn
import torch.nn.functional as Fclass Controller(nn.Module):"""ENAS控制器，用于生成网络架构"""def __init__(self, num_nodes, num_ops, lstm_size=100, lstm_num_layers=1):super(Controller, self).__init__()self.num_nodes = num_nodesself.num_ops = num_opsself.lstm_size = lstm_sizeself.lstm_num_layers = lstm_num_layers# 输入嵌入self.embed = nn.Embedding(num_nodes + num_ops, lstm_size)# LSTM控制器self.lstm = nn.LSTMCell(lstm_size, lstm_size)# 节点选择器self.node_selector = nn.Linear(lstm_size, num_nodes)# 操作选择器self.op_selector = nn.Linear(lstm_size, num_ops)# 存储架构决策self.sampled_arch = []self.sampled_probs = []def forward(self, temperature=1.0):"""生成一个架构样本"""# 初始化LSTM隐藏状态h = torch.zeros(1, self.lstm_size).cuda()c = torch.zeros(1, self.lstm_size).cuda()# 初始化输入x = torch.zeros(1).long().cuda()# 清空之前的采样self.sampled_arch = []self.sampled_probs = []# 循环生成每个节点的连接和操作for node_idx in range(2, self.num_nodes):  # 跳过输入节点# 为当前节点选择连接的前驱节点for i in range(node_idx):# 更新LSTM状态embed = self.embed(x)h, c = self.lstm(embed, (h, c))# 计算前驱节点的概率logits = self.node_selector(h) / temperatureprobs = F.softmax(logits, dim=-1)# 采样前驱节点prev_node = torch.multinomial(probs, 1).item()self.sampled_arch.append(prev_node)self.sampled_probs.append(probs[0, prev_node])# 为连接选择操作x = torch.tensor([prev_node]).cuda()embed = self.embed(x)h, c = self.lstm(embed, (h, c))# 计算操作的概率logits = self.op_selector(h) / temperatureprobs = F.softmax(logits, dim=-1)# 采样操作op_id = torch.multinomial(probs, 1).item()self.sampled_arch.append(op_id)self.sampled_probs.append(probs[0, op_id])# 更新输入x = torch.tensor([op_id + self.num_nodes]).cuda()return self.sampled_arch, torch.stack(self.sampled_probs)

5. ENAS的子模型设计

ENAS的子模型是从超图中采样出的具体架构。下面是子模型的基本实现：

class ENASModel(nn.Module):"""ENAS子模型"""def __init__(self, arch, num_nodes, num_ops, C):super(ENASModel, self).__init__()self.arch = archself.num_nodes = num_nodesself.num_ops = num_opsself.C = C  # 通道数# 定义候选操作列表self.OPS = nn.ModuleList([nn.Sequential(nn.Conv2d(C, C, 3, padding=1, bias=False),nn.BatchNorm2d(C),nn.ReLU(inplace=False)),  # 3x3 标准卷积nn.Sequential(nn.Conv2d(C, C, 5, padding=2, bias=False),nn.BatchNorm2d(C),nn.ReLU(inplace=False)),  # 5x5 标准卷积SepConv(C, C, 3, 1),  # 3x3 深度可分离卷积SepConv(C, C, 5, 2),  # 5x5 深度可分离卷积nn.MaxPool2d(3, stride=1, padding=1),  # 3x3 最大池化nn.AvgPool2d(3, stride=1, padding=1),  # 3x3 平均池化nn.Identity()  # 恒等映射])# 节点特征初始化self.nodes = nn.ModuleList([nn.Sequential(nn.Conv2d(3, C, 3, padding=1, bias=False),nn.BatchNorm2d(C),nn.ReLU(inplace=False)),  # 节点0(输入处理)nn.Sequential(nn.Conv2d(C, C, 3, padding=1, bias=False),nn.BatchNorm2d(C),nn.ReLU(inplace=False))   # 节点1])# 分类器self.classifier = nn.Linear(C, 10)  # CIFAR-10分类def forward(self, x):# 初始化所有节点的特征node_features = [None] * self.num_nodesnode_features[0] = self.nodes[0](x)node_features[1] = self.nodes[1](node_features[0])# 根据架构描述构建计算图idx = 0for node_idx in range(2, self.num_nodes):# 每个节点的所有输入node_inputs = []for i in range(node_idx):# 获取连接的前驱节点和操作prev_node = self.arch[idx]op_id = self.arch[idx + 1]idx += 2# 计算特征node_input = self.OPS[op_id](node_features[prev_node])node_inputs.append(node_input)# 节点特征为所有输入的和node_features[node_idx] = sum(node_inputs)# 全局平均池化out = F.adaptive_avg_pool2d(node_features[-1], 1)out = out.view(out.size(0), -1)# 分类logits = self.classifier(out)return logits# 定义可分离卷积
class SepConv(nn.Module):def __init__(self, C_in, C_out, kernel_size, padding):super(SepConv, self).__init__()self.op = nn.Sequential(nn.ReLU(inplace=False),nn.Conv2d(C_in, C_in, kernel_size=kernel_size, stride=1, padding=padding, groups=C_in, bias=False),nn.Conv2d(C_in, C_out, kernel_size=1, padding=0, bias=False),nn.BatchNorm2d(C_out),nn.ReLU(inplace=False),nn.Conv2d(C_out, C_out, kernel_size=kernel_size, stride=1, padding=padding, groups=C_out, bias=False),nn.Conv2d(C_out, C_out, kernel_size=1, padding=0, bias=False),nn.BatchNorm2d(C_out))def forward(self, x):return self.op(x)

6. ENAS的训练过程

ENAS训练包括两个交替的阶段：子模型训练和控制器训练。下面是一个简化的ENAS训练过程：

def train_enas(controller, shared_model, train_queue, valid_queue, controller_optimizer, shared_optimizer, epochs, device='cuda'):"""ENAS训练主循环"""for epoch in range(epochs):# 1. 训练共享参数shared_model.train()controller.eval()for step, (x, target) in enumerate(train_queue):x, target = x.to(device), target.to(device)# 采样架构with torch.no_grad():arch, _ = controller()# 使用采样架构进行前向计算shared_optimizer.zero_grad()logits = shared_model(x, arch)loss = F.cross_entropy(logits, target)loss.backward()shared_optimizer.step()# 2. 训练控制器shared_model.eval()controller.train()# 在验证集上评估采样架构for step, (x, target) in enumerate(valid_queue):x, target = x.to(device), target.to(device)# 采样架构并记录概率controller_optimizer.zero_grad()arch, probs = controller()# 使用采样架构进行前向计算with torch.no_grad():logits = shared_model(x, arch)reward = compute_reward(logits, target)  # 如验证准确率# 使用REINFORCE算法更新控制器log_prob = torch.sum(torch.log(probs))loss = -log_prob * rewardloss.backward()controller_optimizer.step()# 打印当前最佳架构with torch.no_grad():best_arch, _ = controller()print(f"Epoch {epoch}, Best Architecture: {best_arch}")def compute_reward(logits, target):"""计算架构奖励(通常是验证准确率)"""_, predicted = torch.max(logits, 1)correct = (predicted == target).sum().item()reward = correct / target.size(0)return reward

7. ENAS架构搜索流程图

下面是ENAS架构搜索的流程图：

8. ENAS相比DARTS的优势

ENAS和DARTS都是高效的神经架构搜索方法，但它们有不同的特点：

特性ENASDARTS
搜索方法强化学习(离散)梯度下降(连续)
参数共享完全共享软权重共享
计算效率高(0.5 GPU天)中(1-4 GPU天)
内存需求低高(需要二阶导数)
架构离散化不需要需要(连续→离散)
实现复杂度中等较高

第二部分：搜索空间设计对模型性能的影响

9. 搜索空间设计的重要性

搜索空间设计是神经架构搜索中最关键的因素之一。一个好的搜索空间应该满足以下条件:

  1. 覆盖性：包含足够多样化的架构，包括潜在的高性能架构
  2. 高效性：避免过于广泛导致搜索困难
  3. 结构合理性：符合神经网络设计的基本原则和先验知识

搜索空间设计对最终模型性能有直接影响。如果搜索空间不包含高性能架构，即使有最好的搜索算法也无法找到好的模型；反之，如果搜索空间过大，搜索效率会大大降低。

10. 常见的搜索空间类型

我们可以根据设计方式将搜索空间分为以下几类：

  1. 宏搜索空间(Macro)：直接搜索整个网络的连接方式和操作类型，灵活性最高，但搜索难度也最大。
  2. 微搜索空间(Micro)：预定义网络的宏观结构(如层数)，只搜索重复单元(cell)的内部结构，平衡了灵活性和搜索效率。
  3. 层级搜索空间(Hierarchical)：结合宏观和微观搜索，按层次化方式定义搜索空间。

下面是不同搜索空间类型的对比：

搜索空间类型灵活性搜索效率典型方法适用场景
宏搜索空间高低早期NAS特定任务定制
微搜索空间中高ENAS/DARTS通用视觉任务
层级搜索空间高中Auto-DeepLab复杂任务

11. ENAS不同搜索空间的实现

让我们实现几种不同的ENAS搜索空间，并对比它们的影响：

11.1 基于链式结构的搜索空间
class ChainSearchSpace:"""链式结构搜索空间，每个节点只连接到前一个节点"""def __init__(self, num_layers, num_ops):self.num_layers = num_layersself.num_ops = num_opsdef sample_arch(self, controller):"""从控制器采样架构"""# 只需要采样每层的操作类型arch = []for i in range(self.num_layers):op_id = controller.sample_op()arch.append(op_id)return archdef build_model(self, arch, C, num_classes):"""根据架构构建模型"""layers = []in_channels = 3  # 输入图像通道数# 干细胞层layers.append(nn.Conv2d(in_channels, C, 3, padding=1))layers.append(nn.BatchNorm2d(C))layers.append(nn.ReLU(inplace=True))# 构建主要层for i, op_id in enumerate(arch):# 定义当前层操作if op_id == 0:  # 3x3 卷积layers.append(nn.Conv2d(C, C, 3, padding=1))layers.append(nn.BatchNorm2d(C))layers.append(nn.ReLU(inplace=True))elif op_id == 1:  # 5x5 卷积layers.append(nn.Conv2d(C, C, 5, padding=2))layers.append(nn.BatchNorm2d(C))layers.append(nn.ReLU(inplace=True))elif op_id == 2:  # 3x3 最大池化layers.append(nn.MaxPool2d(3, stride=1, padding=1))elif op_id == 3:  # 3x3 平均池化layers.append(nn.AvgPool2d(3, stride=1, padding=1))# 可以添加更多操作类型# 每隔几层下采样if i > 0 and i % 3 == 0:layers.append(nn.MaxPool2d(2, stride=2))# 分类头layers.append(nn.AdaptiveAvgPool2d(1))# 构建序列模型model = nn.Sequential(*layers)model.add_module('classifier', nn.Linear(C, num_classes))return model
11.2 基于单元(Cell)的搜索空间
class CellSearchSpace:"""基于单元的搜索空间，搜索重复单元的内部结构"""def __init__(self, num_cells, num_nodes, num_ops):self.num_cells = num_cells  # 单元数量self.num_nodes = num_nodes  # 每个单元中的节点数self.num_ops = num_ops      # 候选操作数量def sample_arch(self, controller):"""从控制器采样架构"""arch = []for i in range(self.num_cells):cell_arch = []# 为单元中的每个节点采样for j in range(2, self.num_nodes):  # 跳过前两个输入节点# 为当前节点采样前驱节点和操作for k in range(j):prev_node = controller.sample_node(k)op_id = controller.sample_op()cell_arch.extend([prev_node, op_id])arch.append(cell_arch)return archdef build_model(self, arch, C, num_classes):"""根据架构构建模型"""model = CellBasedNetwork(arch, self.num_cells, self.num_nodes, self.num_ops, C, num_classes)return modelclass CellBasedNetwork(nn.Module):"""基于单元的网络模型"""def __init__(self, arch, num_cells, num_nodes, num_ops, C, num_classes):super(CellBasedNetwork, self).__init__()self.arch = archself.num_cells = num_cellsself.num_nodes = num_nodesself.num_ops = num_opsself.C = C# 定义干细胞网络self.stem = nn.Sequential(nn.Conv2d(3, C, 3, padding=1, bias=False),nn.BatchNorm2d(C))# 定义单元self.cells = nn.ModuleList()C_prev, C_curr = C, Cfor i in range(num_cells):# 每隔几个单元进行下采样if i in [num_cells//3, 2*num_cells//3]:C_curr *= 2reduction = Trueelse:reduction = Falsecell = Cell(arch[i], C_prev, C_curr, reduction, num_nodes, num_ops)self.cells.append(cell)C_prev = C_curr * num_nodes  # 单元输出通道数# 分类器self.global_pooling = nn.AdaptiveAvgPool2d(1)self.classifier = nn.Linear(C_prev, num_classes)def forward(self, x):# 干细胞处理x = self.stem(x)# 通过所有单元for cell in self.cells:x = cell(x)# 分类out = self.global_pooling(x)out = out.view(out.size(0), -1)logits = self.classifier(out)return logitsclass Cell(nn.Module):"""网络中的基本单元"""def __init__(self, arch, C_in, C_out, reduction, num_nodes, num_ops):super(Cell, self).__init__()self.arch = archself.reduction = reductionself.num_nodes = num_nodes# 预处理输入stride = 2 if reduction else 1self.preprocess = nn.Sequential(nn.ReLU(inplace=False),nn.Conv2d(C_in, C_out, 1, stride=stride, bias=False),nn.BatchNorm2d(C_out))# 定义候选操作self.ops = nn.ModuleList()for i in range(num_ops):if i == 0:  # 3x3 卷积op = nn.Sequential(nn.ReLU(inplace=False),nn.Conv2d(C_out, C_out, 3, padding=1, bias=False),nn.BatchNorm2d(C_out))elif i == 1:  # 5x5 卷积op = nn.Sequential(nn.ReLU(inplace=False),nn.Conv2d(C_out, C_out, 5, padding=2, bias=False),nn.BatchNorm2d(C_out))elif i == 2:  # 3x3 可分离卷积op = SepConv(C_out, C_out, 3, 1)elif i == 3:  # 5x5 可分离卷积op = SepConv(C_out, C_out, 5, 2)elif i == 4:  # 3x3 最大池化op = nn.MaxPool2d(3, stride=1, padding=1)elif i == 5:  # 3x3 平均池化op = nn.AvgPool2d(3, stride=1, padding=1)elif i == 6:  # 恒等映射op = nn.Identity()self.ops.append(op)def forward(self, x):# 预处理输入x = self.preprocess(x)# 初始化所有节点的特征nodes = [x]# 根据架构构建计算图idx = 0for i in range(2, self.num_nodes):# 为当前节点计算所有输入node_inputs = []for j in range(i):prev_node = self.arch[idx]op_id = self.arch[idx + 1]idx += 2# 计算该输入的特征node_input = self.ops[op_id](nodes[prev_node])node_inputs.append(node_input)# 节点特征为所有输入的和nodes.append(sum(node_inputs))# 连接所有中间节点output = torch.cat(nodes[1:], dim=1)return output
11.3 基于分层搜索空间
class HierarchicalSearchSpace:"""分层搜索空间，同时搜索网络架构和单元结构"""def __init__(self, num_blocks, num_cells_per_block, num_nodes, num_ops):self.num_blocks = num_blocksself.num_cells_per_block = num_cells_per_blockself.num_nodes = num_nodesself.num_ops = num_opsdef sample_arch(self, controller):"""从控制器采样架构"""# 采样整体网络架构network_arch = []for i in range(self.num_blocks):# 为每个块采样单元数量(可变)num_cells = controller.sample_cells_count()# 为每个块采样下采样策略downsample = controller.sample_downsample()network_arch.append((num_cells, downsample))# 采样单元内部结构cell_arch = []for j in range(2, self.num_nodes):# 为当前节点采样前驱节点和操作for k in range(j):prev_node = controller.sample_node(k)op_id = controller.sample_op()cell_arch.extend([prev_node, op_id])return (network_arch, cell_arch)def build_model(self, arch, C, num_classes):"""根据架构构建模型"""network_arch, cell_arch = archmodel = HierarchicalNetwork(network_arch, cell_arch, self.num_nodes, self.num_ops, C, num_classes)return modelclass HierarchicalNetwork(nn.Module):"""分层搜索的网络模型"""def __init__(self, network_arch, cell_arch, num_nodes, num_ops, C, num_classes):super(HierarchicalNetwork, self).__init__()self.network_arch = network_archself.cell_arch = cell_archself.num_nodes = num_nodesself.num_ops = num_opsself.C = C# 干细胞网络self.stem = nn.Sequential(nn.Conv2d(3, C, 3, padding=1, bias=False),nn.BatchNorm2d(C))# 构建网络主体self.blocks = nn.ModuleList()in_channels = Cfor block_id, (num_cells, downsample) in enumerate(network_arch):block = nn.ModuleList()# 确定是否下采样及通道数if block_id > 0 and downsample:stride = 2out_channels = in_channels * 2else:stride = 1out_channels = in_channels# 添加该块中的所有单元for cell_id in range(num_cells):# 第一个单元可能需要下采样if cell_id == 0 and stride == 2:cell = Cell(cell_arch, in_channels, out_channels, True, num_nodes, num_ops)else:cell = Cell(cell_arch, out_channels, out_channels, False, num_nodes, num_ops)block.append(cell)self.blocks.append(block)in_channels = out_channels# 分类器self.global_pooling = nn.AdaptiveAvgPool2d(1)self.classifier = nn.Linear(in_channels, num_classes)def forward(self, x):# 干细胞处理x = self.stem(x)# 通过所有块和单元for block in self.blocks:for cell in block:x = cell(x)# 分类out = self.global_pooling(x)out = out.view(out.size(0), -1)logits = self.classifier(out)return logits

12. 不同搜索空间的对比实验

让我们设计一个实验来对比不同搜索空间对ENAS性能的影响。我们将使用CIFAR-10数据集，并在三种不同的搜索空间上运行ENAS算法：

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.datasets as datasets
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
import time
import numpy as npdef compare_search_spaces():"""对比不同搜索空间的性能"""# 设置参数C = 36  # 初始通道数num_classes = 10  # CIFAR-10epochs = 50# 定义数据加载器transform = transforms.Compose([transforms.RandomCrop(32, padding=4),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))])train_data = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)valid_data = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)# 划分训练集和验证集indices = list(range(len(train_data)))np.random.shuffle(indices)split = int(0.8 * len(indices))train_indices, valid_indices = indices[:split], indices[split:]train_queue = DataLoader(train_data, batch_size=128,sampler=torch.utils.data.sampler.SubsetRandomSampler(train_indices))valid_queue = DataLoader(train_data, batch_size=128,sampler=torch.utils.data.sampler.SubsetRandomSampler(valid_indices))test_queue = DataLoader(valid_data, batch_size=128)# 定义搜索空间search_spaces = {'chain': ChainSearchSpace(num_layers=15, num_ops=7),'cell': CellSearchSpace(num_cells=8, num_nodes=7, num_ops=7),'hierarchical': HierarchicalSearchSpace(num_blocks=3, num_cells_per_block=3, num_nodes=7, num_ops=7)}# 对比结果存储results = {}# 对每个搜索空间运行ENASfor name, search_space in search_spaces.items():print(f"Testing search space: {name}")# 创建控制器controller = Controller(num_nodes=7, num_ops=7, lstm_size=100, lstm_num_layers=1).cuda()# 创建优化器controller_optimizer = optim.Adam(controller.parameters(),lr=0.001)# 记录时间和最佳准确率start_time = time.time()# 运行ENAS搜索best_arch, best_acc = run_enas_search(controller, search_space,train_queue, valid_queue, controller_optimizer,epochs,C,num_classes)# 计算搜索时间search_time = time.time() - start_time# 从头训练最佳架构final_model = search_space.build_model(best_arch, C, num_classes).cuda()final_acc = train_from_scratch(final_model, train_queue, test_queue, epochs=100)# 记录结果results[name] = {'search_time': search_time,'search_acc': best_acc,'final_acc': final_acc}# 打印结果print("\nResults:")print("-" * 50)print(f"{'Search Space':<15} {'Search Time(h)':<15} {'Search Acc(%)':<15} {'Final Acc(%)':<15}")print("-" * 50)for name, result in results.items():print(f"{name:<15} {result['search_time']/3600:<15.2f} {result['search_acc']:<15.2f} {result['final_acc']:<15.2f}")return resultsdef run_enas_search(controller, search_space, train_queue, valid_queue, controller_optimizer, epochs, C, num_classes):"""运行ENAS搜索过程"""best_arch = Nonebest_acc = 0# 初始化共享参数shared_model = SharedModel(search_space, C, num_classes).cuda()shared_optimizer = optim.SGD(shared_model.parameters(),lr=0.05,momentum=0.9,weight_decay=3e-4)for epoch in range(epochs):# 训练共享参数for step, (x, target) in enumerate(train_queue):shared_model.train()controller.eval()x, target = x.cuda(), target.cuda(non_blocking=True)# 采样架构with torch.no_grad():arch, _ = controller()# 构建临时模型model = search_space.build_model(arch, C, num_classes).cuda()model.load_state_dict(shared_model.state_dict(), strict=False)# 前向计算和优化shared_optimizer.zero_grad()logits = model(x)loss = nn.CrossEntropyLoss()(logits, target)loss.backward()shared_optimizer.step()# 更新共享模型参数shared_model.load_state_dict(model.state_dict(), strict=False)# 训练控制器controller.train()shared_model.eval()# 采样多个架构并评估sampled_archs = []accuracies = []for _ in range(10):  # 采样10个架构arch, probs = controller()sampled_archs.append(arch)# 构建临时模型model = search_space.build_model(arch, C, num_classes).cuda()model.load_state_dict(shared_model.state_dict(), strict=False)# 在验证集上评估model.eval()correct = 0total = 0with torch.no_grad():for x, target in valid_queue:x, target = x.cuda(), target.cuda(non_blocking=True)logits = model(x)_, predicted = torch.max(logits, 1)total += target.size(0)correct += (predicted == target).sum().item()acc = 100 * correct / totalaccuracies.append(acc)# 更新最佳架构if acc > best_acc:best_acc = accbest_arch = arch# 更新控制器controller_optimizer.zero_grad()baseline = sum(accuracies) / len(accuracies)# 计算所有采样架构的损失loss = 0for i, (arch, acc) in enumerate(zip(sampled_archs, accuracies)):_, probs = controller(arch=arch)log_prob = torch.sum(torch.log(probs))reward = acc - baselineloss -= log_prob * rewardloss = loss / len(sampled_archs)loss.backward()controller_optimizer.step()print(f"Epoch {epoch}: best_acc={best_acc:.2f}%")return best_arch, best_accclass SharedModel(nn.Module):"""共享参数模型"""def __init__(self, search_space, C, num_classes):super(SharedModel, self).__init__()self.search_space = search_spaceself.C = Cself.num_classes = num_classes# 初始化共享参数self.shared_params = nn.ParameterDict()# 初始化干细胞层参数self.shared_params['stem.weight'] = nn.Parameter(torch.zeros(C, 3, 3, 3))self.shared_params['stem.bn.weight'] = nn.Parameter(torch.ones(C))self.shared_params['stem.bn.bias'] = nn.Parameter(torch.zeros(C))# 初始化操作参数for i in range(7):  # 7种操作self.shared_params[f'op{i}.weight'] = nn.Parameter(torch.zeros(C, C, 3, 3))self.shared_params[f'op{i}.bn.weight'] = nn.Parameter(torch.ones(C))self.shared_params[f'op{i}.bn.bias'] = nn.Parameter(torch.zeros(C))# 初始化分类器参数self.shared_params['classifier.weight'] = nn.Parameter(torch.zeros(num_classes, C))self.shared_params['classifier.bias'] = nn.Parameter(torch.zeros(num_classes))def forward(self, x):# 必须提供具体架构才能前向计算raise NotImplementedError("SharedModel需要具体架构才能前向计算")def state_dict(self):return self.shared_paramsdef train_from_scratch(model, train_queue, test_queue, epochs=100):"""从头训练最终模型"""criterion = nn.CrossEntropyLoss()optimizer = optim.SGD(model.parameters(),lr=0.025,momentum=0.9,weight_decay=3e-4)scheduler = optim.lr_scheduler.CosineAnnealingLR(optimizer, epochs)best_acc = 0for epoch in range(epochs):# 训练model.train()for step, (x, target) in enumerate(train_queue):x, target = x.cuda(), target.cuda(non_blocking=True)optimizer.zero_grad()logits = model(x)loss = criterion(logits, target)loss.backward()optimizer.step()# 测试model.eval()correct = 0total = 0with torch.no_grad():for x, target in test_queue:x, target = x.cuda(), target.cuda(non_blocking=True)logits = model(x)_, predicted = torch.max(logits, 1)total += target.size(0)correct += (predicted == target).sum().item()acc = 100 * correct / totalif acc > best_acc:best_acc = accscheduler.step()if epoch % 10 == 0:print(f"Epoch {epoch}: acc={acc:.2f}%, best_acc={best_acc:.2f}%")return best_acc

13. 搜索空间对比结果分析

根据实验结果，我们可以分析不同搜索空间的优缺点：

通过对比实验结果，我们可以得出以下结论：

  1. 搜索空间复杂度与性能的权衡：

    • 链式结构搜索空间最简单，搜索速度最快，但最终性能有限
    • 分层结构搜索空间最复杂，搜索时间最长，但也能找到性能最好的模型
    • 基于单元的搜索空间在搜索效率和模型性能之间取得了良好的平衡

  2. 模型大小与计算复杂度：

    • 分层搜索通常会产生更大的模型，参数量和推理延迟相对较高
    • 链式结构模型最小，但表达能力有限
    • 实际应用时需要根据部署环境限制选择适当的搜索空间

  3. 搜索稳定性：

    • 基于单元的搜索空间通常更稳定，不同运行之间性能波动小
    • 分层结构搜索由于空间大，可能需要更多次搜索才能找到最优架构

清华大学全五版的《DeepSeek教程》完整的文档需要的朋友，关注我私信：deepseek 即可获得。

怎么样今天的内容还满意吗？再次感谢朋友们的观看，关注GZH：凡人的AI工具箱，回复666，送您价值199的AI大礼包。最后，祝您早日实现财务自由，还请给个赞，谢谢！

相关文章：

  • 虚拟现实（VR）技术在教育领域的创新应用
  • 某局部三层休闲娱乐中心建筑设计与结构设计
  • 【GlobalMapper精品教程】094：GlobalMapper26简体中文版安装教程（附安装包下载）
  • Docker Overlay 网络的核心工作（以跨节点容器通信为例）
  • Java集合及面试题学习
  • C# 变量||C# 常量
  • 计算机网络 3-4 数据链路层(局域网)
  • QML Label 组件
  • BZOJ P1419 Red is good
  • 【leetcode100】分割等和子集
  • Linux 进程信号详解
  • ping: socket: Operation not permitted
  • AI调试工具有哪些？
  • 【漫话机器学习系列】211.驻点（Stationary Points）
  • CANFD技术在新能源汽车通信网络中的应用与可靠性分析
  • 论文阅读：2025 arxiv AI Alignment: A Comprehensive Survey
  • 深入理解 Java 多线程：锁策略与线程安全
  • 使用 Vite 快速搭建现代化 React 开发环境
  • 小程序 GET 接口两种传值方式
  • C#测试linq中的左连接的基本用法
  • 林诗栋4比1战胜梁靖崑，晋级世界杯男单决赛将和雨果争冠
  • 华夏幸福：累计未能如期偿还债务金额合计为227.91亿元
  • 江苏银行去年净赚超318亿增超10%，不良贷款率持平
  • 东航推出“上博号”班机，上博设立“东航特展厅”
  • 美接连派轰炸机、无人机前往日本，驻日美军正升级空中力量
  • 乌克兰和美国签署关于矿产协议的备忘录